Обсуждение статьи "Сеточный советник на клеточном автомате с онлайн-обучением в MQL5 (Часть II): Новый уровень онлайн-адаптации"

[MetaQuotes]

Опубликована статья Сеточный советник на клеточном автомате с онлайн-обучением в MQL5 (Часть II): Новый уровень онлайн-адаптации:

Во второй части клеточный автомат переводится с решётки на граф. Признаки становятся вершинами графа с локальными и дальними small‑world связями, а клетки — агентами, которые взаимодействуют не только с геометрическими, но и со смысловыми соседями. Рассматриваются графовая фильтрация признаков, построение графа соседей, обновлённое голосование по согласованности и метрики Graph Coherence и Graph Health. Это снижает влияние одиночных выбросов и ускоряет распространение рыночных режимов при полной совместимости с MQL5.

У меня уже работает CA‑архитектура на 10 000 клеток: агенты голосуют, получают PnL, меняют стратегии и продолжают торговлю без остановки. Однако на практике выявились два прикладных узких места, которые снижают качество системы и требуют инженерного решения прямо в пайплайне.

Первое — вход: 50 признаков подаются как плоский вектор, где импульс, волатильность, RSI и Хёрст «не знают» о своих связях. В результате одиночный выброс индикатора легко превращается в ложный сигнал.

Второе — топология: решётка Мура распространяет смену режима слишком медленно, а геометрические соседи зачастую смыслово случайны. Одновременно сохраняются жёсткие эксплуатационные требования: реализация должна работать в MQL5, без матриц, без тяжёлого обучения и без просадки скорости в OnTick().

В этой статье мы формализуем проблему там, где она действительно теряет качество — в ExtractFeatures() и в определении соседей/веса голосования — и предлагаем практическую модернизацию, сохраняющую совместимость с существующим интерфейсом советника.

Автор: Yevgeniy Koshtenko