Обсуждение статьи "Сеточный советник на клеточном автомате с онлайн-обучением в MQL5 (Часть III): Живой граф признаков"

[MetaQuotes]

Опубликована статья Сеточный советник на клеточном автомате с онлайн-обучением в MQL5 (Часть III): Живой граф признаков:

Третья статья серии вводит обучаемый граф признаков в архитектуре Cellular10K: веса связей feature → feature онлайн усиливаются после верных прогнозов и ослабляются после ошибок. Разбираются мягкая инициализация, шаг message passing, локальное правило обучения в стиле Хебба, ограничение весов, нормировка и decay. Показана интеграция с клеточным автоматом и бинарным предиктором, а также метрики диагностики и практические пороги запуска для контроля переобучения.

В предыдущей части этой серии мы перевели архитектуру Cellular10K из классической сетки в графовую форму. Признаки перестали быть просто массивом feat[50], а клетки клеточного автомата получили не только геометрические соседства, но и логические связи по признакам, стратегиям и дальним small-world-хордам. Это был важный шаг: модель начала мыслить не плоской решёткой, а сетью взаимодействующих агентов.

Но у фиксированного графа остаётся фундаментальное ограничение. Если мы заранее прописали, что momentum связан с trend strength, RSI — с Bollinger, а volatility — с ATR, то мы снова внесли в систему жёсткую гипотезу. Да, она умнее обычной сетки, но всё ещё статична. Рынок же меняется: сегодня объём подтверждает пробой, завтра тот же объём оказывается ловушкой; сегодня RSI работает как разворотный индикатор, завтра он просто показывает силу тренда.

По этой причине третий шаг архитектуры — сделать граф обучаемым, а не фиксированным. Теперь связи между признаками усиливаются, если совместно приводят к прибыльному прогнозу, и ослабляются, если их совместное влияние ведёт к ошибке. В результате система получает не только 10 000 адаптивных клеток, но и живую структуру признакового пространства.

Автор: Yevgeniy Koshtenko