Обсуждение статьи "Нейросети в трейдинге: Адаптация прогноза при смене рыночного режима (OpenCL примитивы)"

Новый комментарий
 

Опубликована статья Нейросети в трейдинге: Адаптация прогноза при смене рыночного режима (OpenCL примитивы):

Статья продолжает практическую реализацию фреймворка OMPB для адаптации прогнозных моделей к смене рыночного режима. Рассматриваем вычислительную декомпозицию фреймворка и реализуем недостающие OpenCL-примитивы: ограниченный Disagreement, распространение градиента Mismatch и поэлементный расчёт KL-дивергенции для байесовского слоя. Полученные компоненты образуют параллельную GPU-основу без переноса больших промежуточных тензоров на CPU и подготавливают сборку полноценного OMPB-слоя в библиотеке нейронных сетей MQL5.

Прогнозная модель изучает рынок по исторической выборке. Она запоминает связи между ценой, волатильностью, объёмом и другими признаками. Эти связи со временем меняются. Иной становится глубина коррекций и распределение ликвидности. Участники по-другому реагируют на новости и процентные ожидания. Модель продолжает выдавать численно корректный прогноз, но его эффективность снижается.

Полное переобучение решает эту проблему лишь частично. Для нового режима сначала нужна достаточная выборка. Обучение занимает время и может разрушить знания о прежних состояниях рынка. Такой риск особенно заметен в торговых системах. Режимы здесь не только сменяются, но и возвращаются.

Авторы фреймворка OMPB предлагают сохранить базовую прогнозную модель. Поверх неё размещается компактная байесовская голова с затвором. Она корректирует базовый прогноз и ограничивает масштаб вмешательства. При закрытом затворе система использует исходный результат. Базовая модель при этом не изменяется.

Калибровка учитывает:

  • риск на исходной области Source;
  • расхождение между Source и целевой областью Target;
  • сложность апостериорного распределения;
  • штраф за его сдвиг.

Риск удерживает связь с уже изученным режимом. Расхождение показывает, как несколько реализаций posterior реагируют на свежие данные. Уровень сложности ограничивает масштаб адаптации. Вместе эти величины образуют вычислимую часть мартингальной PAC-Bayes оценки.

В оригинальном OMPB калибровка выполняется по протоколу Predict-Then-Update. Сначала строится прогноз. Затем становится известен фактический результат. Только после этого байесовская голова может обновиться. Текущий результат влияет только на будущие прогнозы и не влияет на уже принятое решение. Для тестирования торговой модели это обязательное условие.


Автор: Dmitriy Gizlyk

Новый комментарий