Artikel über maschinelles Lernen im Handel.

In diesem Beitrag befassen wir uns mit einem wichtigen Schritt der Datenaufbereitung für das maschinelle Lernen, der zunehmend an Bedeutung gewinnt. Pipelines für die Datenvorverarbeitung. Dabei handelt es sich im Wesentlichen um eine rationalisierte Abfolge von Datenumwandlungsschritten, mit denen Rohdaten aufbereitet werden, bevor sie in ein Modell eingespeist werden. So uninteressant dies für den Laien auch erscheinen mag, diese „Datenstandardisierung“ spart nicht nur Trainingszeit und Ausführungskosten, sondern trägt auch zu einer besseren Generalisierung bei. In diesem Artikel konzentrieren wir uns auf einige SCIKIT-LEARN Vorverarbeitungsfunktionen, und während wir den MQL5-Assistenten nicht ausnutzen, werden wir in späteren Artikeln darauf zurückkommen.

Der Artikel präsentiert einen einzigartigen Forschungsversuch, eine Vielzahl von Populationsalgorithmen in einer einzigen Klasse zu kombinieren, um die Anwendung von Optimierungsmethoden zu vereinfachen. Dieser Ansatz eröffnet nicht nur Möglichkeiten für die Entwicklung neuer Algorithmen, einschließlich hybrider Varianten, sondern schafft auch eine universelle Basis-Testumgebung. Dieser Stand wird zu einem wichtigen Instrument für die Auswahl des optimalen Algorithmus für eine bestimmte Aufgabe.

Maschinelles Lernen wird oft durch die Brille der Statistik oder der linearen Algebra betrachtet, aber dieser Artikel betont eine geometrische Perspektive der Modellvorhersagen. Sie zeigt, dass sich die Modelle dem Ziel nicht wirklich annähern, sondern es auf ein neues Koordinatensystem abbilden, was zu einer inhärenten Fehlausrichtung führt, die irreduzible Fehler zur Folge hat. In dem Artikel wird vorgeschlagen, dass mehrstufige Vorhersagen, bei denen die Prognosen des Modells über verschiedene Zeithorizonte hinweg verglichen werden, einen effektiveren Ansatz darstellen als direkte Vergleiche mit dem Ziel. Durch die Anwendung dieser Methode auf ein Handelsmodell zeigt der Artikel erhebliche Verbesserungen der Rentabilität und Genauigkeit, ohne das zugrunde liegende Modell zu verändern.

ARIMA, kurz für Auto Regressive Integrated Moving Average, ist ein leistungsfähiges traditionelles Zeitreihenprognosemodell. Mit der Fähigkeit, Spitzen und Schwankungen in Zeitreihendaten zu erkennen, kann dieses Modell genaue Vorhersagen über die nächsten Werte machen. In diesem Artikel werden wir verstehen, was es ist, wie es funktioniert, was Sie damit tun können, wenn es um die Vorhersage der nächsten Preise auf dem Markt mit hoher Genauigkeit und vieles mehr.

Wie können wir mehrere Strategien am besten kombinieren, um eine leistungsfähige Gesamtstrategie zu schaffen? Nehmen Sie an dieser Diskussion teil, in der wir drei verschiedene Strategien in unsere Handelsanwendung einbauen wollen. Händler verwenden oft spezielle Strategien für die Eröffnung und Schließung von Positionen, und wir wollen wissen, ob unsere Maschinen diese Aufgabe besser erfüllen können. In unserer einleitenden Diskussion machen wir uns mit den Fähigkeiten des Strategietesters und den Prinzipien der OOP vertraut, die wir für diese Aufgabe benötigen.

Im zweiten Teil des Artikels werden wir uns mit der praktischen Implementierung des BSO-Algorithmus befassen, Tests mit Testfunktionen durchführen und die Effizienz von BSO mit anderen Optimierungsmethoden vergleichen.