Dmitriy Gizlyk / Publications
Codes
Tick Chart pour MetaTrader 4
The presented indicator plots a fully-functional tick chart similar to the standard price charts, with the ability of the analysis using all the MetaTrader features
Articles
Нейросети в трейдинге: Снижение потребления памяти методом оптимизации Adam (Adam-mini) pour MetaTrader 5
Одним из направлений повышения эффективности процесса обучения и сходимости моделей является улучшение методов оптимизации. Adam-mini представляет собой адаптивный метод оптимизации, разработанный для улучшения базового алгоритма Adam
Нейросети в трейдинге: Пространственно-временная нейронная сеть (STNN) pour MetaTrader 5
В данной статье мы поговорим об использовании пространственно-временных преобразований для эффективного прогнозирования предстоящего ценового движения. Для повышения точности численного прогнозирования в STNN был предложен механизм непрерывного внимания, который позволяет модели лучше учитывать
Нейросети в трейдинге: Модель двойного внимания для прогнозирования трендов pour MetaTrader 5
Продолжаем разговор об использовании кусочно-линейного представления временных рядов, начатый в предыдущей статье. И сегодня мы поговорим о комбинировании данного метода с другими подходами к анализу временных рядов для повышения качества прогнозирования трендов ценовых движений
Нейросети в трейдинге: Кусочно-линейное представление временных рядов pour MetaTrader 5
Эта статья несколько отличается от предыдущих работ данной серии. В ней мы поговорим об альтернативном представлении временных рядов. Кусочно-линейное представление временных рядов — это метод аппроксимации временного ряда с помощью линейных функций на небольших интервалах
Нейросети — это просто (Часть 97): Обучение модели с использованием MSFformer pour MetaTrader 5
При изучении различных архитектур построения моделей мы мало уделяем внимания процессу обучения моделей. В этой статье я попытаюсь восполнить этот пробел
Нейросети — это просто (Часть 96): Многоуровневое извлечение признаков (MSFformer) pour MetaTrader 5
Эффективное извлечение и объединение долгосрочных зависимостей и краткосрочных характеристик остаются важной задачей в анализе временных рядов. Правильное их понимание и интеграция необходимы для создания точных и надежных предсказательных моделей
Нейросети — это просто (Часть 95): Снижение потребления памяти в моделях Transformer pour MetaTrader 5
Модели на основе архитектуры Transformer демонстрируют высокую эффективность, однако их использование осложняется большими затратами ресурсов как на этапе обучения, так и в процессе эксплуатации. В этой статье я предлагаю познакомиться с алгоритмами, которые позволяют уменьшить использование памяти
Нейросети — это просто (Часть 94): Оптимизация последовательности исходных данных pour MetaTrader 5
При работе с временными рядами мы всегда используем исходные данные в их исторической последовательности. Но является ли это оптимальным вариантом? Существует мнение, что изменение последовательности исходных данных позволит повысить эффективность обучаемых моделей. В данной статье я предлагаю вам
Нейросети — это просто (Часть 93): Адаптивное прогнозирование в частотной и временной областях (Окончание) pour MetaTrader 5
В данной статье мы продолжаем реализацию подходов ATFNet — модели, которая адаптивно объединяет результаты 2 блоков (частотного и временного) прогнозирования временных рядов
Нейросети — это просто (Часть 92): Адаптивное прогнозирование в частотной и временной областях pour MetaTrader 5
Авторы метода FreDF экспериментально подтвердили преимущество комбинированного прогнозирования в частотной и временной областях. Однако применение весового гиперпараметра не является оптимальным для нестационарных временных рядов. В данной статье я предлагаю познакомиться с методом адаптивного