文章 "神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（DA-CG-LSTM）"

[MetaQuotes]

新文章 神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（DA-CG-LSTM）已发布：

本文介绍了 DA-CG-LSTM 算法，该算法为时间序列分析和预测提供了新的方法。它解释了创新的注意力机制和模型灵活性如何提高预测准确性。

金融市场不仅仅是屏幕上的数字。它们构成了一个动态的环境，在这个环境中，每一个价格跳动、每一根蜡烛图以及交易量的每一次变化都反映了人类的情绪、期望、恐惧和希望。理解这种节奏并学会预测价格走势，是交易者几十年来一直努力解决的难题。

这一挑战的核心是多变量时间序列 — 市场数据的经典表示形式：随时间变化的资产价格、交易量、技术指标和新闻信息流。所有这些都是可以进行分析、建模并最终用于预测的数据源。

直到最近，该行业仍主要依赖经过时间检验的经典方法，如 ARIMA、SARIMA 及相关模型。这些模型实用且易于解释，同时不需要大量的计算资源。在处理季节性和线性依赖关系时，尤其是在稳定的市场条件下，它们的表现相当不错。然而，金融市场并非平稳运行。新闻影响预期，投资者情绪可能在几秒钟内发生变化，算法交易会产生共振效应，所有这些都导致了复杂、非线性且往往混乱的关系。传统模型或许能指出大致方向，但无法捕捉到更精细的细节。

作者：Dmitriy Gizlyk

[Vladimir Sanin]

您好。请问在哪里可以获取NeuroNet.mqh、NeuroNet.cl和Trajectory.mqh这些库？
此外，该模型的具体参数（输入数据尺寸、神经元数量、优化器）是什么？

[Dmitriy Gizlyk]

Владимир #:
您好。请问在哪里可以获取NeuroNet.mqh、NeuroNet.cl和Trajectory.mqh这些库？
此外，该模型的具体参数是什么（输入数据尺寸、神经元数量、优化器）？

您好，弗拉基米尔。

所有 NeuroNet.* 库都位于附件“MQL5\Experts\NeuroNet_DNG\NeuroNet.*”中，而 Trajectory.mqh 则位于“MQL5\Experts\DACGLSTM\Trajectory.mqh”中。

关于可训练模型的详细说明将在下一篇文章中介绍。