Обсуждение статьи "Интеграция MQL5 с пакетами обработки данных (часть 8): Использование графовых нейронных сетей для выявления зон ликвидности"

Новый комментарий
 

Опубликована статья Интеграция MQL5 с пакетами обработки данных (часть 8): Использование графовых нейронных сетей для выявления зон ликвидности:

В этой статье показано, как представить рыночную структуру в MQL5 в виде графа, представив максимумы и минимумы свингов как узлы графа с набором признаков. В статье обучается графовая нейронная сеть для оценки потенциальных зон ликвидности, после чего модель экспортируется в ONNX, а инференс в реальном времени выполняется в советнике. Рассматривается построение пайплайна данных, интеграция модели, визуализация зон на графике и использование сигналов для исполнения сделок по заданным правилам.

Модель и советник работают совместно, распределяя задачи между подготовкой данных, инференсом машинного обучения и исполнением сделок. Советник выступает в MetaTrader 5 как интерфейс работы с рынком в реальном времени, непрерывно собирая значения максимумов, минимумов и закрытия, а также тиковые объемы. На основе этих данных советник строит структурное представление рынка, определяя максимумы и минимумы свингов. Затем они организуются в граф, где каждая точка свинга становится узлом, а структурные связи между ними образуют ребра. Эти узлы дополняются признаками: ценовым уровнем, типом свинга и относительным расстоянием до соседних свингов. Подготовленные признаки узлов и ребра графа передаются обученной модели графовой нейронной сети (GNN). Модель обрабатывает граф и возвращает прогнозы, указывающие на вероятность или силу присутствия ликвидности вокруг каждого структурного уровня.

После завершения инференса модели советник интерпретирует полученные прогнозы, определяя торговые сигналы, пригодные для исполнения. Если модель определяет высокую вероятность того, что ликвидность сосредоточена выше текущей рыночной структуры, система может ожидать бычье движение и подготовиться к покупке. Прогнозируемая ликвидность ниже структуры, напротив, может сигнализировать о возможности продажи. Затем перед исполнением ордера советник применяет базовые правила управления сделками: проверяет условия спреда, подтверждает согласованность с текущей структурой рынка и рассчитывает параметры позиции. В рамках этого процесса модель машинного обучения распознает сложные паттерны ликвидности, а советник отвечает за операционные аспекты торговли. Это позволяет системе преобразовывать прогнозы ликвидности на основе графа в автоматическое исполнение сделок на покупку или продажу в торговой платформе.


Автор: Hlomohang John Borotho

 
Одна картинка стоит тысячи слов. Почему бы в статье о графике не привести хотя бы одну схему этого графика?
Новый комментарий