Mais vendidos no Mercado:
7 novos produtos no Mercado:
16 novos sinais já está disponível para assinatura:
Crescimento: | 244.55 | % |
Capital Líquido: | 3 493.86 | USD |
Saldo: | 4 244.71 | USD |
Crescimento: | 238.75 | % |
Capital Líquido: | 4 290.42 | USD |
Saldo: | 5 442.95 | USD |
Crescimento: | 62.82 | % |
Capital Líquido: | 162 820.72 | USD |
Saldo: | 162 820.72 | USD |
Os produtos gratuitos mais baixados:
Mais vendidos no Mercado:
8 novos produtos no Mercado:
Publicado o artigo "Algoritmos de otimização populacional: algoritmos de estratégias evolutivas (Evolution Strategies, (μ,λ)-ES e (μ+λ)-ES)".
Neste artigo, vamos falar sobre um grupo de algoritmos de otimização conhecidos como "Estratégias Evolutivas" (Evolution Strategies ou ES). Eles são alguns dos primeiros algoritmos que usam princípios de evolução para encontrar soluções ótimas. Vamos mostrar as mudanças feitas nas versões clássicas das ES, além de revisar a função de teste e a metodologia de avaliação dos algoritmos.
Publicado o artigo "Padrões de projeto no MQL5 (Parte 4): Padrões comportamentais 2".
Com este artigo concluímos a série sobre padrões de projeto na área de software. Já mencionei que existem três tipos de padrões de projeto: criacionais, estruturais e comportamentais. Finalizaremos os padrões comportamentais restantes, que ajudarão a definir a maneira de interação entre objetos, de modo a tornar nosso código mais limpo.
14 novos sinais já está disponível para assinatura:
Crescimento: | 172.66 | % |
Capital Líquido: | 2 486.56 | USD |
Saldo: | 2 486.56 | USD |
Crescimento: | 12.27 | % |
Capital Líquido: | 113 923.08 | USD |
Saldo: | 112 198.28 | USD |
Mais vendidos no Mercado:
17 novos sinais já está disponível para assinatura:
Crescimento: | 68.16 | % |
Capital Líquido: | 1 680.36 | USD |
Saldo: | 1 681.56 | USD |
5 novos produtos no Mercado:
Mais vendidos no Mercado:
10 novos sinais já está disponível para assinatura:
Crescimento: | 608.83 | % |
Capital Líquido: | 3 308.00 | USD |
Saldo: | 3 891.85 | USD |
Os produtos gratuitos mais baixados:
6 novos produtos no Mercado:
14 novos sinais já está disponível para assinatura:
Crescimento: | 26.68 | % |
Capital Líquido: | 1 610.14 | USD |
Saldo: | 1 625.74 | USD |
Publicado o artigo "Ciência de dados e aprendizado de máquina (Parte 17): O dinheiro cresce em árvores? Florestas aleatórias no trading de forex".
Neste artigo, vamos desvendar os segredos da alquimia algorítmica, explorando a arte e precisão dos mercados financeiros. Você vai ver como as florestas aleatórias transformam dados em previsões e ajudam a navegar nas complexidades do mercado financeiro. Vamos entender o papel das florestas aleatórias com dados financeiros e ver se elas podem ajudar a aumentar os lucros.
Publicado o artigo "Indicador de posições históricas no gráfico em forma de diagrama de lucro/prejuízo".
Vamos falar sobre como obter informações sobre posições fechadas usando o histórico de negociações. Vamos criar um indicador simples que mostra um diagrama aproximado de lucro/prejuízo das posições em cada barra.
Mais vendidos no Mercado:
8 novos produtos no Mercado:
Mais vendidos no Mercado:
18 novos sinais já está disponível para assinatura:
Crescimento: | 137.03 | % |
Capital Líquido: | 673 058.51 | USD |
Saldo: | 684 358.51 | USD |
Os produtos gratuitos mais baixados:
7 novos produtos no Mercado:
Mais vendidos no Mercado:
Publicado o artigo "Funcionalidades do assistente MQL5 que você precisa conhecer (Parte 09): Combinação de agrupamento k-médias com ondas fractais".
O agrupamento k-médias é uma abordagem para agrupar pontos de dados em um processo que inicialmente se concentra na representação macro do conjunto de dados, onde são aplicados centroides de cluster criados aleatoriamente. Com o tempo, esses centroides são ajustados e escalonados para representar melhor o conjunto de dados. Este artigo examina essa abordagem de agrupamento e algumas de suas aplicações.
Publicado o artigo "Redes neurais de maneira fácil (Parte 68): Otimização off-line de políticas baseada em preferências".
Desde os primeiros artigos sobre aprendizado por reforço, a gente sempre falou de duas coisas: como explorar o ambiente e definir a função de recompensa. Os artigos mais recentes foram dedicados à exploração durante o aprendizado off-line. Neste aqui, quero apresentar a você um algoritmo em que os autores resolveram deixar de lado a função de recompensa.