Обсуждение статьи "Нейросети в трейдинге: Поиск устойчивых закономерностей в разнородных рыночных данных (INFNet)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Поиск устойчивых закономерностей в разнородных рыночных данных (INFNet):

Статья знакомит с фреймворком INFNet, предложенным для эффективного взаимодействия признаков в многозадачных системах. Проанализированы ключевые принципы в контексте финансовых рынков. Начата адаптация предложенных подходов средствами MQL5: переосмыслена структура данных и реализован механизм генерации сценарных токенов. Создана основа для дальнейшей разработки моделей с линейной сложностью и устойчивой обработкой разнородных рыночных сигналов.

Фреймворк INFNet ориентирован на моделирование взаимодействия разнородных признаков в условиях многозадачного обучения. Архитектура строится вокруг идеи структурированного представления исходных данных и контролируемого формирования зависимостей между ними.

На входе INFNet данные изначально структурируются по смыслу. В оригинальной работе выделяются три группы: категориальные признаки, поведенческие последовательности и идентификаторы задач. В контексте финансовых рынков выстраивается вполне прикладная аналогия. Категориальные признаки — это статические и слабо меняющиеся характеристики: тип инструмента, торговая сессия, день недели, режим рынка. Поведенческие последовательности — это уже живая ткань рынка: ценовые ряды, объемы, кластеры активности. Идентификаторы задач — это цели модели: прогноз направления, фильтрация сигналов, оценка риска, поиск точек входа и выхода из позиции.

Ключевой момент — модель не смешивает всё это в единое представление на старте. Напротив, сохраняется структура данных через два уровня представлений: исходные токены и агрегирующие узлы, которые авторы фреймворка называют hub-токенами.

Автор: Dmitriy Gizlyk