Жидкие нейронные сети против рыночного хаоса: пишем LNN на PyTorch для алготрейдинга

Классические рекуррентные сети (LSTM, GRU) терпят фиаско на волатильных минутных данных. Они предсказывают скользящую среднюю или упираются в «стену» с Loss = 0.693, что равносильно подбрасыванию монетки. Проблема не в трейдере, а в самой архитектуре: для RNN временной шаг между 10:00 и 10:01 идентичен шагу между пятницей и утром понедельника. Они не способны адаптировать восприятие времени к рыночным взрывам волатильности, что делает их бесполезными для реального алготрейдинга.

Выход — отказ от мейнстрима в пользу Liquid Neural Network (LNN), или «жидкой» нейронной сети. Её ключевое отличие — работа в непрерывном времени. Вместо дискретных шагов LNN использует численные методы решения дифференциальных уравнений прямо внутри вычислительного графа PyTorch. Это позволяет сети динамически «сжимать» и «растягивать» своё восприятие временных интервалов, адаптируясь к рыночному шуму и вычленяя скрытые макротренды.

Практическая реализация LNN с нуля открывает путь к созданию более устойчивых торговых агентов. Такая архитектура потенциально способна фильтровать хаос высокочастотных данных, снижая риск переобучения и повышая обобщающую способность модели на тестовых периодах. Это прямой вызов доминирующим подходам в алготрейдинге, где инерция дискретных моделей часто приводит к значительным финансовым потерям.