Diskussion zum Artikel "MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 70): Verwendung der Muster von SAR und RVI mit einem Exponential-Kernel-Netzwerk"

Neuer Kommentar
 

Neuer Artikel MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 70): Verwendung der Muster von SAR und RVI mit einem Exponential-Kernel-Netzwerk :

Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorpaar SAR und RVI vorstellten, und überlegen, wie dieses Indikatorpaar durch maschinelles Lernen erweitert werden kann. SAR und RVI sind eine komplementäre Paarung von Trend und Momentum. Unser Ansatz des maschinellen Lernens verwendet ein neuronales Faltungsnetzwerk, das bei der Feinabstimmung der Prognosen dieses Indikatorpaares den Exponential-Kernel bei der Dimensionierung seiner Kerne und Kanäle einsetzt. Wie immer wird dies in einer nutzerdefinierten Signalklassendatei durchgeführt, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.

Im letzten Artikel haben wir dieses komplementäre Paar aus dem Parabolic SAR Indikator (SAR) und dem Relative Vigour Index Oszillator (RVI) vorgestellt. Von den 10 Mustern, Pattern-n, die wir getestet haben, konnten drei keine sauberen Vorwärtstest durchführen, nämlich die Muster mit den Indizes 1, 2 und 6. Unsere Indizierung dieser Muster von 0 bis 9 ermöglicht es uns, auf einfache Weise den passenden Wert zu berechnen, der ihre ausschließliche Verwendung durch den Expert Advisor ermöglicht. Wenn zum Beispiel ein Muster mit dem Index 1 versehen ist, müssen wir den Parameter „PatternsUsed“ auf 2 hoch 1 setzen, was 2 ergibt. 

Wenn der Index 2 ist, dann ist das 2 hoch 2, was 4 ergibt, und so weiter. Der maximale Wert, der diesem Parameter sinnvollerweise zugewiesen werden kann, ist 1023, da wir nur 10 Parameter haben. Jede Zahl zwischen 0 und 1023, die kein reiner Exponent von 2 ist, würde eine Kombination dieser Muster darstellen, und der Leser könnte die Einrichtung des Expert Advisors zur Verwendung mehrerer Muster untersuchen. Auf der Grundlage unserer Argumente und Testergebnisse, die wir in früheren Artikeln dargelegt haben, haben wir uns jedoch entschieden, diesen Weg in dieser Serie vorerst nicht weiter zu verfolgen. 

Wie in einem der letzten Artikel versprochen, werden wir nun versuchen, die Signale der drei Pattern-1, 2 und 6, die im letzten Artikel nicht in der Lage waren, saubere Vorwärtsbewegungen durchzuführen, mit überwachtem Lernen wiederzubeleben. Bei der Anwendung des maschinellen Lernens auf diese MQL5-Indikatorsignale greifen wir auf Python zurück, um bei der Codierung und dem Training eines Netzwerkmodells zu helfen. Dies ist auf die Effizienz zurückzuführen, die er auch ohne einen Grafikprozessor bieten kann. Bei der Verwendung von Python stützen wir uns auf das Python-Modul von MetaTrader, das es uns ermöglicht, uns mit dem Server eines MetaTrader-Brokers zu verbinden, sobald wir einen Nutzernamen und ein Passwort angegeben haben.


Autor: Stephen Njuki

Neuer Kommentar