Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 33): Gauß-Prozess-Kerne"
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 MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 33): Gauß-Prozess-Kerne :
Gaußsche Prozesskerne sind die Kovarianzfunktion der Normalverteilung, die bei der Vorhersage eine Rolle spielen können. Wir untersuchen diesen einzigartigen Algorithmus in einer nutzerdefinierten Signalklasse von MQL5, um zu sehen, ob er als erstklassiges Einstiegs- und Ausstiegssignal verwendet werden kann.
Die Kernel der Gauß- Prozesse sind Kovarianzfunktionen, die in Gauß-Prozessen verwendet werden, um die Beziehungen zwischen Datenpunkten zu messen, z. B. in einer Zeitreihe. Diese Kernel erzeugen Matrizen, die die Beziehung zwischen den Daten erfassen und es dem Gauß-Prozess ermöglichen, Projektionen oder Vorhersagen unter der Annahme zu erstellen, dass die Daten einer Normalverteilung folgen. Da diese Serien neue Ideen erforschen und gleichzeitig untersuchen, wie diese Ideen genutzt werden können, dienen Gaußsche Prozesskerne (GP) als unser Thema beim Aufbau eines nutzerdefinierten Signals.
In den letzten fünf Artikeln haben wir viel über maschinelles Lernen berichtet. In diesem Artikel machen wir eine Pause und schauen uns die gute alte Statistik an. Es liegt in der Natur der Sache, dass bei der Entwicklung von Systemen oft beides zusammenkommt. Bei der Entwicklung dieses speziellen, nutzerdefinierten Signals werden wir jedoch keine Algorithmen des maschinellen Lernens ergänzen oder berücksichtigen. GP-Kerne zeichnen sich durch ihre Flexibilität aus.
Sie können zur Modellierung einer Vielzahl von Datenmustern verwendet werden, die von Periodizität über Trends bis hin zu nicht-linearen Beziehungen reichen. Noch wichtiger ist jedoch, dass sie bei der Vorhersage mehr als nur einen einzigen Wert liefern. Stattdessen liefern sie eine Unsicherheitsschätzung, die den gewünschten Wert sowie eine obere und untere Grenze enthält. Diese Bandbreiten werden häufig mit einer Konfidenzeinstufung versehen, was die Entscheidungsfindung des Händlers bei der Vorlage eines Prognosewertes weiter erleichtert. Diese Konfidenzraten können auch aufschlussreich sein und zu einem besseren Verständnis der gehandelten Wertpapiere beitragen, wenn man verschiedene Prognosebänder vergleicht, die mit unterschiedlichen Konfidenzniveaus gekennzeichnet sind.
Darüber hinaus können sie gut mit verrauschten Daten umgehen, da sie es erlauben, einen Wert für das Rauschen zur erstellten K-Matrix hinzuzufügen (siehe unten), und sie können auch unter Einbeziehung von Vorwissen verwendet werden, außerdem sind sie sehr skalierbar. Es gibt eine ganze Reihe verschiedener Kernel, aus denen man wählen kann. Die Liste umfasst (aber nicht nur): Quadratischer Exponentialkern (RBF), linearer Kernel, periodischer Kernel, rationaler quadratischer Kern, Matern-Kernel, Exponential-Kernel, Polynom-Kernel, Kernel des weißen Rauschens, Punktprodukt-Kernel, spektraler Mischungskernel, konstanter Kernel, Kosinus-Kernel, Kernel des neuronalen Netzes (Arkosinus) sowie Produkt- und Summen-Kernels.
Autor: Stephen Njuki