Три пути обучения AI: Учитель, Проводник и Свободный художник.

В прошлый раз мы установили, что нейросеть учится, минимизируя ошибку между своим предсказанием и "идеальным ответом". Сегодня разберемся, откуда берутся эти "идеальные ответы". Это определяет три главных пути обучения.

1. Обучение с учителем (Supervised Learning) 👨‍🏫

Это классический и самый понятный подход. "Учитель" — это не человек, а заранее подготовленный набор данных с размеченными "идеальными ответами".

Процесс: Мы заранее проходим по всем нашим историческим данным (например, по всем пятиминутным свечам BTC за 5 лет) и для каждой точки запускаем наш "секретный соус" — алгоритм, который вычисляет тот самый "идеальный ответ". Например, он может анализировать следующие 24 свечи и выносить вердикт: [0, 0, 1] (Купить), если цена в этот период выросла на 2% и не падала больше чем на 1%.
Результат: Мы получаем гигантский набор пар: (Рыночная ситуация) -> (Оптимальное действие).
Обучение: Нейросеть просто учится имитировать этот алгоритм-разметчик. Она получает на вход "Рыночную ситуацию" и пытается выдать "Оптимальное действие". Мы сравниваем её ответ с эталоном, считаем ошибку и корректируем веса.
Ценность Chronostream: Чтобы создать качественные метки, вам нужны безупречные исторические данные. Любой пропуск, любой сбой в данных отравит ваш размеченный датасет и сведет на нет все обучение. Мы даем вам чистый холст для создания вашего шедевра — алгоритма-разметчика.

2. Обучение с подкреплением (Reinforcement Learning - RL) 🏆

Это гораздо более продвинутый и мощный подход. Здесь нет заранее готовых "идеальных ответов" для каждого шага. Есть только цель — максимизировать итоговую награду.

Процесс: Мы создаем виртуальную среду — симулятор биржи, который работает на наших исторических данных. Наш AI ("агент") живет в этой среде.

Агент смотрит на текущее состояние рынка и совершает действие (например, "Купить 0.1 BTC").
Симулятор "проматывает" время на один шаг вперед и сообщает агенту результат: цена изменилась, баланс счета тоже.
Специальная функция награды (Reward Function), которую мы сами пишем, оценивает результат. Например: +0.5 очка за рост стоимости портфеля, -1 очко за комиссию, -100 очков за ликвидацию.

Обучение: Цель агента — не угадать правильный ответ, а выработать стратегию (policy), которая в долгосрочной перспективе принесет максимум очков. Он учится на своих ошибках и успехах методом проб и ошибок, совершая миллионы сделок в симуляторе.
Ценность Chronostream: Успех RL на 90% зависит от качества симулятора. Если ваш симулятор использует неполные данные (например, только свечи без данных о ликвидности в стакане), агент научится стратегии, которая будет прибыльной в этом "игрушечном" мире, но моментально сольет депозит в реальности. Chronostream предоставляет данные уровня L2/L3 (полный стакан заявок) и тиковые данные, позволяя строить симуляторы, неотличимые от реального рынка.

3. Обучение без учителя (Unsupervised Learning) 🎨

Здесь нет ни "учителя", ни "награды". Мы даем модели огромный массив неразмеченных данных и просим: "Найди здесь что-нибудь интересное", или «Выбрось все лишнее из этих данных, оставив только саму суть», «сожми данные».

Процесс: Алгоритм ищет внутренние структуры, кластеры, аномалии. Например, он может проанализировать динамику тысяч альткоинов и сам сгруппировать их в "высоковолатильные", "коррелирующие с BTC", "сезонные" и т.д., не зная этих слов. Или же сеть пытается сжать входные данные условно длинной 1000 чисел, в 50, а потом из этих 50 восстановить исходные 1000 с минимальной ошибкой. После обучения первая часть сети, которая на выходе имеет 50 чисел и будет нашим «архиватором» данных.
Применение в трейдинге: Это мощный инструмент для разведочного анализа. Он помогает найти новые, неочевидные факторы, которые затем можно использовать для создания более качественных входов (фичей) для ваших Supervised или RL моделей. Так-же может позволить охватить более широкий спектр входных данных, даже когда вычислительных ресурсы увеличивать не представляется возможным – этот подход позволяет модели самой в процессе обучения выбросить ненужное, округлить маловажное и сконцентрироваться на ключевом.

Выбор метода зависит от задачи, но все они требуют одного — первоклассных, полных и чистых данных. Это не просто требование, это фундамент.