文章 "交易中的神经网络：状态空间模型"

[MetaQuotes]

新文章 交易中的神经网络：状态空间模型已发布：

到目前为止，我们审阅的大量模型都是基于变换器架构。不过，在处理长序列时，它们或许效率低下。在本文中，我们将领略一种替代方向，即基于状态空间模型的时间序列预测。

最段时间，大型模型适配新任务的范式变得越来越普遍。这些模型依据广泛的数据集进行预训练，其中包含来自各种领域的任意原生数据，包括文本、图像、音频、时间序列、以及更多。

尽管这个概念与任何特定的架构选择无关，但大多数模型都基于单一架构 — 变换器及其核心层自注意力。自注意力的效率归因于它能够在情境窗口中密集地引导信息，从而能够为复杂数据建模。然而，该属性有本质上的局限性：无法针对超出有限窗口的任何东西建模，以及相对于窗口长度的二次缩放。

对于序列建模任务，另一种替代方案涉及在状态空间中使用结构化序列模型（空间序列建模，SSM）。这些模型可解释为递归神经网络（RNN）与卷积神经网络（CNN）的组合。这类模型可以遵照序列长度的线性或近线性缩放极其有效地计算。甚至，它还具有固有机制，即针对特定数据模态中的长期依赖关系进行建模。

论文《曼巴（Mamba）：配以可选性状态空间进行线性-时间序列建模》中介绍了一种启用状态空间模型进行时间序列预测的算法。该论文提出了一类新的选择性状态空间模型。

 

作者：Dmitriy Gizlyk

[trungns]

据我所知，在您的管道步骤 1 中，我们需要运行 Research.mq5 或 ResearchRealORL.mq5，详情如下：

如果运行 Research.mq5：

目的：

使用 Encoder (Enc.nnw) 和 Actor (Act.nnw) 预测交易行为（买入/卖出、成交量、TP、SL）。

收集这些行动的轨迹并保存到 TotalBase.dat。

要求

需要先前训练过的编码器 (Enc.nnw) 和执行器 (Act.nnw)。

如果没有这两个文件，EA 将无法运行，因为它需要依靠这两个文件来编码市场状态和预测行动。

输出：TotalBase.dat（二进制轨迹数据）。

如果运行 ResearchRealORL.mq5：

目的：

根据 Signals\Signal1.csv 中的实际历史记录（而非 Actors 中的预测）模拟交易。

收集这些交易的轨迹并保存到 TotalBase.dat。

要求：

需要 Signals\Signal1.csv 文件，其中包含交易历史（打开/关闭时间、类型、交易量、价格等）。

不需要编码器或代理，因为它使用的是 Signal1.csv 中的数据而不是预测。

输出：TotalBase.dat（二进制轨迹数据）。

由于我们没有先前训练好的编码器（Enc.nnw）和行为器（Act.nnw），因此无法 运行 Research.mq5，而且我们 也 没有Signals\Signal1.csv 文件，因此也无法运行ResearchRealORL.mq5， 那么我们如何运行步骤 1 呢？

MetaQuotes:

请查看新文章：交易中的神经网络：状态空间模型。

作者：Dmitriy Gizlyk德米特里-吉兹里克

[Dmitriy Gizlyk]

