Diskussion zum Artikel "Selbstoptimierende Expert Advisors in MQL5 (Teil 17): Ensemble Intelligence"
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