Обсуждение статьи "Нейросети в трейдинге: Принятие торговых решений с учётом неопределённости (Окончание)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Принятие торговых решений с учётом неопределённости (Окончание):

В статье мы доводим адаптацию фреймворка UncAD до цельной торговой архитектуры. Ранее реализованные блоки плотности рыночных состояний, оценки неопределённости, прогнозирования и планирования объединяются в модуль CNeuronUncAD. Затем система обучается на исторических данных EURUSD H1 и проходит проверку в MetaTrader 5. Итоги показывают практический потенциал подхода, но честно указывают на главный вызов — контроль просадки и усиление риск-менеджмента.

На первом этапе выполняется офлайн-обучение на архиве котировок EURUSD H1 за 2025 год. Этот участок используется как основная обучающая среда. Здесь модель изучает характерные состояния рынка, выявляет повторяющиеся структуры и формирует внутренние связи между режимами поведения цены. В этот период она накапливает первичный опыт: где цена чаще задерживается, где движение становится более резким, как меняется волатильность и какие сочетания признаков чаще предшествуют тем или иным сценариям.

Для нашей архитектуры этот этап особенно важен. UncAD работает не только с текущим набором признаков, но и с представлением рыночной плотности. Поэтому в процессе обучения модель должна не просто запомнить отдельные фрагменты истории, а сформировать карту состояний. Затем с этой картой будет сопоставляться новая рыночная ситуация. Чем лучше построена внутренняя карта, тем осмысленнее становится оценка неопределённости. В знакомых областях модель может действовать увереннее. В редких или противоречивых зонах она получает основание снизить доверие к прогнозу.

Однако рынок не стоит на месте. Даже устойчивые зависимости постепенно меняются. Волатильность может перейти в другой режим. Трендовый участок может смениться затяжной консолидацией. Реакция цены на одни и те же сигналы может стать слабее или резче. Поэтому одного офлайн-обучения недостаточно. Оно даёт стартовую базу, но не решает задачу адаптации полностью. В реальной торговле модель должна не только помнить прошлое, но и аккуратно подстраиваться под настоящее.

Тестирование проводилось на данных января–апреля 2026 года. Это следующий рыночный участок после завершения основного обучения. Такой порядок позволяет оценить переносимость выученных представлений. Мы не проверяем модель на том же участке, где она формировала первичную карту рынка. Напротив, она получает новый фрагмент истории, в котором уже могут проявляться другие соотношения волатильности, направления движения и локальных рыночных режимов.

Автор: Dmitriy Gizlyk