Diskussion zum Artikel "Selbstoptimierende Expert Advisors in MQL5 (Teil 17): Ensemble Intelligence"
Wie geht man mit fehlenden ONNX-Ressourcen um?
Da es sich bei einer .onnx-Datei um ein extern kompiliertes Modell handelt, das ohne die ursprünglichen Trainingsdaten nicht wiederhergestellt werden kann, besteht die beste Lösung darin, es durch eine integrierte mathematische Regression von MQL5 zu ersetzen.
Das Ergebnis ist die Integration eines "Statistical Signal Confirmation Block based on Dynamic Linear Regression" in das System.
Mathematische Vorhersage (Ersetzen des neuronalen Netzes)
Der Roboter reagiert nicht mehr nur auf das, was jetzt geschieht, sondern versucht, in die Zukunft zu schauen.
Lineare Regression: Bei jedem Tick analysiert der Expert Advisor (EA) die letzten 50 Tage (Tagesbalken) und berechnet den mathematischen Verlauf des Kurses.
Level Projection: Er berechnet die wahrscheinlichen Höchst- und Tiefstwerte für 1 Schritt in die Zukunft (morgen) und 20 Schritte in die Zukunft (in einem Monat).
"Ensemble"-Handelsfilterung
Dies ist die wichtigste intellektuelle Verbesserung. Die Entscheidung, einen Handel zu eröffnen, wird von zwei unabhängigen "Stimmen" getroffen:
Die Stimme der Indikatoren (Intuition): Überprüft die aktuelle Kerzenrichtung und die Positionen des gleitenden Durchschnitts (MA).
Die Stimme der Mathematik (Vorhersage): Vergleicht kurzfristige Prognosen mit langfristigen Trends.
Ergebnis: Ein Handel wird nur dann eröffnet, wenn beide Stimmen übereinstimmen. Wenn z. B. ein Indikator "Kaufen" sagt, die mathematische Prognose aber zeigt, dass der Trend nachlässt (der für morgen prognostizierte Höchststand ist niedriger als der prognostizierte Höchststand in 20 Tagen), ignoriert der Roboter den Einstieg und bewahrt Sie davor, beim Markthoch zu kaufen.
Dynamische Marktanpassung
Im Gegensatz zu der statischen ONNX-Datei, die im Originalartikel verwendet wurde (die nur einmal trainiert wurde), bietet meine aktuelle Version folgende Funktionen
On-the-fly Re-learning: Die Regressionskoeffizienten werden ständig aktualisiert. Wenn sich die Marktvolatilität ändert, passen sich die Berechnungen automatisch an.
Autonomie: Es werden keine externen Dateien oder Bibliotheken mehr benötigt. Die gesamte Logik ist im Code enthalten, was ihn für Tests und Optimierungen äußerst zuverlässig macht.
Kombination von aggressiver Grid-Strategie und vorsichtigem Einstieg
Wenn Sie diese Methode auf eine Grid-Strategie anwenden, erhalten Sie das Beste aus beiden Welten:
Der Kernalgorithmus des Grid Scalping bleibt aggressiv - der EA ist in der Lage, ein Raster von Aufträgen zu erstellen und auf der Grundlage des Gesamtgewinns auszusteigen.
Allerdings wird die erste Order in einer Serie nun mit viel höherer Präzision eröffnet, da sie durch die mathematische Erwartung eines Anstiegs oder Falls bestätigt wird.
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 17): Ensemble Intelligence :
Alle algorithmischen Handelsstrategien sind, unabhängig von ihrer Komplexität, schwierig einzurichten und zu pflegen. Dieses universelle Problem wird von Anfängern und Experten gleichermaßen geteilt. Anfänger haben Mühe, die Periodenlänge für die Strategien des Kreuzens ihrer gleitenden Durchschnitte einzustellen, während Experten ebenso unermüdlich die Gewichte ihrer tiefen neuronalen Netze anpassen. Auf beiden Seiten des Zauns gibt es materielle Probleme.
Modelle des maschinellen Lernens sind anfällig und fallen im realen Handel oft auseinander. Ihr undurchsichtiges und komplexes Design erschwert die Fehlersuche und Diagnose von Leistungsengpässen zusätzlich. Andererseits können menschliche Strategien robuster sein, erfordern aber oft eine manuelle Konfiguration, um in Gang zu kommen – ein intensiver Prozess, je nach Ansatz. In diesem Artikel wird ein Ensemble-Rahmenwerk vorgeschlagen, in dem überwachte Modelle und menschliche Intuition aufeinander aufbauen, um ihre kollektiven Beschränkungen auf beschleunigte Weise zu überwinden.
Um dieses Ziel zu erreichen, haben wir unsere Strategie und unser statistisches Modell auf dieselben vier technischen Indikatoren ausgerichtet. Wir haben eine Kanalstrategie mit gleitendem Durchschnitt gewählt und ein Ridge-Regressionsmodell auf dieselben Indikatoren angewendet. Auf diese Weise konnten wir schnell eine rentable Konfiguration für das gesamte System ermitteln.
Autor: Gamuchirai Zororo Ndawana