Diskussion zum Artikel "Funktionsentwicklung mit Python und MQL5 (Teil I): Vorhersage gleitender Durchschnitte für weitreichende AI-Modelle"
Das gezeigte Ergebnis sieht vielversprechend aus; ich werde es ausprobieren.
Bitte mehr von dieser Art.
Danke!
MetaQuotes:
Der Artikel Trait Engineering mit Python und MQL5 (Teil I) wurde veröffentlicht: KI-Modelle für Langzeitprognosen auf gleitenden Durchschnitten:
Autor: Gamuchirai Zororo Ndawana
Einige der Bilder werden nicht angezeigt...
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 Funktionsentwicklung mit Python und MQL5 (Teil I): Vorhersage gleitender Durchschnitte für weitreichende AI-Modelle :
Die gleitenden Durchschnitte sind bei weitem die besten Indikatoren für die Vorhersage unserer KI-Modelle. Wir können unsere Genauigkeit jedoch noch weiter verbessern, indem wir unsere Daten sorgfältig transformieren. In diesem Artikel wird gezeigt, wie Sie KI-Modelle erstellen können, die in der Lage sind, weiter in die Zukunft zu prognostizieren, als Sie es derzeit tun, ohne dass Ihre Genauigkeit signifikant sinkt. Es ist wirklich bemerkenswert, wie nützlich die gleitenden Durchschnitte sind.
Als wir das letzte Mal über die Vorhersage gleitender Durchschnitte mit KI sprachen, lieferte ich Beweise dafür, dass die Werte gleitender Durchschnitte für unsere KI-Modelle leichter vorherzusagen sind als künftige Kursniveaus; der Link zu diesem Artikel ist hier zu finden. Damit wir jedoch sicher sein können, dass unsere Ergebnisse signifikant sind, habe ich zwei identische KI-Modelle auf mehr als 200 verschiedene Marktsymbole trainiert und die Genauigkeit der Preisprognose mit der Genauigkeit der Prognose des gleitenden Durchschnitts verglichen. Die Ergebnisse scheinen zu zeigen, dass unsere Genauigkeit im Durchschnitt um 34 % sinkt, wenn wir den Preis über die gleitenden Durchschnitte prognostizieren.
Im Durchschnitt können wir bei der Prognose der gleitenden Durchschnitte mit einer Genauigkeit von 70 % rechnen, während wir bei der Kursprognose eine Genauigkeit von 52 % erwarten. Wir alle wissen, dass der Indikator des gleitenden Durchschnitts je nach Zeitraum den Kursen nicht sehr genau folgt. So kann der Kurs beispielsweise über 20 Kerzen hinweg fallen, während die gleitenden Durchschnitte im gleichen Zeitraum steigen. Diese Divergenz ist für uns unerwünscht, da wir zwar die Richtung des gleitenden Durchschnitts korrekt vorhersagen können, der Preis aber abweichen kann. Bemerkenswerterweise haben wir festgestellt, dass die Rate der Divergenz über alle Märkte hinweg konstant bei 31 % liegt, und unsere Fähigkeit, Divergenzen vorherzusagen, lag im Durchschnitt bei 68 %.
Darüber hinaus betrug die Varianz unserer Fähigkeit, Divergenzen vorherzusagen, 0,000041 und die des Auftretens von Divergenzen 0,000386. Dies zeigt, dass unser Modell in der Lage ist, sich selbst mit ausreichender Qualifikation zu korrigieren. Mitglieder der Community, die KI in langfristigen Handelsstrategien einsetzen wollen, sollten diesen alternativen Ansatz für höhere Zeiträume in Betracht ziehen. Wir beschränken uns vorerst auf die M1, weil dieser Zeitrahmen sicherstellt, dass wir über genügend Daten für alle 297 Märkte verfügen, um faire Vergleiche anstellen zu können.
Es gibt viele mögliche Gründe, warum die gleitenden Durchschnitte leichter vorherzusagen sind als der Kurs selbst. Das mag daran liegen, dass die Vorhersage gleitender Durchschnitte eher der Idee der linearen Regression entspricht als die Preisvorhersage, denn die lineare Regression geht davon aus, dass die Daten eine lineare Kombination (Summe) mehrerer Eingaben sind: Gleitende Durchschnitte sind eine Summierung früherer Kurswerte, d. h. die lineare Annahme ist zutreffend. Der Preis selbst ist keine einfache Summierung von Variablen aus der realen Welt, sondern eine komplexe Beziehung zwischen vielen Variablen.
Autor: Gamuchirai Zororo Ndawana