Обсуждение статьи "Нейросети в трейдинге: Диффузионная генерация торговых планов (Сценарный расчёт)"
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: Диффузионная генерация торговых планов (Сценарный расчёт):
Продолжаем торговую адаптацию DPCC и объединяем ранее разработанные OpenCL-кернелы в два класса MQL5: CNeuronScenarioRolloutOCL для сценарного расчёта торговых планов и CNeuronPlanProjectionOCL для их коррекции с учётом ограничений. Разбираем организацию данных, взаимодействие классов, поиск поправок и повторную проверку финансовых последствий. Показываем, как использовать эти механизмы в собственных моделях и различать допустимый план, исчерпание бюджета поиска и ошибку вычислений.
Предположим, через несколько баров планируется донабор позиции. Сейчас свободной маржи достаточно. Но после движения цены против сделки средства могут уменьшиться. Прежний объём окажется слишком большим. Поэтому нужно проверять всю последовательность действий с учётом будущих состояний счёта.
Продолжим адаптацию фреймворка Diffusion Predictive Control with Constraints (DPCC). В авторском методе диффузионная модель генерирует состояния и действия. После формирования очередного предложения и добавления шума применяется проекция по динамике и ограничениям. Исправленная траектория поступает на следующий обратный шаг. В нашей постановке генератор предлагает только действия, а состояния счёта вычисляются по ценовым сценариям. Сегодня подготовим расчётчик и проектор. Позднее их взаимодействие войдёт в сам процесс генерации.
В первой статье мы разобрали DPCC и его торговую адаптацию. Два OpenCL-кернела проводят счёт через горизонт планирования, сохраняют состояния и выявляют нарушения.
Во второй статье перешли к поиску поправок. Семь новых OpenCL-кернелов сохраняют оригинал, формируют варианты действий, оценивают последствия и выбирают поправку по нарушениям. Мы предусмотрели повторную проверку и бюджет поиска. Теперь эти операции нужно связать с MQL5-классами.
Создадим два слоя: CNeuronScenarioRolloutOCL для расчёта и CNeuronPlanProjectionOCL для коррекции. Разберём данные, ключевые методы и взаимодействие объектов. Это подготовит их к использованию в торговой модели DPCC.
Автор: Dmitriy Gizlyk