Обсуждение статьи "Нейросети в трейдинге: Долговременная память торговых сценариев (Объект верхнего уровня)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Долговременная память торговых сценариев (Объект верхнего уровня):

В статье показано, как двухуровневая RAG-память включается в процесс выбора торгового действия через объект CNeuronVLADriverRAGMPI. Механизм сопоставляет текущие предпочтения Актёра с историческими действиями и их результативностью, ограничивает влияние слабых аналогий с помощью Null Scenario и формирует остаточную контекстную поправку. Такой подход позволяет учитывать положительный и отрицательный опыт, сохраняя приоритет текущего состояния рынка.

В первой статье мы определили элементарную ячейку такого опыта и подготовили операции сравнения и консолидации. Во второй статье отдельные ячейки были объединены в ограниченную двухуровневую память CNeuronRAGMemory. Первый уровень сопоставляет текущий ScenarioEmbedding с центроидами рыночных сценариев. Второй извлекает из наиболее релевантных сценариев фактически исполненные действия, их взвешенную релевантность и средний результат. На выходе формируется компактная последовательность RAG-токенов.

Такое устройство является уже нашей торговой адаптацией. В авторском фреймворке дорожные примеры проецируются в общий контекст VLA-модели вместе с визуальными признаками и навигационной инструкцией. Планировщик использует их при синтезе новых координат пути и скорости. В торговой системе мы сохраняем тот же принцип: найти контекст, но сформировать новое решение. Однако верхнеуровневая политика получает не дорожную демонстрацию, а опыт действий внутри релевантных рыночных сценариев.

Однако результат поиска ещё не является торговым решением. Память не сообщает, куда пойдёт цена, и не выбирает действие вместо модели. Она лишь показывает, какие действия наблюдались после похожей рыночной предыстории и насколько успешными они были. Актёр должен сопоставить этот опыт со своими текущими кандидатами, оценить пригодность найденного контекста и сохранить приоритет текущего состояния рынка.

В этой статье мы решим именно эту задачу. Построим объект верхнего уровня CNeuronVLADriverRAGMPI и проследим путь от кандидатов до итогового представления действия. Основное внимание уделим функциональной логике. Проследим, как формируются текущие предпочтения, когда память допускается к расчёту и каким образом исторические действия корректируют выбор.

Автор: Dmitriy Gizlyk