Diskussion zum Artikel "Datenwissenschaft und maschinelles Lernen (Teil 12): Können selbstlernende neuronale Netze Ihnen helfen, den Aktienmarkt zu überlisten?"
Eine gute Demo, um die Möglichkeit des Selbsttrainings (Tuning) von ML EA zu zeigen.
Dies ist noch in den frühen Tagen von MQL ML. Hoffentlich werden im Laufe der Zeit immer mehr Menschen MALE5 nutzen. Ich freue mich auf seine Reife.
GitHub - MegaJoctan/MALE5: Machine Learning repository for MQL5
- MegaJoctan
- github.com
MALE5 is a machine learning repository for creating trading systems in the c++ like, MQL5 programming language. It was developed to help build machine learning based trading robots, effortlessly in the MetaTrader5 platform This Library is: Simple to use You can literly start building your system once you call class constructor Flexible You can...
Es gibt keine selftrain NN.mqh im Archiv
Wie kann ich das Netz speichern und laden?
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Datenwissenschaft und maschinelles Lernen (Teil 12): Können selbstlernende neuronale Netze Ihnen helfen, den Aktienmarkt zu überlisten? :
Sind Sie es leid, ständig zu versuchen, den Aktienmarkt vorherzusagen? Hätten Sie gerne eine Kristallkugel, die Ihnen hilft, fundiertere Investitionsentscheidungen zu treffen? Selbst trainierte neuronale Netze könnten die Lösung sein, nach der Sie schon lange gesucht haben. In diesem Artikel gehen wir der Frage nach, ob diese leistungsstarken Algorithmen Ihnen helfen können, „die Welle zu reiten“ und den Aktienmarkt zu überlisten. Durch die Analyse großer Datenmengen und die Erkennung von Mustern können selbst trainierte neuronale Netze Vorhersagen treffen, die oft genauer sind als die von menschlichen Händlern. Entdecken Sie, wie Sie diese Spitzentechnologie nutzen können, um Ihre Gewinne zu maximieren und intelligentere Investitionsentscheidungen zu treffen.
Ich habe eine kurze Optimierung durchgeführt und die folgenden Werte ermittelt. copy_rates_x: COPY_RATES_LOW, n_samples: 2950, Slippage: 1, Stop loss: 7.4, Take profit: 5.0.
Diesmal ergab das Modell zu Beginn des Strategietesters eine Trainingsgenauigkeit von 61,5 % und eine Testgenauigkeit von 63,5 %. Das scheint akzeptabel zu sein.
Autor: Omega J Msigwa