Статья описывает переход от одного навыка к управляемому банку, где опыт хранится как векторные латентные коррекции и извлекается по контексту. Разбираем фильтры сходства, подтверждение Candidate, правила вытеснения с учётом Utility и защитные периоды. Реализация на MQL5 и OpenCL выполняет ключевые вычисления на GPU, что даёт воспроизводимый pipeline retrieval–update без смешения конфликтующих режимов рынка.
В первой части мы сознательно оставили весь банк за рамками эксперимента и работали с одним Skill. Это позволило проверить основу без влияния retrieval и правил отбора. Мы сравнили два представления коррекции, остановились на раздельном накоплении направления и масштаба и показали, что устойчивое направление сохраняется даже при отдельных выбросах. Одновременно был построен GPU-конвейер обновления и применения латентной поправки. Тем самым вопрос "может ли отдельный Skill вообще сформироваться и работать внутри нашей модели?" был закрыт.
Следующий шаг уже нельзя решить простым увеличением числа таких векторов. Разные состояния рынка способны давать разные, а иногда и противоположные псевдоостатки. Если направлять их в один накопитель, полезная структура снова исчезнет в усреднении. Если, наоборот, создавать новый элемент при каждом небольшом отклонении, память быстро заполнится почти одинаковыми навыками. Поэтому банк должен одновременно различать контексты, удерживать близкий опыт вместе, отделять конфликтующие направления и уметь отказаться от коррекции, когда подходящего Skill нет.
Именно этот переход от одиночной коррекции к управляемой памяти составляет предмет текущего этапа нашей работы. Сначала разберём решения, необходимые банку в торговой задаче. Затем проследим их в реализации: от поиска слота и формирования Candidate до жизненного цикла, Influence и Utility. В результате проследим путь данных: от текущего скрытого состояния до обновления памяти после завершения торговой последовательности.
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 (Банк навыков):
Статья описывает переход от одного навыка к управляемому банку, где опыт хранится как векторные латентные коррекции и извлекается по контексту. Разбираем фильтры сходства, подтверждение Candidate, правила вытеснения с учётом Utility и защитные периоды. Реализация на MQL5 и OpenCL выполняет ключевые вычисления на GPU, что даёт воспроизводимый pipeline retrieval–update без смешения конфликтующих режимов рынка.
В первой части мы сознательно оставили весь банк за рамками эксперимента и работали с одним Skill. Это позволило проверить основу без влияния retrieval и правил отбора. Мы сравнили два представления коррекции, остановились на раздельном накоплении направления и масштаба и показали, что устойчивое направление сохраняется даже при отдельных выбросах. Одновременно был построен GPU-конвейер обновления и применения латентной поправки. Тем самым вопрос "может ли отдельный Skill вообще сформироваться и работать внутри нашей модели?" был закрыт.
Следующий шаг уже нельзя решить простым увеличением числа таких векторов. Разные состояния рынка способны давать разные, а иногда и противоположные псевдоостатки. Если направлять их в один накопитель, полезная структура снова исчезнет в усреднении. Если, наоборот, создавать новый элемент при каждом небольшом отклонении, память быстро заполнится почти одинаковыми навыками. Поэтому банк должен одновременно различать контексты, удерживать близкий опыт вместе, отделять конфликтующие направления и уметь отказаться от коррекции, когда подходящего Skill нет.
Именно этот переход от одиночной коррекции к управляемой памяти составляет предмет текущего этапа нашей работы. Сначала разберём решения, необходимые банку в торговой задаче. Затем проследим их в реализации: от поиска слота и формирования Candidate до жизненного цикла, Influence и Utility. В результате проследим путь данных: от текущего скрытого состояния до обновления памяти после завершения торговой последовательности.
Автор: Dmitriy Gizlyk