Diskussion zum Artikel "Erforschung fortgeschrittener maschineller Lerntechniken bei der Darvas Box Breakout Strategie"

Neuer Kommentar
 

Neuer Artikel Erforschung fortgeschrittener maschineller Lerntechniken bei der Darvas Box Breakout Strategie :

Die von Nicolas Darvas entwickelte Darvas-Box-Breakout-Strategie ist ein technischer Handelsansatz, der potenzielle Kaufsignale erkennt, wenn der Kurs einer Aktie über einen festgelegten Bereich der „Box“ ansteigt, was auf eine starke Aufwärtsdynamik hindeutet. In diesem Artikel werden wir dieses Strategiekonzept als Beispiel anwenden, um drei fortgeschrittene Techniken des maschinellen Lernens zu untersuchen. Dazu gehören die Verwendung eines maschinellen Lernmodells zur Generierung von Signalen anstelle von Handelsfiltern, die Verwendung von kontinuierlichen Signalen anstelle von diskreten Signalen und die Verwendung von Modellen, die auf verschiedenen Zeitrahmen trainiert wurden, um Handelsgeschäfte zu bestätigen.

Die von Nicolas Darvas entwickelte Darvas-Box-Breakout-Strategie ist ein technischer Handelsansatz, der potenzielle Kaufsignale erkennt, wenn der Kurs einer Aktie über einen festgelegten Bereich der „Box“ ansteigt, was auf eine starke Aufwärtsdynamik hindeutet. In diesem Artikel werden wir dieses Strategiekonzept als Beispiel anwenden, um drei fortgeschrittene Techniken des maschinellen Lernens zu untersuchen. Dazu gehören die Verwendung eines maschinellen Lernmodells zur Generierung von Signalen anstelle von Handelsfiltern, die Verwendung von kontinuierlichen Signalen anstelle von diskreten Signalen und die Verwendung von Modellen, die auf verschiedenen Zeitrahmen trainiert wurden, um Handelsgeschäfte zu bestätigen. Diese Methoden bieten neue Perspektiven, wie maschinelles Lernen den algorithmischen Handel über die traditionellen Praktiken hinaus verbessern kann.

Dieser Artikel befasst sich eingehend mit den Merkmalen und der Theorie hinter drei fortgeschrittenen Techniken, die von Pädagogen nur selten behandelt werden, da sie im Vergleich zu traditionellen Methoden innovativ sind.  Außerdem werden Einblicke in fortgeschrittene Themen wie Feature-Engineering und Hyperparameter-Tuning während des Modelltrainings gewährt. Es wird jedoch nicht jeder Schritt des Arbeitsablaufs beim Training von Modellen für maschinelles Lernen im Detail behandelt. Leser, die sich für die übersprungenen Verfahren interessieren, finden unter diesem Artikel den vollständigen Implementierungsprozess.


Autor: Zhuo Kai Chen

 
Danke Zhou für den interessanten Artikel und die Code-Beispiele . für mich musste ich einige der Python-Komponenten manuell installieren, damit es funktioniert. das kann anderen Benutzern helfen !pip install catboost!pip install onnxruntime !pip install skl2onnx. nach der Fertigstellung kann ich testen . aber wenn ich versuche, den zugehörigen EA zu laden, habe ich "Failed to set the Output[1] shape Err=5802. Ich bin mir nicht sicher, woher das kommt oder ob es wichtig ist, und ich bin nicht in der Lage herauszufinden, woher das kommt . . die Dokumentation sagt ERR_ONNX_NOT_SUPPORTED

5802

Eigenschaft oder Wert wird von MQL5 nicht unterstützt, es folgt die Meldung ONNX Model Initialised ? haben Sie irgendwelche Vorschläge?
 
linfo2 catboost!pip install onnxruntime !pip install skl2onnx. nach der Fertigstellung kann ich testen . aber wenn ich versuche, den zugehörigen EA zu laden, habe ich "Failed to set the Output[1] shape Err=5802. Ich bin mir nicht sicher, woher das kommt oder ob es wichtig ist, und ich bin nicht in der Lage herauszufinden, woher das kommt . . die Dokumentation sagt ERR_ONNX_NOT_SUPPORTED

5802

Eigenschaft oder Wert wird von MQL5 nicht unterstützt, es folgt die Meldung ONNX Model Initialised ? haben Sie irgendwelche Vorschläge?

Danke für den Hinweis. Der Pip-Installationsteil wurde ignoriert, aber die Benutzer müssen die zugehörige Bibliothek installieren, wenn sie es nicht schon getan haben.

Ihr Fehler kann dadurch verursacht werden, dass die Dimensionen, die Sie beim Training Ihres Modells verwendet haben, sich von denen unterscheiden, die Sie in Ihrem EA verwenden. Wenn Sie zum Beispiel ein Modell mit 5 Merkmalen trainiert haben, sollten Sie auch 5 Merkmale in Ihren EA eingeben, nicht 4 oder 6. Eine detailliertere Anleitung finden Sie in diesem Artikel. Hoffentlich hilft das. Wenn nicht, geben Sie bitte mehr Kontext an.

Utilizing CatBoost Machine Learning model as a Filter for Trend-Following Strategies
Utilizing CatBoost Machine Learning model as a Filter for Trend-Following Strategies
  • www.mql5.com
CatBoost is a powerful tree-based machine learning model that specializes in decision-making based on stationary features. Other tree-based models like XGBoost and Random Forest share similar traits in terms of their robustness, ability to handle complex patterns, and interpretability. These models have a wide range of uses, from feature analysis to risk management. In this article, we're going to walk through the procedure of utilizing a trained CatBoost model as a filter for a classic moving average cross trend-following strategy. This article is meant to provide insights into the strategy development process while addressing the challenges one may face along the way. I will introduce my workflow of fetching data from MetaTrader 5, training machine learning model in Python, and integrating back to MetaTrader 5 Expert Advisors. By the end of this article, we will validate the strategy through statistical testing and discuss future aspirations extending from the current approach.
Neuer Kommentar