Diskussion zum Artikel "Beispiel eines neuen Indikators und eines Conditional LSTM"
Können Sie mir bitte sagen, wo ich die Dateien ablegen soll.
Ich habe den Ordner C:\Benutzer\anilh\AppData\Roaming\MetaQuotes\Terminal\73B7A2420D6397DFF9014A20F1201F97\MQL5\Files
sowie in C:\Benutzer\anilh\AppData\Roaming\MetaQuotes\Terminal\Common\Files
die .onnx-Datei und erhalten die folgenden Fehler
Ressourcendatei '/Files/stock_prediction_model_MACD.onnx' nicht gefunden IC_009_EA_ONNX_045_Final.mq5
Ressourcendatei 'C:\Benutzer\anilh\AppData\Roaming\MetaQuotes\Terminal\73B7A2420D6397DFF9014A20F1201F97\MQL5\Files\stock_prediction_model_MACD.onnx' nicht gefunden (2) IC_009_EA_ONNX_045_Final.mq5
Dies funktioniert perfekt und bis jetzt ist es offen mehr als 10 Gewinne und alle hitted tp aber im wundern, wenn Sie einen Satz, der in niedrigeren tf funktioniert haben
Ich habe ein Problem mit diesem ... um die Modelle zu machen, habe ich python colab mit Daten von einem websearcher ich kann nicht Name ... statt mit colab mit python, könnten Sie python und bilden das Modell in Ihrem Laptop (Sie sollten eine neue py-Skript) .... Ich sage dies, weil, die .com, von wo ich die Daten erhalten, können ähnliche Daten für 1day (im Vergleich mit unseren Maklern) ... aber wenn Sie zu kleineren Zeiträumen gehen, möchten Sie vielleicht mt5 Daten (Ihre Makler Daten mit mt5) verwenden ... (einige Makler haben unterschiedliche Daten).
Bin ich verständlich?
Ja, bitte, füllen Sie frei, es in niedrigeren Perioden zu versuchen, und teilen Sie die Ergebnisse!
Können Sie mir bitte sagen, wo ich die Dateien ablegen soll?
Ich habe den Ordner C:\Benutzer\anilh\AppData\Roaming\MetaQuotes\Terminal\73B7A2420D6397DFF9014A20F1201F97\MQL5\Files
sowie in C:\Benutzer\anilh\AppData\Roaming\MetaQuotes\Terminal\Common\Files
die .onnx-Datei und erhalten die folgenden Fehler
Ressourcendatei '/Files/stock_prediction_model_MACD.onnx' nicht gefunden IC_009_EA_ONNX_045_Final.mq5
Ressourcendatei 'C:\Benutzer\anilh\AppData\Roaming\MetaQuotes\Terminal\73B7A2420D6397DFF9014A20F1201F97\MQL5\Files\stock_prediction_model_MACD.onnx' nicht gefunden (2) IC_009_EA_ONNX_045_Final.mq5
Hallo Anil!
das onnx-Modell muss in deinen Files-Ordner (MQL5 -> Files) ... oder wo du willst (in mql5\files\), ändere einfach den Pfad (du musst nicht den ganzen Pfad angeben, nur von \\Files\...)
Ich habe ein Problem mit diesem ..., um die Modelle zu machen, Ich benutzte python colab mit Daten von einem websearcher ich kann nicht Name ... statt mit colab mit python, Sie könnten python verwenden und bilden das Modell in Ihrem Laptop (Sie sollten eine neue py-Skript) .... Ich sage dies, weil, die .com, von wo ich die Daten erhalten, können ähnliche Daten für 1day (im Vergleich mit unseren Maklern) ... aber wenn Sie zu kleineren Zeiträumen gehen, möchten Sie vielleicht mt5 Daten (Ihre Makler Daten mit mt5) verwenden ... (einige Makler haben unterschiedliche Daten).
Bin ich verständlich?
Ja, bitte, füllen Sie frei, es in niedrigeren Perioden zu versuchen, und teilen Sie die Ergebnisse!
Hallo Anil!
das onnx-Modell muss in deinen Datei-Ordner (MQL5 -> Dateien) ... oder wo du willst (innerhalb von mql5\Dateien\), ändere einfach den Pfad (du musst nicht den ganzen Pfad angeben, nur von \\Files\...)
Hallo Javier
danke für deine Antwort.
