Трансформеры — это архитектура нейросетей, которая обрабатывает данные как последовательность и выделяет наиболее важные связи между ними. В финансах они помогают находить паттерны в ценах, объёмах и макроэкономических сигналах, обучаясь на истории и корректируя прогнозы без явного программирования каждого правила.
Механизм внимания позволяет модели одновременно смотреть на все временные точки в истории и определять, какие события важнее всего. Например, при анализе котировок акции внимание может выделить день крупной новости или отчёт о прибыли, игнорируя шум. Это не просто фильтр — модель сама учится весам, которые определяют релевантность каждого события.
RNN обрабатывает последовательность пошагово, что приводит к затуханию информации из далёкого прошлого. Трансформер видит всю историю сразу и параллельно, поэтому лучше ловит дальние зависимости: например, связь между кризисом на рынке три месяца назад и текущей волатильностью. Минус — требует больше вычислений на длинных последовательностях.
Трансформер не хранит явную «память» как регистр; вместо этого он обучается на матрицах весов, которые кодируют повторяющиеся структуры в данных. При обучении на месячной истории цены и объёма модель выявляет, например, что за скачком объёма часто следует движение цены в определённую сторону. При новых данных модель применяет эти усвоенные связи к текущей ситуации.
Структурированные временные ряды: котировки (open, close, high, low), объёмы торговли, сигналы с других активов (например, индексы). Трансформер также справляется с текстовыми данными — новостями и отчётами, — если их предварительно закодировать (embedding). Комбинированные входы (цены + новости + макроданные) дают более надёжные прогнозы, но требуют больше данных для обучения.
Модель может идеально предсказывать прошлое, но отказывать на новых данных. В финансах это опасно: паттерны меняются — происходят кризисы, меняется макроситуация, появляются новые инструменты. Решение: регулярная переоценка на свежих данных, тестирование на отложенной выборке, ограничение сложности модели (pruning) и добавление шума при обучении.
Бесплатные варианты: Google Colab (12 часов GPU), Hugging Face Spaces, локальная машина с видеокартой. Платные (для боевого использования): AWS SageMaker, Google Cloud AI, Azure ML.
Модель может выявить растущую волатильность и необычные паттерны, но не «знает», что будет крах — крахи редки и часто триггерятся событиями, которых модель не видела. Трансформер полезен для интра-дневной оптимизации и волатильности, а не для макропрогнозов.
| Архитектура | Сильные стороны | Слабые стороны |
|---|---|---|
| Трансформер | Параллельная обработка, дальние зависимости, масштабируемость | Высокие требования к памяти, нужна большая выборка для обучения |
| LSTM/GRU | Эффективны на коротких последовательностях, меньше параметров | Затухание градиента на длинных историях, обработка только слева направо |
| Линейные модели (VAR, ARIMA) | Интерпретируемость, быстрое обучение, стабильность | Не ловят нелинейные паттерны, требуют стационарности данных |
| Комбинированные ансамбли | Снижение переобучения, разнообразие сигналов | Сложность обслуживания, повышенные вычислительные затраты |
| Критерий | Трансформер | Классические методы |
|---|---|---|
| Период истории | Месяцы—годы (много данных) | Дни—недели (быстро обучается) |
| Волатильность актива | Высокая (нужна гибкость) | Низкая (достаточно линейности) |
| Вычислительные ресурсы | GPU или TPU | CPU, работает везде |
| Интерпретируемость | Чёрный ящик, нужны инструменты объяснения | Белый ящик, коэффициенты видны |
| Скорость вывода | Медленнее (параллельность помогает в обучении) | Быстрее (один проход) |
Соберите 2—5 лет дневных котировок (open, close, high, low, volume) выбранной акции. Используйте API бирж или готовые датасеты (yfinance, finnhub, МосБиржа API). Нормализуйте данные: приведите цены и объёмы к одному масштабу (z-score или min-max).
Определите, сколько дней истории модель будет видеть одновременно (например, 60 дней для прогноза на 1 день вперёд). Это называется временным окном (sequence length). Экспериментируйте: 20, 60, 120 дней — ищите баланс между информативностью и вычислительной стоимостью.
Используйте готовые фреймворки: PyTorch + Transformers (Hugging Face), TensorFlow. Начните с предтренированной модели (трансфер-обучение) — она уже знает базовые паттерны на финансовых данных. На Google Colab это работает бесплатно с GPU.
Не тестируйте на данных, на которых обучали. Используйте последние 10—20% истории как тестовый набор. Метрики: MAE (средняя абсолютная ошибка), RMSE (корневая средняя квадратическая ошибка), направленность (% верных предсказаний направления движения).
Прогноз модели — один из сигналов, не торговая команда. Комбинируйте с техническим анализом, риск-менеджментом (стоп-лосс, размер позиции). Используйте модель как фильтр: торгуйте только когда модель уверена (высокий confidence score) И есть подтверждение от других индикаторов.
Бесплатные варианты: Google Colab (12 часов GPU), Hugging Face Spaces, локальная машина с видеокартой. Платные (для боевого использования): AWS SageMaker, Google Cloud AI, Azure ML.
Модель может выявить растущую волатильность и необычные паттерны, но не «знает», что будет крах — крахи редки и часто триггерятся событиями, которых модель не видела. Трансформер полезен для интра-дневной оптимизации и волатильности, а не для макропрогнозов.
Минимум 500—1000 временных точек (дней). Для надёжности — 2000+ (примерно 8 лет дневных данных). Чем больше, тем лучше, но есть убывающий эффект после 10 лет.
Трансформер видит одновременно тысячи взаимодействий между ценой, объёмом и временем без устаём. Человек ловит редкие сложные паттерны и использует интуицию. Оптимально — комбинация: модель генерирует идеи, вы проверяете и решаете.
Раз в неделю—месяц, в зависимости от волатильности актива и скорости изменения режима. При резких изменений рынка (кризис, новые правила) — переобучение срочно. Мониторьте метрики в реальном времени: если accuracy падает, пора обновлять.
Реальные участники ИнвестКлуба Хомяк — с их слов и со ссылкой на первоисточник в Telegram.
Точка входазашла пробно на 1 месяц после рекламы
Что изменилосьосталась на 1,5 года — структурированные знания, прямые эфиры с экспертами, освоила ИИ-инструменты
«Когда-то я зашла пробно, на 1 месяц. Прошло 1,5 года, а я по-прежнему там. Один только искусственный интеллект чего стоит.»история в Telegram →
Точка входавозрастной скепсис, долго не решался зайти в закрытый клуб
Что изменилосьгора структурированных материалов, отзывчивое сообщество, которое помогает и подсказывает
«Возрастной скепсис мешал зайти — думал, всё как обычно. Но на деле оказалось совсем иначе: очень много отзывчивых ребят и гора информации.»история в Telegram →
«В Хомяке уже полтора года… кайфовое, живое сообщество. Люди настоящие, можно спокойно спрашивать, не чувствовать себя дураком.»
«Зашла пробно на 1 месяц. Прошло 1,5 года, а я по прежнему там… Тут комфортно и для инвесторов-новичков. Вся информация отлично структурирована.»
Ещё реальные отзывы участников — t.me/traderreviews
