LSTM Library

Профессиональная библиотека нейронных сетей для алгоритмической торговли

LSTM Library предоставляет мощность рекуррентных нейронных сетей для ваших торговых стратегий в MQL5. Эта профессиональная реализация включает сети LSTM, BiLSTM и GRU с продвинутыми функциями, обычно доступными только в специализированных фреймворках машинного обучения.

Ключевые особенности

• Полная реализация LSTM, BiLSTM и GRU
• Рекуррентный дропаут для лучшей генерализации
• Множественные алгоритмы оптимизации (Adam, AdamW, RAdam)
• Продвинутые методы нормализации
• Комплексная система оценки метрик
• Визуализация прогресса обучения
• Поддержка несбалансированных данных с весами классов

Технические характеристики

• Чистая реализация на MQL5 - без внешних зависимостей
• Оптимизирована для торговых приложений
• Комплексная обработка и валидация ошибок
• Полная поддержка сохранения/загрузки обученных моделей
• Обширная документация

Инструкции по интеграции

Чтобы интегрировать LSTM Library в ваш Expert Advisor, следуйте этим шагам:

1. Полный импорт библиотеки

#import "LSTM_Library.ex5"
   // Информация о библиотеке
   void GetLibraryVersion(string &version);
   void GetLibraryInfo(string &info);
   
   // Управление моделями
   int CreateModel(string name);
   int DeleteModel(int handle);
   
   // Конструирование слоев
   int AddLSTMLayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddLSTMLayerEx(int handle, int units, int input_size, int seq_len, bool return_seq, double recurrent_dropout);
   int AddGRULayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddBiLSTMLayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddBiLSTMLayerEx(int handle, int units, int input_size, int seq_len, bool return_seq, double recurrent_dropout);
   int AddDenseLayer(int handle, int input_size, int units, int activation);
   int AddDropoutLayer(int handle, double rate);
   int AddBatchNormLayer(int handle, int size);
   int AddLayerNormLayer(int handle, int size);
   
   // Компиляция и обучение
   int CompileModel(int handle, int optimizer, double lr, int loss);
   int SetClassWeights(int handle, double &weights[], int n_classes);
   int EnableConfusionMatrixTracking(int handle, int n_classes);
   int GetConfusionMatrix(int handle, int &confusion_matrix[]);
   int FitModel(int handle, double &X_train[], double &y_train[], int n_train, int input_dim,
             double &X_val[], double &y_val[], int n_val, int epochs, int batch);
   
   // Прогнозирование и оценка
   int PredictSingle(int handle, double &input_data[], int input_size, double &output_data[]);
   int PredictBatch(int handle, double &X[], int n_samples, int input_dim, double &predictions[]);
   double EvaluateModel(int handle, double &X[], double &y[], int n_samples, int input_dim);
   double CalculateClassificationMetrics(double &y_true[], double &y_pred[], int n_samples, int n_classes,
                               double &precision[], double &recall[], double &f1[]);
   
   // Предобработка данных
   int CreateScaler();
   int DeleteScaler(int handle);
   int FitScaler(int handle, double &data[], int samples, int features);
   int TransformData(int handle, double &data[], double &transformed[], int samples, int features);
   int InverseTransform(int handle, double &transformed[], double &original[], int samples, int features);
   int FitTransformData(int scaler, double &data[], double &transformed[], int samples, int features);
   
   // Колбэки и планировщики
   int AddEarlyStopping(int handle, int patience, double min_delta);
   int AddProgressBar(int handle, int epochs);
   int AddCosineScheduler(int handle, double base_lr, int T_0, int T_mult);
   int AddOneCycleLR(int handle, double max_lr, int total_steps);
   
   // Утилиты
   int PrintModelSummary(int handle);
   int SetModelTrainingMode(int handle, int training);
   int GetModelTrainingMode(int handle);
   int SaveModel(int handle, string filename);
   int LoadModel(int handle, string filename);
   int SaveHistory(int handle, string filename);
   void CleanupAll();
   int GetActiveModelsCount();
   int GetActiveScalersCount();
#import

