Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 73): AutoBots zur Vorhersage von Kursbewegungen"
DIES ist der zweitbeste Artikel bisher! <3
Hallo. Es befinden sich bereits fünf Expert Advisors im Ordner. Können Sie mir sagen, in welcher Reihenfolge Sie sie ausgeführt haben?
0. ResearchRealORL.mq5 - wir lassen ihn ganz am Anfang laufen (nicht unbedingt) für die anfängliche Sammlung von Trajektorien. Aber bevor man es startet, muss man Vorbereitungen treffen, um echte Passagen aus Signalen oder anderen Quellen zu sammeln. Der Prozess wird in Artikel 67 beschrieben
1. research.mq5 - wird für die anfängliche Sammlung von Trajektorien durch zufällige Richtlinien und die Aktualisierung der Datenbank von Beispielen nach jeder Iteration des Richtlinien-Trainings ausgeführt. Erfordert mindestens 1 Durchlauf in der Beispieldatenbank.
2. studyEncoder.mq5 - wird "einmal für eine lange Zeit" ausgeführt, um das Modell zur Vorhersage der Flugbahn zu trainieren.
3. study.mq5 - wird iterativ mit research.mq5 ausgeführt, um die Agentenrichtlinie zu trainieren. Erfordert eine Datenbank mit Primärbeispielen und ein trainiertes Bahnvorhersagemodell.
4. test.mq5 - wird verwendet, um die trainierte Strategie im Strategietester zu testen.
- www.mql5.com
.... Außerdem. Links zu vergangenen Artikeln sind wie mehrere Goto's geworden, um die Spur zu verwischen.
Ich kann keine vollständige Liste der Serie geben. Einige der Artikel sind unter "Andere Artikel des Autors" aufgeführt. Und die vollständige Liste kann über eine Suche gefunden werden.
Es gibt keine StudyEncoder.mq5 in dem Ordner . Aber es gibt Alternate und Study Traj, die Sie nicht erwähnen.
Ich entschuldige mich, StudyEncoder war im vorherigen Artikel. In diesem Artikel ist es in StudyTraj umbenannt . Der vorherige Artikel lehrte die komprimierte Darstellung der Flugbahn in Autoencoder. Und Autobot-Studie gibt die Flugbahn zurück.
Alternate - wird im Test verwendet, um die Genauigkeit der Trajektorienvorhersage zu überprüfen. Dabei nehmen wir einfach die von Autobot vorhergesagte Trajektorie, bestimmen das nächstgelegene Extremum auf ihr und machen einen Handel in ihrer Richtung mit dem minimalen Lot.
Es gibt einen Link am unteren Rand der Geschichte von jedem Signal Seite
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Neuronale Netze leicht gemacht (Teil 73): AutoBots zur Vorhersage von Kursbewegungen :
Wir fahren fort mit der Erörterung von Algorithmen für das Training von Trajektorievorhersagemodellen. In diesem Artikel werden wir uns mit einer Methode namens „AutoBots“ vertraut machen.
Die effektive Vorhersage der Entwicklung von Währungspaaren ist ein wichtiger Aspekt eines sicheren Handelsmanagements. In diesem Zusammenhang wird besonderes Augenmerk auf die Entwicklung effizienter Modelle gelegt, die die gemeinsame Verteilung von kontextuellen und zeitlichen Informationen, die für Handelsentscheidungen erforderlich sind, genau approximieren können. Als eine mögliche Lösung für solche Aufgaben wird eine neue Methode namens „Latent Variable Sequential Set Transformers“ (AutoBots) diskutiert, die in dem Artikel „Latent Variable Sequential Set Transformers For Joint Multi-Agent Motion Prediction“ vorgestellt wird. Die vorgeschlagene Methode basiert auf der Encoder-Decoder-Architektur. Es wurde entwickelt, um Probleme der sicheren Steuerung von Robotersystemen zu lösen. Es ermöglicht die Erzeugung von Trajektorienfolgen für mehrere Agenten, die mit der Szene übereinstimmen. AutoBots können die Trajektorie eines Ego-Agenten oder die Verteilung der zukünftigen Trajektorien aller Agenten in der Szene vorhersagen. In unserem Fall werden wir versuchen, das vorgeschlagene Modell anzuwenden, um Sequenzen von Preisbewegungen von Währungspaaren zu erzeugen, die mit der Marktdynamik übereinstimmen.
Autor: Dmitriy Gizlyk