Обсуждение статьи "Нейросети в трейдинге: Диффузионная генерация торговых планов (Окончание)"

Новый комментарий

Опубликована статья Нейросети в трейдинге: Диффузионная генерация торговых планов (Окончание):

Завершаем адаптацию DPCC к задачам финансовых рынков. На основе ранее разработанной торговой модели AC-SRM объединяем диффузионного Актёра, прогноз ценовых сценариев и двух распределительных Критиков. Рассматриваем подготовку рыночного представления, обучение на исторических планах и последующие TD-обновления торговой политики. Представляем результаты тестирования на EURUSD H1 за январь–май 2026 года. Несмотря на положительный финансовый результат, существенная просадка и ограниченный объём испытаний не позволяют делать выводы об устойчивости модели.

Отдельное торговое действие может выглядеть привлекательным, но последовательность таких решений способна привести к нехватке маржи и глубокой просадке. Поэтому при построении торговой политики необходимо оценивать не только следующую сделку, но и возможные изменения состояния счёта.

В серии статей по DPCC рассматриваем планирование на несколько шагов. Модель формирует последовательности действий. В режимах с коррекцией финансовый расчётчик проверяет их по ценовым сценариям, а проектор ищет локальные поправки. Изменяются торговые действия, а не прогнозируемые цены.

В предыдущих частях мы подготовили OpenCL-примитивы, сценарный расчётчик, проектор и диффузионный генератор. Теперь включим эти компоненты в торговую модель на основе нашей адаптации фреймворка AC-SRM. Рыночный энкодер и распределительные критики сохраняем. Непосредственное формирование действия заменяем диффузионным планированием. Для финансовой проверки добавим декодер ценовых траекторий.

Если допустимый план не найден, система задаёт нулевую целевую позицию и направляет операции для выхода из рынка. Это защитное решение, а не команда удерживать прежнюю позицию. Его исполнение зависит от торговых условий и не исключает издержек закрытия.

Рассмотрим архитектуру моделей, подготовку исторических планов и последовательное обучение торговой политики. Основной результат статьи — реализация этого вычислительного маршрута. Порядок запуска и параметры этапов приведены в пресетах приложения.

Основу заимствуем из нашей торговой адаптации AC-SRM на MQL5 и OpenCL. Её устройство представлено в заключительной статье серии AC-SRM. Энкодер рыночного состояния содержит входной слой, нормализацию, Dropout, CNeuronCogDriverData, CNeuronCogDriverRankTCM, CNeuronOMPBOCL и CNeuronScenarioForecast. Критики включают сценарное внимание и распределительную голову CNeuronACSRM. Повторно разбирать эти компоненты не будем. Остановимся на изменениях и новой архитектуре Актёра.

Автор: Dmitriy Gizlyk

Новый комментарий