Diskussion zum Artikel "Einführung in die Theorie der Fuzzylogik"
Interessant. Natürlich ist es interessant zu erfahren, wie man die Anzahl der Tipps berechnet. Aber es wäre nützlicher, wenn Sie ein einfaches Beispiel aus unserem Bereich nennen könnten. Zum Beispiel einen einfachen Expert Advisor, der auf Stochastik oder RSI basiert. Verwendung der Fuzzy-Variablen "überkauft"/"überverkauft" zur Erzeugung von Kauf-/Verkaufssignalen und Darstellung des Ergebnisses. Es wäre möglich, die Konzepte "stark", "leicht" usw. hinzuzufügen und zu erklären. Wahrscheinlich würde dies vielen Menschen dabei helfen, die Nützlichkeit dieser Richtung zu bestimmen.
Die Aussage in dem Artikel, dass es beliebig viele Ein- und Ausgänge geben kann, stimmt überhaupt nicht. Bei praktischen Problemen treten große Probleme auf, wenn die Anzahl der Eingangsvariablen mehr als 5 beträgt. Es wird empfohlen, das Problem in kleinere Probleme aufzuteilen.
Welche Fuzzy-Logik-Systeme werden zur Lösung von Regressions- und Klassifikationsproblemen verwendet?
Andernfalls ist es sinnvoll, sich in einer ersten Phase mit diesem Gebiet zu befassen.
Viel Erfolg!
Aber es wäre nützlicher, wenn Sie ein einfaches Beispiel aus unserem Bereich nennen könnten. Zum Beispiel ein einfacher Experte, der auf Stochastik oder RSI basiert. Verwendung der Fuzzy-Variablen "überkauft"/"überverkauft" zur Erzeugung von Kauf-/Verkaufssignalen und Darstellung des Ergebnisses. Es wäre möglich, die Konzepte "stark", "leicht" usw. hinzuzufügen und zu erklären. Wahrscheinlich würde das vielen Leuten helfen, zu bestimmen, wie nützlich diese Richtung ist.
Ich habe eine Bibliothek für MQL4 und nur auf der Grundlage des einfachen RSI verwendet.
Der Artikel verwendet Triangulation und trapezförmige Zugehörigkeitsfunktionen. Aber mir gefielen die bilateralen Gauß- und glockenförmigen Zugehörigkeitsfunktionen besser. Sie schienen mir flexibler zu sein.
Als Beispiel wurde die Abhängigkeit von RSI-Werten und Take-Profit-Größe getestet.
Ich habe die Bibliothek für MQL4 und nur auf der Grundlage der einfachen RSI.
Vielleicht könnten Sie einen Artikel über die Anwendung von Fuzzy-Logik im Handel schreiben?
Sie können. Ich hatte eine solche Idee, weil die Theorie der unscharfen Mengen, angewandt auf MQL4, interessant ist.
Die Theorie der unscharfen Mengen, die von (L. A. Zadeh, 1965) vorgeschlagen wurde, ist die Grundlage für viele Methoden, einschließlich der Fuzzy-Logik-Methoden. Die Anwendung der Fuzzy-Logik setzt voraus, dass maneinige Korrespondenzregeln zwischen Fuzzy-Variablen und dem Zielkennt, die verwendet werden können. Diese Regeln zu finden, ist das Hauptproblem. Ich meine damit keine elementaren Fälle wie "Wenn "überverkauft" dann "kaufen" usw.
In meinem Artikel "Auswahl und Bewertung von Prädiktoren für Modelle des maschinellen Lernens" ist einer der Ansätze zur Auswahl von Prädiktoren die Anwendung der Rough Set Theory und ihrer Erweiterung Fuzzy Rough Set Theory. (Fuzzy Rough Set Theory). Sie ermöglichen die Induktion (Extraktion) von Regeln aus einem Datensatz. Der Artikel befasst sich mit der Validierung. Falls Interesse an einer umfassenderen Beschreibung der Verwendung der approximativen Mengenlehre besteht, werde ich einen Artikel vorbereiten.
Wenn Sie ein fertiges Beispiel für die Verwendung von Fuzzy-Logik oder Fuzzy-Sets in Expert Advisor haben, können Sie den Artikel natürlich veröffentlichen. Ich denke, er wird für viele Menschen interessant sein.
Viel Erfolg!
