Представлена реализация основного модуля GDformer — Global Dictionary-based Cross-Attention — для анализа финансовых временных рядов в среде MQL5/OpenCL. Описаны глобальный словарь паттернов, многоголовое кросс-внимание, ветка сходства с обучаемыми прототипами и разреженный SoftMax без повторной нормализации. Показано, как получать устойчивое контекстное представление рыночного состояния для последующего использования в торговой инфраструктуре.
В предыдущей статье мы рассмотрели общую организацию фреймворка GDformer, структуру потоков данных и роль глобальной памяти в распознавании рыночных состояний. Отдельно рассмотрен перенос подходов фреймворка в задачи трейдинга и анализа финансовых временных рядов. Начата практическая адаптация архитектуры к среде MQL5. Рассмотрены вычисления на OpenCL, параллельная обработка, снижение издержек обмена между CPU и GPU и построение контура для работы в торговом терминале. По сути, первая статья сформировала фундамент всей системы и подготовила основу для дальнейшей реализации ключевых компонентов фреймворка.
Однако именно механизм взаимодействия последовательности с глобальным словарем является центральным элементом всего фреймворка. От того, насколько эффективно модель способна сопоставлять текущие признаки с глобальными паттернами, напрямую зависит качество формирования контекста, устойчивость механизма внимания и способность системы выделять действительно значимые зависимости внутри временного ряда.
Продолжаем развитие проекта и сосредоточимся на построении основного модуля фреймворка — механизма Global Dictionary-based Cross-Attention. Подробно разберем организацию механизма кросс-внимания между входной последовательностью и глобальным словарем, особенности вычисления коэффициентов внимания, а также практические аспекты реализации данного механизма средствами MQL5.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Нейросети в трейдинге: Внимание, память и рыночные паттерны в GDformer (Global Dictionary):
Представлена реализация основного модуля GDformer — Global Dictionary-based Cross-Attention — для анализа финансовых временных рядов в среде MQL5/OpenCL. Описаны глобальный словарь паттернов, многоголовое кросс-внимание, ветка сходства с обучаемыми прототипами и разреженный SoftMax без повторной нормализации. Показано, как получать устойчивое контекстное представление рыночного состояния для последующего использования в торговой инфраструктуре.
В предыдущей статье мы рассмотрели общую организацию фреймворка GDformer, структуру потоков данных и роль глобальной памяти в распознавании рыночных состояний. Отдельно рассмотрен перенос подходов фреймворка в задачи трейдинга и анализа финансовых временных рядов. Начата практическая адаптация архитектуры к среде MQL5. Рассмотрены вычисления на OpenCL, параллельная обработка, снижение издержек обмена между CPU и GPU и построение контура для работы в торговом терминале. По сути, первая статья сформировала фундамент всей системы и подготовила основу для дальнейшей реализации ключевых компонентов фреймворка.
Однако именно механизм взаимодействия последовательности с глобальным словарем является центральным элементом всего фреймворка. От того, насколько эффективно модель способна сопоставлять текущие признаки с глобальными паттернами, напрямую зависит качество формирования контекста, устойчивость механизма внимания и способность системы выделять действительно значимые зависимости внутри временного ряда.
Продолжаем развитие проекта и сосредоточимся на построении основного модуля фреймворка — механизма Global Dictionary-based Cross-Attention. Подробно разберем организацию механизма кросс-внимания между входной последовательностью и глобальным словарем, особенности вычисления коэффициентов внимания, а также практические аспекты реализации данного механизма средствами MQL5.
Автор: Dmitriy Gizlyk