Diskussion zum Artikel "Selbstoptimierende Expert Advisors in MQL5 (Teil 11): Eine sanfte Einführung in die Grundlagen der linearen Algebra"

[MetaQuotes]

Neuer Artikel Selbstoptimierende Expert Advisors in MQL5 (Teil 11): Eine sanfte Einführung in die Grundlagen der linearen Algebra :

In dieser Diskussion werden wir die Grundlagen für die Verwendung leistungsstarker linearer Algebra-Werkzeuge schaffen, die in der MQL5-Matrix- und Vektor-API implementiert sind. Damit wir diese API sachkundig nutzen können, müssen wir die Grundsätze der linearen Algebra, die den intelligenten Einsatz dieser Methoden bestimmen, genau kennen. Dieser Artikel zielt darauf ab, dem Leser ein intuitives Verständnis einiger der wichtigsten Regeln der linearen Algebra zu vermitteln, die wir als algorithmische Händler in MQL5 benötigen, um mit der Nutzung dieser leistungsstarken Bibliothek zu beginnen.

Heute werden wir ein statistisches Modell erstellen, das mehrere Ziele gleichzeitig vorhersagt. In der Regel werden lineare Regressionsmodelle verwendet, um ein einzelnes Ziel zu projizieren, z. B. die zukünftige Preisänderung. In diesem Fall geht es jedoch darum, vier verschiedene Ziele vorherzusagen:

• Der zukünftige gleitende Durchschnitt der Schlusskurse
• Der zukünftige gleitende Durchschnitt der Hochs
  
• Der künftige gleitende Durchschnitt der Tiefs
  
• Der zukünftige Wert der Preise

Wir werden diese Vorhersagen in unsere Handelsstrategie einbeziehen, um sowohl Einstiegs- und Ausstiegsregeln als auch Filter für das Schließen von Positionen zu definieren. Die Matrix- und Vektor-MQL5-API bietet uns leistungsstarke Werkzeuge für die Erstellung moderner Anwendungen für maschinelles Lernen. Um das Potenzial der API auszuschöpfen, müssen Sie jedoch die grundlegenden Regeln der linearen Algebra kennen, die hinter der angemessenen Verwendung dieser speziellen Methoden stehen.

Lineare Algebra ist oft eine abstrakte mathematische Studie. Ich möchte das Thema jedoch für Sie lebendig werden lassen, damit Sie die Vorteile dessen, was wir behandeln werden, klar erkennen können, und dann werden wir die mathematischen Aspekte in der Mitte der Diskussion erörtern. Nachdem die Motivation für unsere Diskussion klar ist und alle erforderlichen mathematischen Notationen erklärt wurden, werden wir ein Beispiel für den Einsatz der linearen Algebra zur Entwicklung numerisch gesteuerter Handelsalgorithmen demonstrieren, die mehrere Ziele gleichzeitig vorhersagen können. 

Autor: Gamuchirai Zororo Ndawana