文章 "神经网络在交易中的应用：时间序列的概率预测（结论）"
我最近在使用 VAE.mqh 时遇到了一些问题，发现以下方法能很好地解决这个问题。
bool CVAE::calcInputGradients(CNeuronBaseOCL *NeuronOCL) { if(!OpenCL || !NeuronOCL) return false; //--- if(!OpenCL.SetArgumentBuffer(def_k_VAECalcHiddenGradient, def_k_vaehg_input, NeuronOCL.getOutput().GetIndex())) return false; if(!OpenCL.SetArgumentBuffer(def_k_VAECalcHiddenGradient, def_k_vaehg_inp_grad, NeuronOCL.getGradient().GetIndex())) return false; if(!OpenCL.SetArgumentBuffer(def_k_VAECalcHiddenGradient, def_k_vaehg_random, m_cRandom.GetIndex())) return false; if(!OpenCL.SetArgumentBuffer(def_k_VAECalcHiddenGradient, def_k_vaehg_gradient, Gradient.GetIndex())) return false; if(!OpenCL.SetArgument(def_k_VAECalcHiddenGradient, def_k_vaehg_kld_mult, m_fKLD_Mult)) return false; // 计算合适的作业规模 uint neurons_count = (uint)Neurons(); uint local_size = 64; // 或 32、128、256，具体取决于您的显卡 // 将全局大小向上取整，使其能被本地大小整除 uint global_size = ((neurons_count + local_size - 1) / local_size) * local_size; uint work_offset[] = {0}; uint work_size[] = {global_size}; uint local_work_size[] = {local_size}; if(!OpenCL.Execute(def_k_VAECalcHiddenGradient, 1, work_offset, work_size, local_work_size)) return false; //--- return true; }
我也尝试了相同的测试流程：首先使用Study基于历史数据进行了1000000次学习，并生成了相应的nnw文件；随后使用StudyOnline学习了一年的数据（此时没有任何收益，10000美元的账户很快就耗尽了，运行结束后更新了部分nnw文件）。最后使用Test进行测试，结果与StudyOnline基本一致（没有任何盈利）
新文章 神经网络在交易中的应用：时间序列的概率预测（结论）已发布：
如前所述，该模型分两个连续阶段进行训练。首先，我们使用 EURUSD 货币对在 H1 时间周期上的 15 年历史数据进行离线训练。该数据集涵盖了所有类型的市场状况：从长期横盘整理到急剧趋势，从平静期到波动性飙升。正因如此，该模型才能学习到市场行为的多样性。Encoder 学会了识别关键模式，并将市场状态转换为简洁而信息丰富的表示，这成为 Agent 进行决策的基础。与此同时，Actor 利用 Critic 和 Director 的反馈，制定了一套能够在各种条件下有效发挥作用的稳健策略。
接下来是第二阶段 — 使用 2024 年数据在 MetaTrader 5 策略测试器中进行的在线训练。在这里，该模型以近乎实时的方式运行，一次分析一根 K 线，从而分析市场。它遇到了实时市场特有的噪音、随机波动和失真。这种方法不仅可以对模型进行微调，还可以使其行为适应现实世界的动态变化，改进其策略，并增强其在不确定性面前的鲁棒性。
训练完成后，我们在新数据（2025 年1 月至 3 月的报价）上测试了该模型，同时保持训练期间使用的所有参数不变。测试结果如下所示。
测试结果表明，该模型在选定的历史时期内实现了盈利。初始存款为 $100.0，总净利润达到 $821.90，表明资本有所增长。然而，值得注意的是，利润因子为 1.06，表明利润仅略高于亏损。
作者：Dmitriy Gizlyk