# Как это работает 🚀 NEOCART Ai — трейдинг, построенный на Deep Reinforcement Learning Мы не используем классические индикаторы как основу стратегии. \ NEOCART Ai построен на архитектуре Recurrent Deep Reinforcement Learning (RL + LSTM) — подходе, который применяется в продвинутых quant-фондах и автономных AI-системах. 🧠 На чём выстроена NEOCART Ai \ 🔹 Reinforcement Learning (RL) Агент обучается через механизм вознаграждения: \ он принимает решения (buy / sell / hold) и оптимизирует стратегию, максимизируя долгосрочную доходность с учётом риска. Это не просто прогноз цены — это оптимизация поведения в рыночной среде. 🔹 LSTM (Long Short-Term Memory) Рекуррентная нейросеть, которая: анализирует временные ряды улавливает скрытые зависимости учитывает долгосрочный контекст рынка адаптируется к смене фаз В отличие от статических моделей, LSTM видит динамику. ⚙️ Как это работает вместе \ Исторические данные → LSTM (понимание структуры рынка) \ ↓ \ RL-агент (принятие решений) \ ↓ \ Оптимизированная торговая стратегия NEOCART Ai не просто реагирует — \ он обучается, адаптируется и эволюционирует. 📈 Что получает конечный пользователь ✅ Адаптивную стратегию вместо фиксированных алгоритмов \ ✅ Управление риском на уровне модели \ ✅ Системный подход без эмоционального фактора \ ✅ Постоянную оптимизацию под изменяющийся рынок \ ✅ Технологию уровня Deep AI вместо набора индикаторов 🎯 Ключевая идея Трейдинг больше не строится на «угадывании движения». \ Он строится на обучении агента действовать в условиях неопределённости. NEOCART Ai — это не сигнал. \ Это система принятия решений. --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://neocart-ai.gitbook.io/neocart-ai-docs/neocart-ai/kak-eto-rabotaet.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.