Обсуждение статьи "Расстояние Вассерштейна для обнаружения дрейфа признаков в реальном времени на MQL5: Мониторинг входных данных модели ONNX методами оптимального транспорта"
В этой статье реализован легковесный механизм защиты от дрейфа в пространстве признаков на MQL5 с использованием одномерного расстояния Вассерштейна-1: оценка методом сортировки и попарного сопоставления для окон одинакового размера, нормировка по межквартильному размаху (IQR) для каждого признака и фильтрация как по взвешенной сводной оценке, так и по максимальной статистике. Настройки задаются в манифесте JSON (размеры окон, веса, пороговые значения для предупреждений и критических состояний, действия). Детектор работает параллельно с классификатором ONNX; его работа проверяется в тестере стратегий, а результаты приводятся с явным указанием оговорок.
Большинство систем мониторинга дрейфа для моделей ONNX, работающих в реальном времени, отслеживают только средние значения и стандартные отклонения признаков. Этого достаточно для простых сдвигов уровня или волатильности, но такой подход не выявляет изменения формы распределения, при которых сохраняются первые два момента, — например, когда распределение признака из одномодального становится бимодальным, а среднее значение остается почти неизменным. Модель, обученная в прежнем режиме, продолжает работать в уже незнакомой ей области пространства входных данных.
В этой статье создается детектор, который анализирует все распределение, а не лишь несколько сводных статистических показателей, используя одномерное расстояние Вассерштейна-1 (расстояние землекопа), заимствованное из теории оптимального транспорта. По фиксированной эталонной выборке и текущей скользящей выборке детектор измеряет минимальный объем «работы», необходимый для преобразования одной в другую. Для выборок одинакового размера W1 вычисляется по простой явной формуле на основе отсортированных значений, поэтому вычисления для каждого признака в работающем советнике MetaTrader 5 требуют достаточно мало ресурсов, чтобы не превращать OnTick в узкое место.
Место этой статьи в серии: в отличие от предыдущей статьи об ADWIN/Page-Hinkley, здесь метод сравнивает эмпирические распределения, а не отслеживает точку изменения одной статистики. Эти два подхода дополняют друг друга.
Реализация включает модуль формирования восьми признаков, детектор на основе расстояния Вассерштейна-1 для каждого признака с порогами и действиями, задаваемыми манифестом, модель ONNX для прогнозирования направления, расчет размера позиции на основе ATR, а также автономный конвейер на Python для обучения и проверки на синтетических данных.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Расстояние Вассерштейна для обнаружения дрейфа признаков в реальном времени на MQL5: Мониторинг входных данных модели ONNX методами оптимального транспорта:
Большинство систем мониторинга дрейфа для моделей ONNX, работающих в реальном времени, отслеживают только средние значения и стандартные отклонения признаков. Этого достаточно для простых сдвигов уровня или волатильности, но такой подход не выявляет изменения формы распределения, при которых сохраняются первые два момента, — например, когда распределение признака из одномодального становится бимодальным, а среднее значение остается почти неизменным. Модель, обученная в прежнем режиме, продолжает работать в уже незнакомой ей области пространства входных данных.
В этой статье создается детектор, который анализирует все распределение, а не лишь несколько сводных статистических показателей, используя одномерное расстояние Вассерштейна-1 (расстояние землекопа), заимствованное из теории оптимального транспорта. По фиксированной эталонной выборке и текущей скользящей выборке детектор измеряет минимальный объем «работы», необходимый для преобразования одной в другую. Для выборок одинакового размера W1 вычисляется по простой явной формуле на основе отсортированных значений, поэтому вычисления для каждого признака в работающем советнике MetaTrader 5 требуют достаточно мало ресурсов, чтобы не превращать OnTick в узкое место.
Место этой статьи в серии: в отличие от предыдущей статьи об ADWIN/Page-Hinkley, здесь метод сравнивает эмпирические распределения, а не отслеживает точку изменения одной статистики. Эти два подхода дополняют друг друга.
Реализация включает модуль формирования восьми признаков, детектор на основе расстояния Вассерштейна-1 для каждого признака с порогами и действиями, задаваемыми манифестом, модель ONNX для прогнозирования направления, расчет размера позиции на основе ATR, а также автономный конвейер на Python для обучения и проверки на синтетических данных.
Автор: Olamide Daniel Adebayo