Meta-learning คือ การเรียนรู้การเรียนรู้
ความหมายก็คือ ปกติโมเดล deep learning
จะเรียนรู้ชั้นเดียว อาทิ โมเดลจำแนกภาพหมากับแมว
ก็จะทำเพียง ถ้าเจอภาพหมา ก็ระบุว่าเป็นภาพหมา
หรือถ้าเจอภาพแมว ก็ระบุว่าเป็นภาพแมว

     แต่พอเป็น Meta-learning โมเดลจะดูว่า
โมเดลนั้น ทำนายภาพหมา ถูกหรือเปล่า เมื่อเทียบกับภาพจริง
เหมือน input แทนที่จะเป็น ภาพหมาหรือแมว
ก็กลายเป็นทั้งภาพหมาหรือแมว กับการทำนายของโมเดลนั้น

     เรามี Indicator สองตัวอยู่แล้ว โดยตัวแรก
จะอ่าน high กับ low ของแท่งเทียนก่อนหน้ากับปัจจุบัน
แล้วพยากรณ์ high กับ low ของแท่งเทียนในอนาคต

     ส่วน Indicator ตัวที่สอง จะอ่านค่าเฉลี่ยระหว่าง high กับ low
ของแท่งเทียนก่อนหน้า แล้วพยากรณ์ค่าเฉลี่ยระหว่าง high กับ low
ของแท่งเทียนในอนาคตถัดไป 2 แท่ง
(ซึ่งยังไม่ได้โพสต์ในกระทู้พันทิป)

     ทีนี้เราขี้เกียจ ก็เลยอยากให้โมเดลอ่าน Indicator ทั้งสองตัว
แล้วมาให้ Signal ว่าจุดไหนควรซื้อหรือขายในระยะสั้น ๆ
จึงเป็นที่มาของ Indicator ที่เป็น Meta-learning
เรากำหนดว่าจะเป็น Bullish ก็ต่อเมื่อ new high ถัดไป 2 แท่ง
ต่างกับ high ปัจจุบัน พอสมควร (นับ new low กับ low ด้วย)
ส่วน Bearish ก็ตรงกันข้ามกับ Bullish และสุดท้าย
Ranging ก็คือ ไม่ใช่ทั้ง Bearish และ Bullish

     ผลที่ได้ของโมเดลก็จะเป็นแบบนี้
สิ่งที่ควรสนใจเป็นพิเศษก็คือความเที่ยงตรง (Precision)
โดยเฉพาะ Bullish กับ Bearish ซึ่งดูแล้วก็สูงพอใช้งานได้
อย่างไรก็ตาม ต้องนำไปแปลงเป็น Pine Script ก่อน
ซึ่งอาจจะเกือบหรือถึง 3,000 บรรทัด (ซึ่งคงทำพรุ่งนี้ 27)
เสร็จแล้วก็ลองเขียนโค้ดทดสอบกลยุทธ์ ถ้าหากมันพอ
ทำกำไรได้ ก็โอเคละ

รูปภาพ:
[Spoil] คลิกเพื่อดูข้อความที่ซ่อนไว้

Confusion matrix ของ Meta-learning model:

ลักษณะสถาปัตยกรรมของ Meta-learning model คร่าว ๆ: