Diskussion zum Artikel "Selbstoptimierende Expert Advisors in MQL5 (Teil 13): Eine sanfte Einführung in die Kontrolltheorie mit Hilfe der Matrixfaktorisierung"
Sie haben die Include-Dateien volatilityDoctor/Time..Trade nicht beigefügt. Ihre Einreichung kann ohne die beiden Include-Dateien nicht getestet werden.
Majeed Odubela #:
Sie haben die Include-Dateien volatilityDoctor/Time..Trade nicht beigefügt. Ohne die beiden Include-Dateien kann Ihr Beitrag nicht getestet werden.
Majeed Es tut mir leid, von Ihren Erfahrungen zu hören.Sie haben die Include-Dateien volatilityDoctor/Time..Trade nicht beigefügt. Ohne die beiden Include-Dateien kann Ihr Beitrag nicht getestet werden.
Sie müssen jedoch auch verstehen, dass dieser Artikel Teil einer größeren Familie von verwandten Serien ist, die aufeinander aufbauen.
Die Klasse, nach der Sie suchen, wurde in einem früheren Artikel von Grund auf neu erstellt und hinzugefügt.
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Selbstoptimierende Expert Advisors in MQL5 (Teil 13): Eine sanfte Einführung in die Kontrolltheorie mit Hilfe der Matrixfaktorisierung :
Die Finanzmärkte sind oft schwer zu planen oder zu prognostizieren. Die Stimmung unter den Anlegern ist oft fragil und kann sich je nach dem globalen Klima und den drängenden Problemen, die das Tagesgeschehen beherrschen, schnell ändern. Daher können Handelsstrategien, die in einem historischen Kontext profitabel erscheinen, oft scheitern, wenn sie auf Echtzeitmärkten eingesetzt werden.
Es gibt viele Gründe, die dieses Verhalten bei Handelsanwendungen erklären können. Eine wichtige Erkenntnis ist jedoch, dass das Verhalten unserer Anwendungen, sobald sie einmal entwickelt und eingesetzt wurden, feststeht und in der Regel nicht mehr ohne menschliches Zutun geändert werden kann. Das bedeutet, dass unsere Strategien anfällig dafür sind, dieselben Fehler immer und immer wieder zu wiederholen, ohne jemals vom Scheitern zu profitieren oder aus vergangenen Fehlern zu lernen.
Abbildung 1: Der normale Handelsaufbau, der für den Einsatz von Handelsanwendungen auf den Finanzmärkten verwendet wird
Für dieses immer wiederkehrende Problem gibt es viele Lösungsvorschläge. Eine Lösung, die ein großes Potenzial hat, kommt jedoch aus dem Bereich der Kontrolltheorie. Die Kontrolltheorie befasst sich in erster Linie mit der Korrektur des Verhaltens eines Systems, das in einer dynamischen oder chaotischen Umgebung arbeitet, mit dem Ziel, das System auf ein bestimmtes Ziel auszurichten.
Indem wir in regelmäßigen Abständen eine Kopie der Leistung unserer Strategie an einen Feedback-Controller zurückgeben – einen Controller, der aufzeichnet und beobachtet, wie die Strategie mit den Märkten interagiert – können wir möglicherweise die Beziehung zwischen dem Verhalten unserer Strategie und den Marktergebnissen annähern. Dieser Controller zielt darauf ab, dominante Muster zu identifizieren, die sowohl mit Verlustgeschäften als auch mit Gewinngeschäften korrelieren. Wenn eine solche Struktur existiert und wir daraus lernen können, dann sollte der Feedback-Controller theoretisch in der Lage sein, die Dynamik unseres Handelssystems zu modifizieren und in Richtung Profitabilität zu lenken, selbst unter chaotischen und sich ständig ändernden Marktbedingungen.
Dadurch ändert sich die Einsatzstruktur der Strategie gegenüber dem in Abbildung 1 dargestellten Schema. In Abbildung 2 führen wir den Leser in die einfache Notation ein, die in der Literatur für Kontrolltheorien verwendet wird, und bezeichnen die Eingangssignale des Marktes als (M) und die Ausgangssignale unserer Strategie als (S).
Abbildung 2: Wir können unsere Handelsanwendung neu definieren, indem wir eine Kurzschrift verwenden, um die Marktinputs (M) und den Strategieoutput (S) darzustellen.
Autor: Gamuchirai Zororo Ndawana