Обсуждение статьи "Нейросети в трейдинге: Внимание, память и рыночные паттерны в GDformer (Окончание)"
Добрый день, Дмитрий!
Тестирую все модели по мере публикации статей, в связи с чем хотел поделиться наблюдением:
При обучении всех последних моделей при сколько-нибудь значительном проценте обучения посредством скрипта Study, не говоря ужпе о 100% пропадают сделки (эффект отмечается на всех последних моделях GDformer, ReGEN-TAD, INFNet, UniMixer). Для GDformer хватило 1.5% на периоде истории указанном в настройках по умолчанию. При создании модели при помощи StudyOnLine сделки есть, но результат, как правило, отрицательный (т.е. убыток). Иногда удавалось «реанимировать» модель в которой после обучения Study нет ни одной сделки применением StudyOnLine. Также заметил, что применение дообучения Study на короткий период резко уменьшает количество сделок, увеличивая при этом прибыльность. Однако «поймать» этот эффект сложно, так как сделки быстро исчезают вообще.
Хотелось бы получить авторский комментарий и рекомендации по обучению моделей.
С уважением, Андрей
- 2026.05.20
- www.mql5.com
Добрый день, Дмитрий!
Тестирую все модели по мере публикации статей, в связи с чем хотел поделиться наблюдением:
При обучении всех последних моделей при сколько-нибудь значительном проценте обучения посредством скрипта Study, не говоря ужпе о 100% пропадают сделки (эффект отмечается на всех последних моделях GDformer, ReGEN-TAD, INFNet, UniMixer). Для GDformer хватило 1.5% на периоде истории указанном в настройках по умолчанию. При создании модели при помощи StudyOnLine сделки есть, но результат, как правило, отрицательный (т.е. убыток). Иногда удавалось «реанимировать» модель в которой после обучения Study нет ни одной сделки применением StudyOnLine. Также заметил, что применение дообучения Study на короткий период резко уменьшает количество сделок, увеличивая при этом прибыльность. Однако «поймать» этот эффект сложно, так как сделки быстро исчезают вообще.
Хотелось бы получить авторский комментарий и рекомендации по обучению моделей.
С уважением, Андрей
Добрый день, Андрей!
Здесь нет ничего неожиданного. Обучение модели — процесс итерационный и достаточно длительный. То, что на начальном этапе офлайн-обучения модель быстро приходит к отсутствию сделок, само по себе не говорит о её поломке.
Любая модель в начале обучения прежде всего собирает статистику и усредняет поведение на всей обучающей выборке. Если в этом периоде нет явно выраженного и устойчивого тренда, самым «средним» действием для модели часто становится отказ от торговли. Иными словами, на раннем этапе она ещё не различает рыночные ситуации, а пытается сформировать одно усреднённое действие для всей истории сразу.
Дальше, по мере обучения, модель должна начать выделять различия между рыночными состояниями. Уже не один общий ответ на всю выборку, а разные средние действия для разных ситуаций: где лучше покупать, где продавать, а где действительно оставаться вне рынка. Поэтому оценивать такую модель по самым первым шагам обучения не совсем корректно. Важнее смотреть динамику на нескольких промежуточных состояниях.
Онлайн-обучение устроено иначе. Там модель фактически начинает с исследования среды и может совершать почти случайные торговые операции. Поэтому большое количество убыточных сделок на начальном этапе вполне ожидаемо. По мере накопления опыта и реакции на вознаграждение модель постепенно формирует свою политику поведения.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Нейросети в трейдинге: Внимание, память и рыночные паттерны в GDformer (Окончание):
В статье завершается адаптация фреймворка GDformer для прикладных задач трейдинга. Реализована архитектура анализа рыночного состояния, объединяющая механизмы глобального сопоставления паттернов GDformer и контекстный анализ ReGEN-TAD. Рассмотрены организация вычислительных магистралей, распределение градиентов в многопоточной модели и интеграция компонентов в единую систему. Практическое тестирование на данных EURUSD показало устойчивую работу модели, положительную доходность и способность учитывать контекст формирования рыночных сигналов.
Обучение модели организовано в два этапа. Такой подход позволяет сначала сформировать устойчивое представление о структуре рынка, а затем проверить, насколько хорошо модель способна адаптироваться к изменяющейся динамике уже в процессе последовательной работы.
На первом этапе выполняется офлайн-обучение на архиве котировок EURUSD H1 за 2025 год. Здесь модель изучает характерные рыночные состояния, выявляет повторяющиеся структуры и формирует внутренние взаимосвязи между различными режимами поведения цены. Именно на этом этапе закладывается базовое понимание рыночной динамики и формируется первоначальный набор выученных паттернов.
Однако финансовый рынок постоянно меняется. Даже устойчивые зависимости со временем начинают трансформироваться под воздействием новых условий, изменения волатильности и смены характера движения цены. Поэтому вторым этапом используется онлайн-обучение непосредственно в тестере стратегий MetaTrader 5. В этом режиме модель продолжает адаптацию уже во время последовательного прохождения данных, постепенно уточняя внутренние представления о рынке по мере развития текущей ситуации.
Тестирование проводилось на данных января–апреля 2026 года, то есть сразу после завершения периода основного обучения. Такой подход позволяет оценить, насколько хорошо модель переносит накопленные знания на следующий рыночный участок и способна ли она сохранять устойчивость при естественном изменении рыночного контекста без дополнительного переобучения системы.
Автор: Dmitriy Gizlyk