Обсуждение статьи "Нейронные аддитивные модели в MQL5: Точное определение вклада признаков в торговый сигнал"
Удобно, что вклады складываются в итог: сумма выходов подсетей плюс смещение должна давать сигнал до последнего знака, и это стоит проверять в советнике на каждом баре как защиту от ошибки в формулах признаков. Про входы вне обучающего диапазона: подсеть на ReLU за краем данных продолжает линию последнего участка, и вклад одного признака может перекрыть все остальные. Я бы обрезал каждый признак по минимуму и максимуму обучающей выборки и писал в журнал, сколько баров за день попало под обрезку.
Опубликована статья Нейронные аддитивные модели в MQL5: Точное определение вклада признаков в торговый сигнал:
Любой метод обеспечения объяснимости, применяемый к торговой модели постфактум, дает обещание, которое не может полностью выполнить. Значения SHAP приближенно описывают работу сети типа "черный ящик" посредством возмущения входных данных и усреднения полученного эффекта. На графиках частичной зависимости используется усреднение по фоновому набору данных в надежде, что взаимодействия нивелируются. Оба подхода полезны, и оба представляют собой предположения о модели, реальные внутренние вычисления которой никто не может напрямую продемонстрировать.
Нейронная аддитивная модель (NAM) полностью исключает необходимость делать предположения. В отличие от полносвязной сети, в которой уже ко второму слою все входы связаны друг с другом, нейронная аддитивная модель (NAM) выделяет каждому признаку собственную небольшую подсеть, а итоговый прогноз представляет собой просто сумму выходов этих подсетей. Этап аппроксимации отсутствует, поскольку аппроксимировать нечего — вклад признака i в прогноз буквально равен выходу подсети i. Постройте график — и вы увидите собственную внутреннюю арифметику модели, а не ее реконструкцию.
В этой статье представлена реализация данной архитектуры для MetaTrader 5. В ней модель NAM с пятью признаками обучается в PyTorch, экспортируется в ONNX и запускается в советнике, который на каждом закрытом баре считывает как сигнал, так и точный вклад каждого признака. К статье прилагаются три файла: подключаемый файл с классом-оберткой для ONNX-модели, сам советник и скрипт на Python для обучения и экспорта модели. Ниже каждый из них подробно разобран с приведением реального кода, а не только описан словами.
Автор: Adesewa Tolulope Gbadebo