文章 "神经网络在交易中的应用：一种端到端多变量时间序列预测模型（GinAR）" 新评论 MetaQuotes 2026.10.20 08:47 新文章 神经网络在交易中的应用：一种端到端多变量时间序列预测模型（GinAR）已发布： 我们诚邀您探索一种使用 GinAR 框架预测缺失数据时间序列的创新方法。本文展示了使用 OpenCL 实现关键组件的过程，确保了高性能。在我们的下一篇文章中，我们将详细介绍如何将这些解决方案集成到 MQL5 中。这将有助于理解如何在交易实践中应用该方法。 GinAR 框架的架构遵循经典的编码器（Encoder）→解码器（Decoder）方案。编码器采用 GinAR 层堆叠实现，而解码器则基于多层感知器 ( MLP )。该系统的一个关键组成部分是 GinAR 单元 — 一个基于递归建模原理的模块。当输入不完整数据时，即变量缺失的时间序列，该模型能够同时预测所有变量的未来值，即使对于那些没有完整历史数据的变量也是如此。 在设计 GinAR 的内部逻辑时，该框架的作者建议用两个专门的组件替换 SRU 经典递归结构中的所有全连接层：IA（插值注意力）和 AGCN（自适应图卷积网络）。 第一个组件利用来自可用邻居的信息来填充缺失的变量。这在金融市场中尤为重要：如果关键资产的数据缺失，即使是部分缺失，模型的准确性也会急剧下降。IA 机制通过基于可用数据重建缺失时间序列的有意义表示，并最大限度地减少噪声的影响，从而防止这种情况发生。 第二个组件 — AGCN — 不依赖于固定的依赖图，如资产、指数和行业之间的预定义关系，而是在训练过程中直接学习自适应图结构。这使得即使变量之间存在可变或非显而易见的空间关系，也能灵活捕捉到这些关系。 GinAR 的编码器采用递归方案实现，在每个时间步长，当前时刻的特征和前一步的内部状态作为输入被馈入。GinAR 单元处理这些输入，更新状态，并形成当前时间步长的隐藏表示。这种方法使得可以在单个模块内同时插补、重构依赖图并提取动态模式。得益于残差连接（跳跃连接），模型可以在不牺牲训练稳定性的前提下实现深度化。在预测复杂的市场信号时，这一点尤为重要，因为短期波动和长期趋势都至关重要。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 神经网络在交易中的应用：一种端到端多变量时间序列预测模型（GinAR）已发布：
GinAR 框架的架构遵循经典的编码器（Encoder）→解码器（Decoder）方案。编码器采用 GinAR 层堆叠实现，而解码器则基于多层感知器 ( MLP )。该系统的一个关键组成部分是 GinAR 单元 — 一个基于递归建模原理的模块。当输入不完整数据时，即变量缺失的时间序列，该模型能够同时预测所有变量的未来值，即使对于那些没有完整历史数据的变量也是如此。
在设计 GinAR 的内部逻辑时，该框架的作者建议用两个专门的组件替换 SRU 经典递归结构中的所有全连接层：IA（插值注意力）和 AGCN（自适应图卷积网络）。
第一个组件利用来自可用邻居的信息来填充缺失的变量。这在金融市场中尤为重要：如果关键资产的数据缺失，即使是部分缺失，模型的准确性也会急剧下降。IA 机制通过基于可用数据重建缺失时间序列的有意义表示，并最大限度地减少噪声的影响，从而防止这种情况发生。
第二个组件 — AGCN — 不依赖于固定的依赖图，如资产、指数和行业之间的预定义关系，而是在训练过程中直接学习自适应图结构。这使得即使变量之间存在可变或非显而易见的空间关系，也能灵活捕捉到这些关系。
GinAR 的编码器采用递归方案实现，在每个时间步长，当前时刻的特征和前一步的内部状态作为输入被馈入。GinAR 单元处理这些输入，更新状态，并形成当前时间步长的隐藏表示。这种方法使得可以在单个模块内同时插补、重构依赖图并提取动态模式。得益于残差连接（跳跃连接），模型可以在不牺牲训练稳定性的前提下实现深度化。在预测复杂的市场信号时，这一点尤为重要，因为短期波动和长期趋势都至关重要。
作者：Dmitriy Gizlyk