Diskussion zum Artikel "Entwicklung eines Roboters in Python und MQL5 (Teil 2): Auswahl, Erstellung und Training von Modellen, Python Custom Tester"
Guter Artikel. Mir gefällt, dass alles in "klassischer" MO-Manier gemacht wird, ohne jede Subtilität.
Bei einem kurzen Blick ist mir noch nicht ganz klar geworden, was für ein Ensemble von Modellen erstellt wird. Wurden sie mit denselben oder mit unterschiedlichen Daten trainiert.
Ich werde es später herausfinden und es ergänzen.
Guter Artikel. Es gefällt mir, dass er auf die "klassische" MoD-Art verfasst ist, also keine Spitzfindigkeiten.
Bei einem kurzen Blick auf den Artikel ist mir noch nicht ganz klar geworden, was für ein Ensemble von Modellen erstellt wird. Wurden sie mit denselben oder mit unterschiedlichen Daten trainiert.
Ich werde es später herausfinden und es ergänzen.
Vielen Dank, sehr schön! Das Ensemble wurde mit denselben Daten trainiert)
Vielen Dank für den Artikel! Ich habe ihn mit Interesse gelesen. Ich habe auch vor, in Zukunft verschiedene Python-Modelle zu lernen, und dies ist tatsächlich ein fertiges Rezept, das eine gute Ausgangsbasis bietet.
Dank der vorherigen Artikel, ging ich zu Python lernen.
Ich habe keine Zeit gehabt, um viel Fortschritt im Verständnis von Python zu machen, und hier ist der zweite Artikel, und es ist auch interessant.
Und ich bin wie in der Fabel - der Fuchs und die Trauben))))
- 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 Entwicklung eines Roboters in Python und MQL5 (Teil 2): Auswahl, Erstellung und Training von Modellen, Python Custom Tester :
Wir setzen die Serie von Artikeln über die Entwicklung eines Handelsroboters in Python und MQL5 fort. Heute werden wir das Problem der Auswahl und des Trainings eines Modells, das Testen desselben, die Implementierung der Kreuzvalidierung, die Rastersuche sowie das Problem des Modell-Ensembles lösen.
Imvorangegangenen Artikelhaben wir ein wenig über maschinelles Lernen gesprochen, eine Datenerweiterung durchgeführt, Merkmale für das zukünftige Modell entwickelt und die besten davon ausgewählt. Jetzt ist es an der Zeit, ein funktionierendes, maschinelles Lernmodell zu erstellen, das aus unseren Merkmalen lernt und (hoffentlich erfolgreich) handelt. Um das Modell zu evaluieren, werden wir einen nutzerdefinierten Python-Tester schreiben, der uns hilft, die Leistung des Modells und die Schönheit der Testgraphen zu bewerten. Um schönere Testgraphen und eine größere Modellstabilität zu erreichen, werden wir außerdem eine Reihe klassischer Funktionen des maschinellen Lernens entwickeln.
Unser oberstes Ziel ist es, ein funktionierendes und maximal profitables Modell für die Preisprognose und den Handel zu entwickeln. Der gesamte Code wird in Python geschrieben sein, mit Einbindung der MQL5-Bibliothek.
Autor: Yevgeniy Koshtenko