文章 "交易中的神经网络：点云的层次化特征学习"

[MetaQuotes]

新文章 交易中的神经网络：点云的层次化特征学习已发布：

我们继续研究从点云提取特征的算法。在本文中，我们将领略提升 PointNet 方法效率的机制。

如早前所述，我们的新模型与以前的模型仅差一层。甚至，这个新层只是我们之前工作的改进版本。这令两种模型的性能比较变得特别有趣。为了确保比较的公平，我们训练这两个模型时将采用上一个实验中用到的完全相同的数据集。

我始终强调，定期更新训练数据集对于实现最优模型性能至关重要。数据集与参与者的当前政策保持一致可确保更准确地评估其操作，从而优化策略。然而，在这种情况下，我无法抗拒比较两种相似方法，并评估层次化方法有效性的机会。在我们之前的文章中，我们成功地训练了一个能够产生盈利的参与者政策。我们预计新模型至少会具备同样的性能。

训练之后，我们的新模型成功地学会了一个可盈利的政策，在训练和测试数据集上都取得了正回报。新模型的测试结果如下所示。

我必须承认，比较两个模型的结果是相当具有挑战性的。在测试期间，两种模型产生的盈利几乎相同。余额和净值的回撤偏差保持在可忽略不计的误差范围内。然而，新模型执行的交易较少，导致盈利因子略有增加。

话虽如此，两种模型执行的交易数量都很少，因此我们无法对其长期性能得出明确的结论。

作者：Dmitriy Gizlyk