Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 76): Verwendung von Mustern des Awesome Oszillators und der Envelope-Kanäle mit überwachtem Lernen"

[MetaQuotes]

Neuer Artikel MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 76): Verwendung von Mustern des Awesome Oszillators und der Envelope-Kanäle mit überwachtem Lernen :

Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorpaar des Awesome Oszillators und die Envelope-Kanäle vorstellten, indem wir uns ansehen, wie dieses Paar durch überwachtes Lernen verbessert werden kann. Der Awesome Oszillator und die Envelope-Kanäle sind eine Mischung aus Trendspotting und Unterstützung/Widerstand, die sich gegenseitig ergänzen. Unser überwachter Lernansatz ist ein CNN, der das Punktprodukt-Kernel mit Cross-Time-Attention einsetzt, um seine Kernel und Kanäle zu dimensionieren. Wie üblich erfolgt dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten zur Zusammenstellung eines Expert Advisors arbeitet.

In unserem letzten Artikel haben wir das Indikatorpaar des Awesome Oszillators und der Envelope-Kanäle vorgestellt, und beim Testen dieses Paares sind 7-8 der 10 Muster in einem 2-Jahres-Testfenster nach vorne gegangen. Im Anschluss an die Einführung eines Indikatorpaares untersuchen wir in der Regel, wie sich maschinelles Lernen auf die Leistung dieser Indikatorsignale auswirken kann, wenn überhaupt. Dieser Artikel bildet da keine Ausnahme, und so werden wir untersuchen, wie die Muster 4, 8 und 9 beeinflusst werden können, wenn wir ihre Signale mit einem Netz des überwachten Lernens als Filter ergänzen. Für unser Netzwerk verwenden wir ein CNN, dessen Kernel/Kanäle durch den Punktprodukt-Kernel mit zeitübergreifender Aufmerksamkeit dimensioniert sind.

Autor: Stephen Njuki