Обсуждение статьи "Нейросети в трейдинге: Долговременная память торговых сценариев (VLADriver-RAG)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Долговременная память торговых сценариев (VLADriver-RAG):

Описан перенос идей фреймворка VLADriver-RAG в торговые задачи: добавляется внешняя память завершённых эпизодов поверх нейросетевой политики. Формируется ячейка памяти с эмбеддингом рыночной сцены, нормированным действием и результатом, а близкие случаи группируются в центроиды сценария и действия. Реализованы ядра для косинусного скоринга и поиска ближайшей пары, позволяющие искать и уплотнять опыт.

Трейдер редко воспринимает рынок как совершенно новую ситуацию. Даже при беглом взгляде на график он сопоставляет происходящее с прошлым опытом: вспоминает выход из диапазона, неудачный разворот или ускорение тренда после коррекции. Такое сравнение не всегда формулируется словами, но заметно влияет на решение.

Один и тот же ценовой импульс действительно может означать разное. После длительного накопления он способен открыть новое движение. После уже состоявшегося роста тот же импульс может стать последним ускорением перед откатом. Формально свечи похожи, однако предыстория, положение внутри более длинного процесса и состояние открытой позиции требуют разных действий.

Нейросетевая модель обычно работает иначе. Она получает ограниченное окно баров, набор признаков, состояние счёта и параметры позиций. Этого достаточно для описания текущей сцены, но не всегда хватает, чтобы определить её место в более продолжительном рыночном сценарии.

Простое расширение входного окна не решает проблему: вместе с полезной историей растут шум и вычислительная нагрузка. Рекуррентные блоки, временные свёртки и механизмы внимания удерживают недавний контекст, но не позволяют адресно обратиться к эпизоду, завершившемуся несколько месяцев назад; буфер воспроизведения, как правило, влияет на веса при обучении и не предъявляется Актёру при выборе действия.

В результате прошлый опыт оказывается сжат в параметрах модели. Такое обобщение необходимо, однако оно стирает детали редких случаев. Сеть может усвоить общую закономерность, но не сохранить каждый необычный сценарий в форме, пригодной для последующего сравнения. Особенно остро это проявляется при смене режима, когда прежние связи уже ослабли, а новые ещё не стали устойчивыми.

Отсюда возникает практическая задача: дать торговой системе долговременную память, которая хранит завершённые эпизоды отдельно от параметров нейросети. При новом решении модель должна уметь найти близкий исторический случай и использовать его как дополнительный контекст.

Автор: Dmitriy Gizlyk