文章 "交易中的神经网络：对比形态变换器"

[MetaQuotes]

新文章 交易中的神经网络：对比形态变换器已发布：

对比变换器在设计上基于单根烛条水平和整个形态来分析行情。这有助于提升行情趋势建模的品质。甚至，运用对比学习来统调烛条和形态的表示、促进自我调节，并提升预测的准确性。

在使用机器学习分析市场形势时，我们往往会专注单根烛条及其属性，而忽略了频繁提供更有意义信息的烛条形态。形态代表的是在类似市场条件下显露出的稳定烛条结构，能够揭示至关重要的行为趋势。

之前，我们探索了从分子性质预测领域借鉴的 Molformer 框架。Molformer 的作者将原子和基序表示组合成单一序列，令模型能够访问有关所分析数据的结构信息。不过，该方式引入了分离不同类型节点之间依赖关系的复杂挑战。幸运的是，已有能避免该问题的替代方法提出。

一个这样的例子是原子-基序对比变换器（AMCT），在论文《预测分子性质的原子-基序对比变换器》中有所阐述。为了整合两个层次的相互作用并增强分子的表征能力，AMCT 的作者提出了原子和基序表征之间的对比学习。由于分子的原子和基序表征本质上是同一实体的两种不同视图，故它们在训练期间会自然统调。这种统调令它们相互提供自我监督信号，从而提升学到的分子表征的健壮性。

作者：Dmitriy Gizlyk

[Khaled Ali E Msmly]

感谢您的努力，我正迫不及待地等待着您的下一篇文章。

[zhai nan]

解决完编译报错了，剩下个测试器报错，整得脑袋都烧了，也搞不懂哪里解决