Dmitriy Gizlyk
Dmitriy Gizlyk
  • 정보
11+ 년도
경험
0
제품
0
데몬 버전
134
작업
0
거래 신호
0
구독자
Professional programming of any complexity for MT4, MT5, C#.
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Иерархический двухбашенный трансформер (Hidformer)
Нейросети в трейдинге: Иерархический двухбашенный трансформер (Hidformer)

Предлагаем познакомиться с фреймворком иерархического двухбашенного трансформера (Hidformer), который был разработан для прогнозирования временных рядов и анализа данных. Авторы фреймворка предложили несколько улучшений к архитектуре Transformer, что позволило повысить точность прогнозов и снизить потребление вычислительных ресурсов.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Контекстно-зависимое обучение, дополненное памятью (Окончание)
Нейросети в трейдинге: Контекстно-зависимое обучение, дополненное памятью (Окончание)

Мы завершаем реализацию фреймворка MacroHFT для высокочастотной торговли криптовалютами, который использует контекстно-зависимое обучение с подкреплением и памятью для адаптации к динамичным рыночным условиям. И в завершении данной статьи будет проведено тестирование реализованных подходов, на реальных исторических данных, для оценки их эффективности.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Контекстно-зависимое обучение, дополненное памятью (MacroHFT)
Нейросети в трейдинге: Контекстно-зависимое обучение, дополненное памятью (MacroHFT)

Предлагаю познакомиться с фреймворком MacroHFT, который применяет контекстно зависимое обучение с подкреплением и память, для улучшения решений в высокочастотной торговле криптовалютами, используя макроэкономические данные и адаптивные агенты.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Многоагентная система с концептуальным подтверждением (Окончание)
Нейросети в трейдинге: Многоагентная система с концептуальным подтверждением (Окончание)

Продолжаем реализацию подходов, предложенных авторами фреймворка FinCon. FinCon является многоагентной системой, основанной на больших языковых моделях (LLM). Сегодня мы реализуем необходимые модули и проведем комплексное тестирование модели на реальных исторических данных.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Многоагентная система с концептуальным подтверждением (FinCon)
Нейросети в трейдинге: Многоагентная система с концептуальным подтверждением (FinCon)

Предлагаем познакомиться с фреймворком FinCon, который представляет собой многоагентную систему на основе больших языковых моделей (LLM). Фреймворк использует концептуальное вербальное подкрепление для улучшения принятия решений и управления рисками, что позволяет эффективно выполнять разнообразные финансовые задачи.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Мультимодальный агент, дополненный инструментами (Окончание)
Нейросети в трейдинге: Мультимодальный агент, дополненный инструментами (Окончание)

Продолжаем работу по реализации алгоритмов мультимодального агента для финансовой торговли FinAgent, предназначенного для анализа мультимодальных данных рыночной динамики и исторических торговых паттернов.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Мультимодальный агент, дополненный инструментами (FinAgent)
Нейросети в трейдинге: Мультимодальный агент, дополненный инструментами (FinAgent)

Предлагаем познакомиться с фреймворком мультимодального агента для финансовой торговли FinAgent, который предназначен для анализа данных разных типов, отражающих рыночную динамику и исторические торговые паттерны.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Агент с многоуровневой памятью (Окончание)
Нейросети в трейдинге: Агент с многоуровневой памятью (Окончание)

Продолжаем начатую работу по созданию фреймворка FinMem, который использует подходы многоуровневой памяти, имитирующие когнитивные процессы человека. Это позволяет модели не только эффективно обрабатывать сложные финансовые данные, но и адаптироваться к новым сигналам, значительно повышая точность и результативность инвестиционных решений в условиях динамично изменяющихся рынков.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Агент с многоуровневой памятью
Нейросети в трейдинге: Агент с многоуровневой памятью

Подходы многоуровневой памяти, имитирующие когнитивные процессы человека, позволяют обрабатывать сложные финансовые данные и адаптироваться к новым сигналам, что способствует повышению эффективности инвестиционных решений в условиях динамичных рынков.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Модели с использованием вейвлет-преобразования и многозадачного внимания (Окончание)
Нейросети в трейдинге: Модели с использованием вейвлет-преобразования и многозадачного внимания (Окончание)

В предыдущей статье мы рассмотрели теоретические основы и приступили к реализации подходов фреймворка Multitask-Stockformer, объединяющего вейвлет-преобразование и многозадачную модель Self-Attention. Продолжаем реализацию алгоритмов указанного фреймворка и оценим их эффективность на реальных исторических данных.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Модели с использованием вейвлет-преобразовании и многозадачного внимания
Нейросети в трейдинге: Модели с использованием вейвлет-преобразовании и многозадачного внимания

Предлагаем познакомиться с фреймворком объединяющим вейвлет-преобразование и многозадачную модель Self-Attention, направленную на повышение отзывчивости и точности прогнозирования в условиях нестабильности рынка. Вейвлет-преобразование позволяет разложить доходность активов на высокие и низкие частоты, тщательно фиксируя долгосрочные рыночные тенденции и краткосрочные колебания.

Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Гибридный торговый фреймворк с предиктивным кодированием (Окончание)
Нейросети в трейдинге: Гибридный торговый фреймворк с предиктивным кодированием (Окончание)

Продолжаем рассмотрение гибридной торговой системы StockFormer, которая объединяет предиктивное кодирование и алгоритмы обучения с подкреплением для анализа финансовых временных рядов. Основой системы служат три ветви Transformer с механизмом Diversified Multi-Head Attention (DMH-Attn), позволяющим выявлять сложные паттерны и взаимосвязи между активами. Ранее мы познакомились с теоретическими аспектами фреймворка и реализовали механизмы DMH-Attn, а сегодня поговорим об архитектуре моделей и их обучении.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Гибридный торговый фреймворк с предиктивным кодированием (StockFormer)
Нейросети в трейдинге: Гибридный торговый фреймворк с предиктивным кодированием (StockFormer)

Предлагаем познакомиться с гибридной торговой системой StockFormer, которая объединят предиктивное кодирование и алгоритмы обучения с подкреплением (RL). Во фреймворке используются 3 ветви Transformer с интегрированным механизмом Diversified Multi-Head Attention (DMH-Attn), который улучшает ванильный модуль внимания за счет многоголового блока Feed-Forward, что позволяет захватывать разнообразные паттерны временных рядов в разных подпространствах.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Ансамбль агентов с использованием механизмов внимания (Окончание)
Нейросети в трейдинге: Ансамбль агентов с использованием механизмов внимания (Окончание)

В предыдущей статье мы познакомились с мультиагентным адаптивным фреймворком MASAAT, который использует ансамбль агентов для перекрестного анализа мультимодального временного ряда в разных масштабах представления данных. И сегодня мы доведем до логического завершения начатую ранее работу по реализации подходов данного фреймворка средствами MQL5.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Ансамбль агентов с использованием механизмов внимания (MASAAT)
Нейросети в трейдинге: Ансамбль агентов с использованием механизмов внимания (MASAAT)

Предлагаем познакомиться с мультиагентной адаптивной структурой оптимизации финансового портфеля (MASAAT), которая объединяет механизмы внимания и анализ временных рядов. MASAAT формирует множество агентов, которые анализируют ценовые ряды и направленные изменения, позволяя выявлять значимые колебания цен активов на различных уровнях детализации.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Мультиагентная адаптивная модель (Окончание)
Нейросети в трейдинге: Мультиагентная адаптивная модель (Окончание)

В предыдущей статье мы познакомились с мультиагентным адаптивным фреймворком MASA, который объединяет подходы обучения с подкреплением и адаптивные стратегии, обеспечивая гармоничный баланс между доходностью и рисками в турбулентных рыночных условиях. Нами был построен функционал отдельных агентов данного фреймворка, и в этой статье мы продолжим начатую работу, доведя её до логического завершения.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Мультиагентная адаптивная модель (MASA)
Нейросети в трейдинге: Мультиагентная адаптивная модель (MASA)

Предлагаю познакомиться с мультиагентным адаптивным фреймворком MASA, который объединяет обучение с подкреплением и адаптивные стратегии, обеспечивая гармоничный баланс между доходностью и управлением рисками в турбулентных рыночных условиях.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Параметроэффективный Transformer с сегментированным вниманием (Окончание)
Нейросети в трейдинге: Параметроэффективный Transformer с сегментированным вниманием (Окончание)

В предыдущей работе мы рассмотрели теоретические аспекты фреймворка PSformer, который включает две основные инновации в архитектуру классического Transformer: механизм совместного использования параметров (Parameter Shared — PS) и внимание к пространственно-временным сегментам (SegAtt). И в данной статье мы продолжаем начатую работу по реализации предложенных подходов средствами MQL5.

1
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Параметроэффективный Transformer с сегментированным вниманием (PSformer)
Нейросети в трейдинге: Параметроэффективный Transformer с сегментированным вниманием (PSformer)

Предлагаем познакомиться с новым фреймворком PSformer, который адаптирует архитектуру ванильного Transformer для решения задач прогнозирования многомерных временных рядов. В основе фреймворка лежат две ключевые инновации: механизм совместного использования параметров (PS) и внимание к пространственно-временным сегментам (SegAtt).

1
youwei_qing
youwei_qing 월요일
I noticed that the feedForward method with the second input parameter isn't working at all. Could this be an issue? virtual bool feedForward(CNeuronBaseOCL *NeuronOCL); virtual bool feedForward(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput) { return feedForward(NeuronOCL); }
Dmitriy Gizlyk
게재된 기고글 Нейросети в трейдинге: Повышение эффективности Transformer путем снижения резкости (Окончание)
Нейросети в трейдинге: Повышение эффективности Transformer путем снижения резкости (Окончание)

SAMformer предлагает решение ключевых проблем Transformer в долгосрочном прогнозировании временных рядов, включая сложность обучения и слабое обобщение на малых выборках. Его неглубокая архитектура и оптимизация с учетом резкости обеспечивают избегание плохих локальных минимумов. В данной статье мы продолжим реализацию подходов с использованием MQL5 и оценим их практическую ценность.

1