Глава 176: Personalized Federated Learning для трейдинга

Обзор

В предыдущих главах мы построили надежную, безопасную и децентрализованную федеративную сеть. Однако остается главная проблема: разнообразие рынков. Глобальная модель, обученная на акциях США, может показывать плохие результаты для азиатской крипто-биржи.

Personalized Federated Learning (PFL) решает эту проблему, позволяя каждому участнику адаптировать глобальную модель под свои локальные рыночные условия.

Проблема: Non-IID данные

Финансовые данные являются non-IID (не независимо и одинаково распределенными). У каждой фирмы есть:

Разные классы активов: Кто-то торгует FX, кто-то — сырьем.
Разные временные горизонты: HFT против институциональных долгосрочных инвестиций.
Разные риск-профили: Контртрендовые стратегии против следования за трендом.

Основной подход: Fine-Tuning

Мы сосредоточимся на подходе Fine-Tuning:

Глобальное предобучение: Все участники совместно обучают модель «Общего Интеллекта», которая понимает универсальные рыночные паттерны (например, корреляции, кластеризацию волатильности).
Локальная адаптация: Каждый участник берет глобальную базу и проводит несколько раундов обучения на своих проприетарных, специфических данных.

Структура проекта

176_personalized_fl_trading/
├── README.md           # Обзор на английском
├── README.ru.md        # Обзор на русском
├── docs/ru/theory.md   # Математические основы
├── python/
│   ├── model.py            # Модульная сеть (тело/голова)
│   ├── pfl_core.py         # Логика fine-tuning и адаптации
│   └── train.py            # Сравнение глобальной и персональной моделей
└── rust/src/
    └── lib.rs              # Оптимизированная интерполяция весов