Обсуждение статьи "Нейросети в трейдинге: Адаптация прогноза при смене рыночного режима (OMPB)"
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Нейросети в трейдинге: Адаптация прогноза при смене рыночного режима (OMPB):
В статье разбирается фреймворк OMPB для онлайн-калибровки прогнозов при сдвиге распределения временных рядов. Рассматриваются архитектура, PAC-Bayes сертификат с учётом временной зависимости и измерение расхождения Mismatch между исходной и целевой областями. На практике начинается адаптация под MQL5: реализован байесовский линейный слой, который станет основой корректирующего модуля и позволит настраивать модель без полного переобучения.
Прогнозные модели для финансовых рынков обычно обучаются на исторических данных. Мы собираем выборку, настраиваем архитектуру и добиваемся приемлемой ошибки на данных, которые не участвовали в обучении. После этого модель можно включить в торговую систему. Но рынок продолжает меняться. Со временем новые наблюдения всё меньше похожи на те, на которых строилось обучение.
Изменяется волатильность. Меняется длительность направленных движений и глубина коррекций. Связи между ценой, объёмом и другими признаками могут усиливаться или ослабевать. Иногда меняется само распределение входных данных. Такой случай называют Covariate Shift. В других ситуациях привычное состояние рынка начинает приводить к другому будущему результату. Это уже Concept Shift. На рынке оба эффекта могут возникать одновременно.
Для обученной модели такая смена режима не выглядит как техническая ошибка. Размерность входов остаётся прежней. Все вычисления выполняются корректно. Модель продолжает выдавать прогноз. Проблема проявляется позже, когда его качество начинает снижаться. Несколько неудачных прогнозов ещё ничего не доказывают. Финансовые ряды содержат много шума. Но устойчивое смещение ошибки уже говорит о том, что модель хуже соответствует текущему рынку.
Самое простое решение — периодически переобучать всю сеть на свежих данных. Этот подход работает не всегда. Для нового режима сначала нужно накопить достаточную выборку. Полное обучение требует времени и вычислительных ресурсов. Есть и ещё один риск. Модель может хорошо подстроиться под последние данные и одновременно потерять полезные зависимости, найденные на предыдущих участках истории.
Интерес представляет более осторожная схема. Основную прогнозную модель можно сохранить, а адаптацию вынести в небольшой дополнительный блок. Такой блок должен исправлять устойчивую ошибку, но не менять прогноз без необходимости. Ему также нужен контроль величины коррекции. Иначе адаптация быстро превратится в обычное переобучение на последних наблюдениях.
Один из вариантов такого решения предложен в работе Model-Agnostic Online Certificate-Driven Calibration for Time Series Forecasting Under Distribution Shift. Авторы представили OMPB — модельно-независимый фреймворк онлайн-калибровки прогнозов. Он рассчитан на временные ряды с последовательной зависимостью и смещением распределения. Базовая прогнозная модель остаётся фиксированной. Адаптируется только небольшой байесовский корректирующий модуль.
Автор: Dmitriy Gizlyk