文章 "交易中的神经网络：异质性感知元参数学习（HimNet）" 新评论 MetaQuotes 2026.11.13 11:34 新文章 交易中的神经网络：异质性感知元参数学习（HimNet）已发布： 我们诚邀您探索HimNet框架，该框架将时空自适应的灵活性与高计算效率相结合，能够对金融时间序列进行准确且稳定的预测。 本文详细阐述了其关键组件之间如何相互作用，从而将复杂的算法转化为易于管理的架构。 基于表示的方法（表示学习）已能从原始数据中提取信息丰富的嵌入。 此方法虽然强大，但随后往往会对嵌入进行简化处理，导致优质表示的价值在下一步中丧失。自监督学习通过添加辅助任务来丰富嵌入——这固然有用，却并不总能让模型在单个训练周期内针对主预测任务实现最优训练。 正因如此，论文《用于时空时间序列预测的异质性感知元参数学习》的作者提出了一种不同的方法——HimNet框架。 他们的解决方案结合了两个关键组成部分。 首先，通过可训练的空间嵌入和时间嵌入隐式识别异质性，然后利用这些信息对模型参数进行元学习。 简而言之，该框架的开发者不仅致力于识别各个数据片段之间的差异，还致力于训练模型，使其能够针对每个上下文选择并生成独特的参数。 假设交易信息库中包含： 交易时段内，在主要交易所交易的最大发行人的股票； 当地新闻集中爆发后，场外交易场所中的同一批股票； 流动性较低的小盘证券； 订单簿深度各不相同的加密货币市场。 空间嵌入将把这些组划分为不同的聚类。 随后，系统会从元参数池中为每个聚类检索一组独特的参数。 针对主要市场，采用考虑了低滑点因素的激进参数。 对于场外交易，则采用保守的参数，以提高成交执行的安全裕度。 为小盘证券分配采用更广泛正则化的参数，以避免对噪声过拟合。 对于加密货币，则采用一组考虑了高噪声水平和频繁出现的套利价差的参数。 所有这些都在单个训练周期内完成，因此模型能够同时学会区分不同的场景，并为它们选择最佳参数。 作者：Dmitriy Gizlyk 新评论
新文章 交易中的神经网络：异质性感知元参数学习（HimNet）已发布：
基于表示的方法（表示学习）已能从原始数据中提取信息丰富的嵌入。 此方法虽然强大，但随后往往会对嵌入进行简化处理，导致优质表示的价值在下一步中丧失。自监督学习通过添加辅助任务来丰富嵌入——这固然有用，却并不总能让模型在单个训练周期内针对主预测任务实现最优训练。
正因如此，论文《用于时空时间序列预测的异质性感知元参数学习》的作者提出了一种不同的方法——HimNet框架。 他们的解决方案结合了两个关键组成部分。 首先，通过可训练的空间嵌入和时间嵌入隐式识别异质性，然后利用这些信息对模型参数进行元学习。 简而言之，该框架的开发者不仅致力于识别各个数据片段之间的差异，还致力于训练模型，使其能够针对每个上下文选择并生成独特的参数。
假设交易信息库中包含：
空间嵌入将把这些组划分为不同的聚类。 随后，系统会从元参数池中为每个聚类检索一组独特的参数。 针对主要市场，采用考虑了低滑点因素的激进参数。 对于场外交易，则采用保守的参数，以提高成交执行的安全裕度。 为小盘证券分配采用更广泛正则化的参数，以避免对噪声过拟合。 对于加密货币，则采用一组考虑了高噪声水平和频繁出现的套利价差的参数。 所有这些都在单个训练周期内完成，因此模型能够同时学会区分不同的场景，并为它们选择最佳参数。
作者：Dmitriy Gizlyk