Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 81): Verwendung von Ichimoku-Mustern und des ADX-Wilder mit Beta-VAE-Inferenzlernen"

[MetaQuotes]

Neuer Artikel MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 81): Verwendung von Ichimoku-Mustern und des ADX-Wilder mit Beta-VAE-Inferenzlernen :

Dieser Beitrag schließt an Teil 80 an, in dem wir die Paarung von Ichimoku und ADX im Rahmen eines Reinforcement Learning untersucht haben. Wir wenden uns nun dem Inferenzlernen zu. Ichimoku und ADX ergänzen sich, wie bereits erwähnt, jedoch werden wir die Schlussfolgerungen des letzten Artikels in Bezug auf die Verwendung von Pipelines wieder aufgreifen. Für unser Inferenzlernen verwenden wir den Beta-Algorithmus eines Variational Auto Encoders. Wir bleiben auch bei der Implementierung einer nutzerdefinierten Signalklasse für die Integration mit dem MQL5-Assistenten.

Fast jeder Händler hat erkannt, dass sich die Märkte in Zyklen von Optimismus und Pessimismus bewegen, und dennoch gibt es nur sehr wenige sofort einsetzbare Instrumente, die diese Zyklen mit der für einen profitablen Handel erforderlichen Beständigkeit erfassen. In letzter Zeit tendieren die Märkte weltweit zu einem Abschwung, wobei plötzliche Ausverkäufe und flache Erholungen immer häufiger vorkommen. In einem solchen Umfeld produzieren mechanische Strategien, die auf den Regeln nachlaufender Indikatoren basieren, zwangsläufig Fehlsignale, da die Volatilität Geschäfte zunichte macht, die sonst unter ruhigeren Bedingungen durchgeführt worden wären.

Da es keine Standardlösungen gibt, ist eine individuelle Anpassung erforderlich. Hier zeichnen sich die IDE-gestützten Handelsplattformen aus. Sie bieten nicht nur Ausführung und Charts in institutioneller Qualität, sondern können auch mit Assistenten für die Systemzusammenstellung geliefert werden. Diese Assistenten stellen, wie im Falle von MetaTrader, einen Rahmen dar, der es Händlern ermöglicht, einen Expert Advisor (EA) schnell zusammenzustellen, auch wenn sie keine komplexe Handelslogik von Grund auf programmieren. Die eigentliche Stärke des Assistenten liegt in seiner Fähigkeit, nutzerdefinierte Signalklassen zu integrieren – was bedeutet, dass Händler fortschrittliche maschinelle Lerntechniken direkt in ihre automatisierten Strategien integrieren können.

Unter den verfügbaren modernen Methoden des maschinellen Lernens, Variational Autoencoders (VAEs) haben aufgrund ihrer Fähigkeit, verrauschte, hochdimensionale Daten in strukturierte latente Darstellungen zu komprimieren, Aufmerksamkeit erregt. Im Gegensatz zu einem einfachen Autoencoder führt ein β-VAE eine kontrollierte Strafe ein, die seine verborgene Schicht dazu anregt, entwirrte, bedeutungsvolle Merkmale zu erfassen, anstatt sich rohe Eingaben zu merken. Im Finanzhandel bedeutet dies, dass die Essenz der Muster aus den Strömen der technischen Indikatoren extrahiert wird und die Anfälligkeit für Rauschen verringert wird.

Autor: Stephen Njuki