Diskussion zum Artikel "Neuronale Netze im Handel: Hyperbolisches latentes Diffusionsmodell (letzter Teil)"

Neuer Kommentar
 

Neuer Artikel Neuronale Netze im Handel: Hyperbolisches latentes Diffusionsmodell (letzter Teil) :

Die Verwendung anisotroper Diffusionsprozesse zur Kodierung der Ausgangsdaten in einem hyperbolischen latenten Raum, wie sie im HypDIff-Rahmen vorgeschlagen wird, trägt dazu bei, die topologischen Merkmale der aktuellen Marktsituation zu erhalten und verbessert die Qualität der Analyse. Im vorigen Artikel haben wir damit begonnen, die vorgeschlagenen Ansätze mit MQL5 zu implementieren. Heute werden wir die begonnene Arbeit fortsetzen und zu ihrem logischen Abschluss bringen.

Das Training wird mit realen historischen Daten für das gesamte Jahr 2023 für das Instrument EURUSD mit dem Zeitrahmen H1 durchgeführt. Alle Indikatorparameter wurden auf ihre Standardwerte gesetzt.

Der Trainingsprozess ist iterativ und beinhaltet regelmäßige Aktualisierungen des Trainingsdatensatzes.

Um die Wirksamkeit der trainierten Politik zu überprüfen, verwenden wir historische Daten für das erste Quartal 2024. Die Testergebnisse sind wie folgt:

Wie die Daten zeigen, hat das Modell während des Testzeitraums erfolgreich einen Gewinn erzielt. Im Laufe von drei Monaten wurden insgesamt 23 Handelsgeschäfte getätigt, was eine relativ geringe Zahl ist. Über 56 % der Handelsgeschäfte wurden mit Gewinn abgeschlossen. Sowohl der maximale als auch der durchschnittliche Gewinn pro Handelsgeschäft sind etwa doppelt so hoch wie die entsprechenden Verluste.

Autor: Dmitriy Gizlyk

 
MetaQuotes:

Lesen Sie den neuen Artikel: Neuronale Netze im Handel: Hyperbolisches latentes Diffusionsmodell (letzter Teil).

Autor: Dmitriy Gizlyk

Es ist technologisch beeindruckend, aber das praktische Ergebnis ist eher bescheiden.
Neuer Kommentar