Diskussion zum Artikel "MQL5-Assistent-Techniken, die Sie kennen sollten (Teil 57): Überwachtes Lernen mit gleitendem Durchschnitt und dem stochastischen Oszillator"
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-Assistent-Techniken, die Sie kennen sollten (Teil 57): Überwachtes Lernen mit gleitendem Durchschnitt und dem stochastischen Oszillator :
Dies ist eine Fortsetzung unseres Blicks auf einfache Muster, die mit dem MQL-Assistenten zusammengestellten Expert Advisors implementiert werden können. In erster Linie geht es dabei immer um die Erprobung von Ideen. Für die spätere Implementierung und die Nutzung des Live-Kontos können manuell zusammengestellte Expert Advisors verwendet werden, nachdem sie über einen längeren Zeitraum getestet wurden. Mit Hilfe von Assistenten zusammengestellte Expert Advisors ermöglichen jedoch schnelle Testläufe mit weniger Vorab-Code.
Maschinelles Lernen ist derzeit in aller Munde, und wir haben einige spezifische Aspekte davon in früheren Artikeln dieser Serie behandelt. Wir werden in diesem und in zukünftigen Artikeln weiterhin auf einige dieser eher technischen Merkmale eingehen, sie werden jedoch im Hintergrund stehen, da wir uns mehr auf die bekannteren und etablierten Indikatormuster konzentrieren werden.
Darüber hinaus werden unsere Artikel im Rahmen des maschinellen Lernens die 3 Hauptzweige des Lernens in jeweils separaten Artikeln in einem Zyklus behandeln. Zu Beginn werden wir uns mit der Überwachung oder dem überwachten Lernen befassen, und unsere Indikatormuster werden aus der Kombination eines Trendindikators und eines Momentum-Indikators bestehen. Wir werden uns mit dem gleitenden Durchschnitt und dem Stochastik-Indikator befassen.
Beim überwachten Lernen versuchen wir, jedes Muster in einem eigenen neuronalen Netz zu implementieren. Diese sind, wie in jüngsten Artikeln dargelegt, in Python besser kodiert und trainiert als MQL5. Die Effizienzgewinne sind unübersehbar. In Python ist es auch problemlos möglich, nach einer Trainingssitzung eine Kreuzvalidierung durchzuführen, und so werden wir diese für jedes Muster durchführen.
Während die Kreuzvalidierung in Python durch den Vergleich des Verlustwerts des Testlaufs mit dem Verlustwert der letzten Trainingsepoche geteilt wird, ist dies allein, obwohl es wichtig ist, unzureichend, um die Kreuzvalidierung der aktuellen Gewichte und Verzerrungen des Netzes zu bewerten.
Wir werden daher im MetaTrader 5-Strategietester mit den exportierten ONNX-Netzwerken Vorwärtstests durchführen. In diesem Beitrag werden die Preise oder x- und y-Datensätze, die vom MetaTrader 5 an Python gesendet werden, um das Training zu beginnen, für das Jahr 2023 für das Paar EUR JPY sein. Daher wird der Vorwärtstest für dasselbe Symbol, aber für das Jahr 2024 erfolgen. Wir führen unsere Analyse im täglichen Zeitrahmen durch.
Die Kombination des gleitenden Durchschnitts (MA) mit dem Stochastik-Oszillator kann eine Vielzahl von Handelssignalen erzeugen. Für unsere Test– und Untersuchungszwecke werden wir nur die 10 besten Signalmuster betrachten, die Händler verwenden können, wenn diese Indikatoren kombiniert werden.
Autor: Stephen Njuki