Ich habe das Problem gefunden. Sie haben "stock_prediction_model_MACD.onnx" in EA benannt, aber in den Zip-Dateien wird es als stock_prediction_model_MACD_Signal.onnx bezeichnet
Ich habe auch eine unangemessene Verwendung des Indikator-Handles (Bug!!!) im Code festgestellt. Sie haben verwendet
double volatility = iMA(NULL, 0, volatility_period, 0, MODE_SMA, PRICE_CLOSE);
double atr = iATR(_Symbol,PERIOD_CURRENT,14)*_Point;
double volatility = iStdDev(_Symbol, PERIOD_CURRENT, volatility_period, 0, MODE_SMA, PRICE_CLOSE);
In MQL5 werden Indikatorwerte mit CopyBuffer und Indikatorhandle abgeleitet, die Sie in
int macd_handle2 = iMACD(_Symbol, PERIOD_CURRENT, 12, 26, 9, PRICE_CLOSE); CopyBuffer(macd_handle2, 0, 0, 1, macd_main2);Können Sie bitte erläutern, warum handle anders als double variable verwendet wurde, um die Werte im ersten Fall zu erhalten?
Viele Grüße und ein schönes Wochenende.
Ok ich werde versuchen, ein neues Modell zu machen, aber von einigen Forschern, die ich sah, ist es gut, Änderungen mindestens alle 6 Monate zu machen. ich werde backtest erstens mit verschiedenen Eingängen auf mt5 und onnx Modell, das ich mit diesen Werten lassen wird, die Sie platziert. Entry ist perfekt, aber ich sah heute, dass tp und sl haben zu tune basierte Broker. Vielen Dank!
Hallo, gute q.
Es ist gut, ein neues Modell alle 6 Monate zu machen (wenn Sie 1d Zeitrahmen Perioden verwenden), was interessant wäre, ist ein Modell mit einer Art von exponentiellen oder linearen Gewichte zu machen (so letzten Werte hatten Gewicht mehr ... Ich arbeite daran, ich werde einen Artikel darüber veröffentlichen), und in diesem Fall, ja, Sie sollten Modelle viel häufiger machen. Ja, 6 Monate haben gute Ergebnisse im Daytrading, aber es ist nicht so unterschiedlich zu 3 Monaten. Es ist interessanter, die Wartezeiten für die letzten Werte anzugeben, denn ein Modell hat normalerweise 10 Tausend letzte Kerzen ... Ich werde an diesem Thema arbeiten und einen Artikel veröffentlichen.
Ich sehe Zweck, wenn dieser EA ist zu öffnen, Position basierte Volatilität und Geräusche sind jetzt erforderlich, wenn wir ma verwenden, dann können wir nur Trend sehen.
Nun, der Zweck dieses Artikels ist zu sehen, dass wir auch bedingte LSTM-Modelle mit Indikatoren, die auch gutes Ergebnis geben, wie gezeigt ... die VAM ist für Sie zu sehen, dass ein Indikator etwas nicht so schwierig zu erstellen ist.
- 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 Beispiel eines neuen Indikators und eines Conditional LSTM :
Dieser Artikel befasst sich mit der Entwicklung eines Expert Advisors (EA) für den automatisierten Handel, der technische Analyse mit Deep Learning-Vorhersagen kombiniert.
Technische Indikatoren werden in der Finanzbranche seit langem verwendet, um Trends und mögliche Handelsmöglichkeiten zu erkennen. Trotz ihrer Bedeutung reichen diese Indikatoren häufig nicht aus, um die Komplexität der Marktdynamik vollständig zu erfassen, insbesondere in Zeiten extremer Volatilität oder abrupter Veränderungen. Allerdings haben insbesondere Deep-Learning-Architekturen wie LSTMs ein erstaunliches Potenzial für maschinelle Lernmodelle zur Mustererkennung und Vorhersage in komplizierten, zeitabhängigen Daten gezeigt. Diese Modelle bieten jedoch nicht immer die Interpretierbarkeit und das domänenspezifische Wissen, das die herkömmliche technische Analyse bietet.
Unsere Strategie zielt darauf ab, diese Lücke zu schließen, indem wir die Vorteile beider Ansätze zusammenführen. In diesem Artikel wird ein neuartiges Instrument vorgestellt, der volatilitätsbereinigte Momentum-Indikator (VAM), der die Marktdynamik unter Berücksichtigung der zugrunde liegenden Volatilität zu messen versucht. Im Vergleich zu herkömmlichen Momentum-Indikatoren bietet dies ein detaillierteres Bild der Marktdynamik. VAM zielt darauf ab, durch Berücksichtigung der Volatilität verlässlichere Signale in einer Reihe von Marktszenarien - von ruhig bis stürmisch - zu liefern.
Autor: Javier Santiago Gaston De Iriarte Cabrera