Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 66): Verwendung von FrAMA-Mustern und des Force Index mit dem Punktprodukt-Kernel"

[MetaQuotes]

Neuer Artikel MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 66): Verwendung von FrAMA-Mustern und des Force Index mit dem Punktprodukt-Kernel :

Der FrAMA-Indikator und der Force Index Oscillator sind Trend- und Volumeninstrumente, die bei der Entwicklung eines Expert Advisors kombiniert werden können. Wir knüpfen an unseren letzten Artikel an, in dem dieses Paar vorgestellt wurde, und betrachten die Anwendbarkeit des maschinellen Lernens auf dieses Paar. Wir verwenden ein neuronales Faltungsnetzwerk, das den Punkt-Produkt-Kernel bei der Erstellung von Prognosen mit den Eingaben dieser Indikatoren verwendet. Dies geschieht in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.

In unserem letzten Artikel, in dem wir das Paar dieser Indikatoren als Quelle für Einstiegssignalmuster für einen Expert Advisor vorgestellt haben, waren die Ergebnisse des Forward Walk nicht so vielversprechend. Wir haben einige Gründe dafür genannt und auch darauf hingewiesen, dass das Training und die Optimierung, die wir durchführen, nur für ein Jahr gelten und dass es daher für jedes Muster unerlässlich ist, es so umfassend wie möglich auf einer riesigen Menge von Daten zu testen. Im Anschluss an diesen Teil untersuchen wir wie immer die Muster, die vorwärts gehen konnten. Dies geschieht durch maschinelles Lernen.

Bei der Anwendung von Algorithmen des maschinellen Lernens in MQL5 ist OpenCL immer eine Option, allerdings erfordert dies oft eine GPU-Hardware. Das ist zwar schön, aber die Code-Bibliothek von Python ist inzwischen recht umfangreich, und viele Effizienzgewinne lassen sich auch mit einer CPU erzielen. Das ist es, was wir in dieser Artikelserie erforschen, und deshalb kodieren wir in diesem Beitrag, wie schon in einigen früheren, unsere neuronalen Netze in Python, weil die Kodierung und das Training in Python sehr effizient sind. 

Von unseren zehn Mustern (Pattern), die wir im letzten Artikel optimiert oder trainiert haben, konnten nur 2 laufen. Pattern-6 und Pattern-9. Daher testen wir diese mit einem neuronalen Netzwerk weiter, wie wir es bei den vergangenen Partikeln getan haben, mit dem Unterschied, dass wir ein neuronales Faltungsnetzwerk, auch CNN genannt, verwenden. Dieser CNN wird den Punktprodukt-Kernel implementieren. Zunächst definieren wir jedoch, wie immer bei Python-Implementierungen, die Indikatorfunktionen, die wir benötigen, um Signale an unser Netzwerk zu liefern. 

Autor: Stephen Njuki