Diskussion zum Artikel "Selbstoptimierende Expert Advisors in MQL5 (Teil 12): Aufbau von linearen Klassifikatoren durch Matrixfaktorisierung"

[MetaQuotes]

Neuer Artikel Selbstoptimierende Expert Advisors in MQL5 (Teil 12): Aufbau von linearen Klassifikatoren durch Matrixfaktorisierung :

Dieser Artikel befasst sich mit der leistungsfähigen Rolle der Matrixfaktorisierung im algorithmischen Handel, insbesondere in MQL5-Anwendungen. Von Regressionsmodellen bis hin zu Multi-Target-Klassifikatoren gehen wir durch praktische Beispiele, die zeigen, wie einfach diese Techniken mit Hilfe von integrierten MQL5-Funktionen integriert werden können. Ganz gleich, ob Sie die Kursrichtung vorhersagen oder das Verhalten von Indikatoren modellieren wollen, dieser Leitfaden schafft eine solide Grundlage für den Aufbau intelligenter Handelssysteme mit Hilfe von Matrixmethoden.

Die Matrixfaktorisierung ist ein wichtiges Werkzeug für algorithmische Händler, die an der Entwicklung numerisch gesteuerter Anwendungen interessiert sind. Mit diesen Tools können wir verschiedene Arten von Algorithmen für das maschinelle Lernen und noch mehr erstellen. Bislang haben wir in unserer Diskussion nur Regressionsaufgaben berücksichtigt. Wenden wir uns nun dem Problem der Klassifizierung zu. In der heutigen Diskussion werden wir uns der Herausforderung stellen, einen Marktklassifikator zu erstellen. Dieser Klassifikator wird in der Lage sein, zwischen Aufwärts- und Abwärtsbewegungen auf dem Markt zu unterscheiden. Wir wollen, dass es uns hilft, unsere Handelsgeschäfte richtig zu platzieren. Die Aufgabe des Klassifizierers besteht darin, aus historischen Beobachtungen des Marktverhaltens zu lernen und daraus die richtigen Maßnahmen abzuleiten, die wir an einem bestimmten Handelstag ergreifen sollten.

Unsere Handelsstrategie funktioniert wie unten beschrieben. Ziel ist es, Marktbewegungen auf der Grundlage des erwarteten Verhaltens des gleitenden Durchschnittsindikators zu antizipieren. Außerdem wollen wir, dass sich der Kurs in Übereinstimmung mit dem gleitenden Durchschnitt verhält. Das heißt, wenn unser Klassifizierungsmodell einen Rückgang des gleitenden Durchschnitts erwartet, wollen wir auch Kursniveaus beobachten, die unter den Indikator fallen. Wenn wir davon ausgehen, dass sowohl der gleitende Durchschnitt als auch der Preis fallen werden, eröffnen wir Verkaufspositionen. Der gleitende Durchschnitt zeigt die Richtung des Preises an, aber wir wollen auch, dass sich die Preisniveaus über den Indikator hinaus beschleunigen, bevor wir unsere Positionen eröffnen.

Die gleiche Logik gilt für Kaufpositionen. Wir gehen davon aus, dass der gleitende Durchschnitt ansteigt, und die Kurse sollten sich deutlich darüber bewegen, damit wir einen starken Kauf tätigen können.

Aus dieser Beschreibung geht hervor, dass unser Modell zwei kategoriale Ausgaben gleichzeitig vorhersagen wird. Dies sollte jedoch nicht mit einem Mehrklassen-Klassifikationsmodell verwechselt werden. Jede der beiden Variablen, die unser Modell vorhersagt, ist ein binäres Ergebnis. Mit anderen Worten: Das Modell verfolgt zwei getrennte binäre Ergebnisse. Die hier beschriebene Architektur ist nicht geeignet, mehr als zwei Klassen gleichzeitig zu klassifizieren.

Autor: Gamuchirai Zororo Ndawana