Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 79): Verwendung von Gator-Oszillator und Akkumulations-/Distributions-Oszillator mit überwachtem Lernen"

[MetaQuotes]

Neuer Artikel MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 79): Verwendung von Gator-Oszillator und Akkumulations-/Distributions-Oszillator mit überwachtem Lernen :

Im letzten Beitrag haben wir die Paarung von Gator-Oszillator und Akkumulations-/Distributions-Oszillator in ihrer typischen Einstellung der von ihnen erzeugten Rohsignale betrachtet. Diese beiden Indikatoren sind als Trend- bzw. Volumenindikatoren zu verstehen. Im Anschluss an diesen Teil untersuchen wir die Auswirkungen, die das überwachte Lernen auf die Verbesserung einiger der von uns untersuchten Merkmalsmuster haben kann. Unser überwachter Lernansatz ist ein CNN, der mit Kernelregression und Skalarproduktähnlichkeit arbeitet, um seine Kernel und Kanäle zu dimensionieren. Wie immer tun wir dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.

Unsere Wahl für ein überwachtes Lernmodell ist ein CNN, das Kernel-Regression und Skalarproduktähnlichkeit verwendet. Die Kernelregression schätzt die Ausgänge jeder Schicht in einem CNN, indem sie die beobachteten Eingänge entsprechend ihrer Ähnlichkeit mit einem bestimmten Abfragepunkt gewichtet. Diese Ähnlichkeit wird mit Hilfe des Skalarprodukts Ähnlichkeit als Kernel-Funktion quantifiziert. In unserem Modell, dessen Code im nächsten Abschnitt vorgestellt wird, berechnet die Methode _dot_product_kernel_regression die Ähnlichkeit zwischen allen Zeitpositionen in einer Merkmalskarte mit Hilfe der Funktion torch.bmm(x, x.T), zu der wir eine Softmax-Normalisierung hinzufügen, die der Selbstaufmerksamkeit recht ähnlich ist.

Das Skalar- oder Punktprodukt ist ein datenadaptives Maß für die Ähnlichkeit, wobei ein hohes Produkt bedeutet, dass zwei Positionen über alle Kanäle hinweg das gleiche Aktivierungsmuster aufweisen, was zu einem größeren Einfluss auf die gewichtete Summe führen kann. Eine Analogie oder eine andere Betrachtungsweise könnte so aussehen, dass man jeder Position „Stimmen“ proportional zu ihrer Übereinstimmung mit der Abfrageposition gibt. Eine CNN-Schicht kann man sich als Tabellenkalkulation vorstellen, bei der die Zeilen Zeitschritte und die Spalten Merkmale sind. In dieser Einstellung wird eine einzelne Zeile als „Position“ betrachtet. Die „Abfrageposition“ ist also die aktuelle Zeile, die aktualisiert wird. Bei der Durchführung dieser Aktualisierungen werden Vergleiche zwischen ihr und jeder anderen Position angestellt, um zu ermitteln, wie ähnlich sie sind. Diese Aktualisierungen finden im Backpropagation-Verfahren statt.

Autor: Stephen Njuki