Обсуждение статьи "Нейросети в трейдинге: Иерархическое обучение признаков облака точек"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Иерархическое обучение признаков облака точек:

Продолжаем изучение алгоритмов для извлечения признаков из облака точек. И в данной статье мы познакомимся с механизмами повышения эффективности метода PointNet.

Как уже было сказано выше наша новая модель отличается от предыдущей лишь 1 слоем. Более того, наш новый слой является лишь усовершенствованным вариантом предыдущей работы. И тем интереснее сравнить результаты работы двух моделей. А чтобы сравнение было как можно более честным, обучение моделей мы проведем с полным сохранением обучающей выборки из прошлой работы.

Да, я всегда говорю, что для лучших результатов обучения моделей необходимо периодически обновлять обучающую выборку. Только тогда обучающая выборка будет соответствовать актуальной политики Актера, что позволит получить более точную оценку его действий и скорректировать политику. Но в данном случае, я не могу отказаться от соблазна сравнить 2 похожих метода и оценить эффективность иерархического подхода. В прошлой статье нам удалось на этой обучающей выборке обучить политику Актера, способную генерировать прибыль. И мы ожидаем для новой модели получить результат не хуже.

В результате обучения новая модель смогла выучить политику, способную генерировать прибыль как на обучающей, так и на тестовой выборках. Результаты тестирования новой модели представлены ниже.

Должен сказать, что довольно сложно сравнивать результаты работы двух моделей. За период тестирования обе модели сгенерировали примерно одинаковую прибыль. Отклонения в просадке как по балансу, так и по эквити на уровне погрешности. Правда новая модель совершила меньше сделок и подросло значение профит-фактора.

Однако малое количество сделок, которые совершили обе модели, не позволяет сделать выводы об эффективности работы моделей на более длительном временном отрезке.

Автор: Dmitriy Gizlyk