2. Инициализация в OnInit()

int model_handle = 0;

int OnInit()
{
   // Создание LSTM модели
   model_handle = CreateModel("TradingModel");
   if(model_handle <= 0)
      return INIT_FAILED;
      
   // Добавление слоев
   if(AddLSTMLayer(model_handle, 32, 5, 10, false) <= 0)
      return INIT_FAILED;
      
   if(AddDropoutLayer(model_handle, 0.2) <= 0)
      return INIT_FAILED;
      
   if(AddDenseLayer(model_handle, 32, 1, 1) <= 0)
      return INIT_FAILED;
   
   // Компиляция модели (оптимизатор Adam, функция потерь MSE)
   if(CompileModel(model_handle, 1, 0.001, 0) <= 0)
      return INIT_FAILED;
   
   // Загрузка существующей модели, если доступна
   if(FileIsExist("model.bin"))
      LoadModel(model_handle, "model.bin");
   
   return INIT_SUCCEEDED;
}

3. Очистка в OnDeinit()

void OnDeinit(const int reason)
{
   if(model_handle > 0)
   {
      SaveModel(model_handle, "model.bin");
      DeleteModel(model_handle);
   }
   
   CleanupAll();
}

4. Использование в OnTick()

void OnTick()
{
   // Подготовка признаков
   double features[50];  // Например, 5 признаков * 10 длина последовательности
   
   // Заполнение массива признаков данными рынка
   // ...
   
   // Прогнозирование
   double prediction[];
   if(PredictSingle(model_handle, features, ArraySize(features), prediction) > 0)
   {
      if(prediction[0] > 0.5)
      {
         // Бычий сигнал - размещение ордера на покупку
      }
      else
      {
         // Медвежий сигнал - размещение ордера на продажу
      }
   }
}

Доступные продвинутые функции

Варианты рекуррентных слоев

• AddLSTMLayerEx() - LSTM с рекуррентным дропаутом для лучшей генерализации
• AddBiLSTMLayerEx() - Двунаправленный BiLSTM с рекуррентным дропаутом

Нормализация и регуляризация

• AddBatchNormLayer() - Батч-нормализация для стабильного обучения
• AddLayerNormLayer() - Нормализация слоев

Обработка несбалансированных данных

• SetClassWeights() - Установка весов для миноритарных классов
• EnableConfusionMatrixTracking() - Детальный мониторинг производительности по классам

Продвинутая оптимизация

• AddCosineScheduler() - Циклические скорости обучения с теплыми рестартами
• AddOneCycleLR() - Реализация One-Cycle Learning Rate

Комплексная оценка

• PredictBatch() - Пакетные прогнозы для повышения эффективности
• EvaluateModel() - Полная оценка на тестовых данных
• CalculateClassificationMetrics() - Детальные метрики (точность, полнота, F1)

Предобработка данных

• CreateScaler/FitScaler - Нормализация входных данных
• TransformData/InverseTransform - Преобразование между масштабами

Требования

• MetaTrader 5
• Базовое понимание концепций машинного обучения
• Средние навыки программирования на MQL5

УСИЛЬТЕ СВОИ ТОРГОВЫЕ СИСТЕМЫ

Преобразуйте ваши существующие стратегии и индикаторы с помощью машинного обучения непосредственно в MQL5. Эта прямая интеграция означает отсутствие внешних соединений, зависимостей от Python и сложностей API - только чистая предиктивная мощность внутри вашей торговой платформы.

Независимо от того, разрабатываете ли вы системы прогнозирования цен, прогнозирования волатильности или продвинутого распознавания паттернов, LSTM Library предоставляет основу для по-настоящему интеллектуальных торговых решений, которые адаптируются к изменяющимся рыночным условиям.

Ключевые слова: LSTM Прогнозирование акций, LSTM Прогнозирование цен, Торговля с нейронными сетями, MQL5 Глубокое обучение, Прогнозирование временных рядов, Форекс машинное обучение, Торговля криптовалютой с ИИ, Распознавание рыночных паттернов, BiLSTM Торговая система, GRU Анализ рынка, Алгоритмическая торговля с ИИ, MQL5 Глубокое обучение, Прогнозирование направления цены, Машинное обучение для HFT