trungns #:
据我所知，在您的管道步骤 1 中，我们需要运行 Research.mq5 或 ResearchRealORL.mq5，详情如下：

如果运行 Research.mq5：

目的：

使用 Encoder (Enc.nnw) 和 Actor (Act.nnw) 预测交易行为（买入/卖出、成交量、TP、SL）。

收集这些行动的轨迹并保存到 TotalBase.dat。

要求

需要先前训练过的编码器 (Enc.nnw) 和执行器 (Act.nnw)。

如果没有这两个文件，EA 将无法运行，因为它需要依靠这两个文件来编码市场状态和预测行动。

输出：TotalBase.dat（二进制轨迹数据）。

如果运行 ResearchRealORL.mq5：

目的：

根据 Signals\Signal1.csv 中的实际历史记录（而非 Actors 中的预测）模拟交易。

收集这些交易的轨迹并保存到 TotalBase.dat。

要求：

需要 Signals\Signal1.csv 文件，其中包含交易历史（打开/关闭时间、类型、交易量、价格等）。

不需要编码器或代理，因为它使用的是 Signal1.csv 中的数据而不是预测。

输出：TotalBase.dat（二进制轨迹数据）。

由于我们没有先前训练好的编码器（Enc.nnw）和行为器（Act.nnw），因此无法 运行 Research.mq5，而且我们 也 没有Signals\Signal1.csv 文件，因此也无法运行ResearchRealORL.mq5， 那么我们如何运行步骤 1 呢？

您好、

在 Research.mq5 中，您可以找到

//--- 加载模型
   float temp;
//---
   if(!Encoder.Load(FileName + "Enc.nnw", temp, temp, temp, dtStudied, true))
     {
      CArrayObj *encoder = new CArrayObj();
      if(!CreateEncoderDescriptions(encoder))
        {
         delete encoder;
         return INIT_FAILED;
        }
      if(!Encoder.Create(encoder))
        {
         delete encoder;
         return INIT_FAILED;
        }
         delete encoder;
     }
   if(!Actor.Load(FileName + "Act.nnw", temp, temp, temp, dtStudied, true))
     {
      CArrayObj *actor = new CArrayObj();
      CArrayObj *critic = new CArrayObj();
      if(!CreateDescriptions(actor, critic))
        {
         delete actor;
         delete critic;
         return INIT_FAILED;
        }
      if(!Actor.Create(actor))
        {
         delete actor;
         delete critic;
         return INIT_FAILED;
        }
      delete actor;
      delete critic;
     }
//---

因此，如果您没有预训练模型，EA 将以随机参数生成模型。您可以从随机轨迹中收集数据。

关于 ResearchRealORL.mq5 的更多信息，请参阅文章。

[Seyedsoroush Abtahiforooshani]

插入代码 时请 使用代码 按钮 (Alt-S)。

版主纠正了这次的格式问题。今后请正确使用代码格式，格式不正确的帖子可能会被删除。

在 trajectory.mqh，mamba 文件夹

中的第 2-4 层（第 604 行左右），我认为有一个问题：
，将 new CLayerDescription() 移到 Mamba 循环内，这样 3 层中的每一层都有自己的分配
，我是这样写的。

   for(int i = 2; i <= 4; i++)
     {
      if(!(descr = new CLayerDescription()))
         return false;
      descr.type = defNeuronMambaOCL;
      descr.window = BarDescr;                                       //窗口
      descr.window_out = 4 * BarDescr;                               //内部尺寸
      prev_count = (int)(descr.count = HistoryBars);                  //单位
      descr.batch = 1 e4;
      descr.activation = None;
      descr.optimization = ADAM;
      if(!encoder.Add(descr))
        {
         delete descr;
         return false;
        }
     }

谁能告诉我是对还是错？

[Dmitriy Gizlyk]

Seyedsoroush Abtahiforooshani #:

在 trajectory.mqh 中，mamba 文件夹中的第 2-4 层（第 604 行左右）

我觉得有一个问题：
在 Mamba 循环内移动了 new CLayerDescription()，因此 3 层中的每一层都有自己的分配
下面是我的写法。

谁能告诉我是对还是错？

下午好，Seyedsoroush Abtahiforooshani。

在这种情况下，我们并不形成一个层，而只是对其结构进行描述。程序会根据描述生成神经元层。在初始变体中，当 descr = new CLayerDescription() 在数组外形成时，我们为单层形成一个 descr 对象，并按要求的次数传递其指针。在形成模型层时，descr 对象不会改变。这就是为什么神经元层的结构完全相同，但每个神经元层都有自己的参数。
当你将对象形成移入一个循环时，正在创建的模型不会有任何变化。我们只是创建了额外的descr 复制，这些 复制将在模型形成后立即删除。这将在形成模型时增加一些额外的操作和内存消耗。这对模型操作没有影响。