Обсуждение статьи "Нейросети в трейдинге: Долговременная память торговых сценариев (Окончание)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Долговременная память торговых сценариев (Окончание):

В статье отдельные компоненты VLADriver-RAG объединяются в единую торговую систему с долговременной памятью завершённых сценариев. Показана последовательность подготовки рыночного представления, обучения Актёра и Критика, формирования базовой памяти и последующей адаптации модели с использованием найденного опыта. Практическая часть позволяет проследить весь цикл до проверки полученной системы на EURUSD H1 вне обучающей выборки.

В предыдущих статьях мы по частям собрали долговременную память для торговой модели. Сначала научились сохранять завершённый сценарий вместе с фактически выполненным действием и результатом. Затем организовали двухуровневое хранилище и поиск похожего опыта. После этого подключили найденные сценарии к MPI-политике, чтобы память могла корректировать предпочтения Актёра, но не подменяла оценку текущего рынка.

Теперь задача меняется. Отдельные классы уже работают, но трейдеру этого мало. Нужна законченная система, которую можно обучить, запустить в тестере и получить обычный торговый отчёт: сделки, прибыль, просадку и кривую баланса. На этом этапе особенно важно правильно состыковать предыдущие решения. Если энкодер, Актёр и модуль памяти работают в разных пространствах признаков, поиск теряет смысл. Если в память записывать каждое намерение модели, она быстро превращается в архив несостоявшихся решений.

Поэтому здесь рассматривается не добавление новых нейронных блоков, а согласование уже построенных компонентов. Сначала соберём полную модель VLADriver-RAG и проследим фактические потоки данных. Затем разберём порядок обучения: сначала формируется устойчивое представление рынка, потом в этом пространстве обучается торговая политика и строится Base Memory, и только после этого система переходит к последовательной адаптации.

Автор: Dmitriy Gizlyk