Обсуждение статьи "Нейросети в трейдинге: Управление риском через распределение результатов (Вычислительная основа)"
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: Управление риском через распределение результатов (Вычислительная основа):
Продолжаем адаптацию AC-SRM к торговым задачам и переносим основные операции с распределением результатов на сторону OpenCL. Реализованы выборка из распределения, расчет спектральных весов и риск-чувствительная оценка, а также градиенты по значениям и вероятностям с учетом пути через квантильное кодирование. Полученные примитивы позволяют оценивать возможные торговые результаты с заданным отношением к риску и формировать согласованный обучающий сигнал для распределительной модели.
В предыдущей статье мы разобрали эту постановку и начали ее практическую адаптацию. Прежде всего нам понадобилось распределительное представление результата. Основой для него служит уже реализованная в нашей библиотеке полностью параметризованная квантильная функция FQF. Для обучения по одному наблюдению мы подготовили кернел FQF_DistributionTargetGradient. Он находит представителя распределения, ближайшего к целевому результату, и формирует градиенты по его значению и вероятности. Так очередной наблюдаемый исход становится основой для уточнения соответствующей области распределения.
Этой теме посвятим текущую статью. Сначала подготовим выборку из распределения, чтобы получать отдельный возможный результат без переноса всего массива на CPU. Затем перейдем к спектральным весам, прямой оценке и ее градиентам. Все новые операции разместим на стороне OpenCL рядом с существующими примитивами библиотеки.
Автор: Dmitriy Gizlyk