Обсуждение статьи "Нейросети в трейдинге: Управление риском через распределение результатов (Объект верхнего уровня)"
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 (Объект верхнего уровня):
Продолжаем адаптацию AC-SRM для задач финансовых рынков и вводим нейронный слой для риск-чувствительной оценки распределения возможных результатов. CNeuronACSRM упорядочивает прогнозируемые исходы, корректно выделяет нижний хвост распределения и возвращает градиенты в исходную индексацию FQF. В статье разбираются архитектура слоя, прямой и обратный проходы, а также влияние вероятностей на итоговую спектральную оценку риска.
Во второй статье мы подготовили OpenCL-примитивы для спектральной оценки. Реализовали выборку из распределения, прямой расчёт SRM и распространение градиента. Также учли влияние вероятностных масс на квантильное кодирование. Каждый примитив решает локальную задачу. Теперь их нужно объединить в один нейронный объект и согласовать общий поток данных в прямом и обратном направлении.
Но между готовыми примитивами и полноценным слоем остаётся ещё одна задача. В FQF вероятностные массы задают ширины адаптивных интервалов квантильной оси, а значения описывают оценки квантильной функции на связанных с ними уровнях. После очередного обновления эти значения не обязаны оставаться строго упорядоченными. Соседние представители могут поменяться местами. Для спектральной меры это критично, потому что риск-вес зависит от ранга результата.
В дальнейшем пары (pi, zi) используются как вычислительное представление для спектральной оценки. Это упрощение не превращает их в обычные атомы дискретного распределения. Временное упорядочивание позволяет корректно прочитать хвост в текущем SRM-расчёте, но не восстанавливает исходную адаптивную квантильную сетку FQF и не устраняет пересечение квантилей в самой модели.
Текущая статья посвящена устройству объекта нового SRM слоя. Проследим путь от готового распределения до спектральной оценки и обратно к градиенту. Основной вопрос — как временно упорядочить исходы, не разрушая структуру FQF, а затем вернуть корректирующий сигнал в исходную индексацию.
Автор: Dmitriy Gizlyk