Начинаем адаптацию фреймворка D2Skill к нейронной торговой политике: навыки формируются из повторяющихся псевдоостатков и применяются как аддитивные коррекции в латентном пространстве. Реализуется элемент CD2SkillItem на MQL5/OpenCL с GPU‑конвейером обновления в двух представлениях (полный остаток и направление + масштаб). Контролируемый эксперимент оценивает косинусное сходство, ошибку реконструкции и вклад коррекции в функцию потерь. Читатель получает готовый блок и методику проверки для последующего банка навыков.
Полный D2Skill должен определить:
к какому состоянию относится коррекция,
когда её применять,
какую пользу она принесла на завершённой траектории.
Но начинать с большого банка преждевременно. Сначала нужно проверить базовую гипотезу: способна ли последовательность псевдоостатков сформировать устойчивый навык и уменьшить заданную ошибку относительно режима без коррекции.
Повторяемости недостаточно: сходные градиенты могут относиться к разным рыночным условиям, а стабильная коррекция может не улучшать результат траектории. Эти вопросы будут решать ключ состояния, жизненный цикл банка и оценка полезности. В первой статье мы сознательно изолируем один элемент и проверяем только его способность накопить согласованный сигнал.
В статье мы кратко разберём авторский фреймворк, реализуем базовый элемент CD2SkillItem и рассмотрим его GPU-конвейер. Затем проведём контролируемый эксперимент, сравним два представления навыка и выберем вариант для дальнейшего построения динамического банка.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Нейросети в трейдинге: Двухуровневая адаптация торговой политики (D2Skill):
Начинаем адаптацию фреймворка D2Skill к нейронной торговой политике: навыки формируются из повторяющихся псевдоостатков и применяются как аддитивные коррекции в латентном пространстве. Реализуется элемент CD2SkillItem на MQL5/OpenCL с GPU‑конвейером обновления в двух представлениях (полный остаток и направление + масштаб). Контролируемый эксперимент оценивает косинусное сходство, ошибку реконструкции и вклад коррекции в функцию потерь. Читатель получает готовый блок и методику проверки для последующего банка навыков.
Полный D2Skill должен определить:
Но начинать с большого банка преждевременно. Сначала нужно проверить базовую гипотезу: способна ли последовательность псевдоостатков сформировать устойчивый навык и уменьшить заданную ошибку относительно режима без коррекции.
Повторяемости недостаточно: сходные градиенты могут относиться к разным рыночным условиям, а стабильная коррекция может не улучшать результат траектории. Эти вопросы будут решать ключ состояния, жизненный цикл банка и оценка полезности. В первой статье мы сознательно изолируем один элемент и проверяем только его способность накопить согласованный сигнал.
В статье мы кратко разберём авторский фреймворк, реализуем базовый элемент CD2SkillItem и рассмотрим его GPU-конвейер. Затем проведём контролируемый эксперимент, сравним два представления навыка и выберем вариант для дальнейшего построения динамического банка.
Автор: Dmitriy Gizlyk