Список проголосовавших за комментарий "<blockquote><ul><li>Кодирование скрытых состояний (Encoding Hidden States): использование средних и других признаков для передачи «памяти» модели о предыдущей динамике рынка.</li><li>Онлайн-обучение (Online Learning): использование алгоритмов, таких как Passive Aggressive Regressor, которые непрерывно корректируют веса модели при каждом новом тике данных, позволяя стратегии быстро переключаться между импульсной торговлей и возвратом к среднему.</li><li>Обучение с подкреплением (Reinforcement Learning): моделирование торговли как задачи «двурукого бандита». Автор подчеркивает важность использования энтропийной регуляризации, которая предотвращает застревание модели в локальных оптимумах и заставляет её продолжать «исследование» рынка даже после изменения условий.</li></ul></blockquote><br/> Без <strong>иллюстраций на конкретном инструменте</strong> всё выглядит неубедительно. Должно быть показано, что перечисленное способно бороться с обычными проблемами технического анализа. Запаздывание куда девается?<br/> 1) А обычная МА не передаёт предыдущие состояния цены?<br/> 2) Линейную регрессию использовал каждый второй. Ну, стал наклон линии прогноза из положительного отрицательным, вот и 'переключение'. Только слишком поздно.<br/> 3) Надо показывать эффективность метода вычисления энтропии, а самое главное — правильное соотношение между ней и политикой, которое не должно сильно непредсказуемо меняться. Пока выглядит просто как создание новых сущностей. "