Die Anwendung der Fuzzy-Logik setzt voraus, dass maneinige Korrespondenzregeln zwischen Fuzzy-Variablen und dem Zielkennt, die man verwenden kann. Diese Regeln zu finden, ist das Hauptproblem.
Das ganze Problem besteht darin, dass man in zwei Bereichen gleichzeitig kompetent sein muss: in dem Anwendungsbereich, für den all diese Dinge entwickelt wurden, und in der Erfahrung mit der Anwendung von Fuzzy-Mengen.
Das ist der Grund, warum das Interesse an diesem Thema so gering ist, denn Spezialisten, die nur in einem der beiden Bereiche kompetent sind, können den zweiten oft nicht beherrschen. Beide erfordern erhebliche Erfahrung.
Beim maschinellen Lernen, bei dem Anfänger naiv glauben, dass der Algorithmus "alles von selbst regelt, man muss nur lernen, wie man ihn mit Daten füttert", stellt sich jedoch heraus, dass der Benutzer das selbst regeln muss. Das heißt, es ist oft einfacher, das Problem selbst zu formalisieren, wonach der Einsatz von Algorithmen des maschinellen Lernens keinen Sinn mehr macht und überflüssig wird.
Wenn Sie ein fertiges Beispiel für die Anwendung von Fuzzy-Logik oder Fuzzy-Sets in einem Expert Advisor haben, können Sie natürlich einen Artikel veröffentlichen. Ich denke, er wird für viele Menschen interessant sein.
Viel Erfolg!
Das ist das ganze Problem, dass man in zwei Bereichen gleichzeitig kompetent sein muss: in dem Anwendungsbereich, für den das ganze Zeug gedacht ist, und in der Anwendung von Fuzzy Sets.
Deshalb gibt es auch so wenig Interesse an dem Thema, weil Spezialisten, die nur in einem der Bereiche kompetent sind, den zweiten oft nicht beherrschen. Beide erfordern erhebliche Erfahrung.
Beim maschinellen Lernen, wo Anfänger naiv glauben, dass der Algorithmus "alles von selbst regelt, man muss nur lernen, wie man ihn mit Daten füttert", stellt sich jedoch heraus, dass der Benutzer selbst regeln muss. Das heißt, es ist oft einfacher, das Problem selbst zu formalisieren, wonach der Einsatz von Algorithmen des maschinellen Lernens keinen Sinn mehr macht und überflüssig wird.
Hier, auf der Website, gibt es genügend Informationen, um die Grundlagen der Anwendung von Fuzzy-Logik auf den Handel zu verstehen. Zu diesem Zweck gibt es Bibliotheken für die Implementierung in Mql4-5.
Es ist richtig, dass der Algorithmus immer etwas produziert, wenn man die Eingangs- und Ausgangsterme setzt. Aber ich denke, dass eine klare und möglichst detaillierte Beschreibung dieser Fuzzy-Variablen durch Zugehörigkeitsfunktionen eine große Rolle spielt. Je genauer die Fuzzy-Mengen beschrieben werden, desto valider wird das Ergebnis sein. In diesem Artikel werden Beispiele beschrieben, die auf den einfachsten dreieckigen und trapezförmigen Zugehörigkeitsfunktionen basieren. Dies ist jedoch die einfachste Umsetzung, und es ist möglich, komplexere, flexiblere und genauere zu erstellen. Und das Ergebnis wird entsprechend sein.
Die Informationen auf dieser Website reichen aus, um die Grundlagen der Anwendung von Fuzzy-Logik im Handel zu verstehen. Es gibt auch Bibliotheken für die Implementierung in Mql4-5.
Es ist richtig, dass der Algorithmus immer etwas produziert, wenn man die Eingangs- und Ausgangsterme setzt. Aber ich denke, dass eine klare und möglichst detaillierte Beschreibung dieser Fuzzy-Variablen durch Zugehörigkeitsfunktionen eine große Rolle spielt. Je genauer die Fuzzy-Mengen beschrieben werden, desto valider wird das Ergebnis sein. In diesem Artikel werden Beispiele beschrieben, die auf den einfachsten dreieckigen und trapezförmigen Zugehörigkeitsfunktionen basieren. Dies ist jedoch die einfachste Umsetzung, und es ist möglich, komplexere, flexiblere und genauere zu erstellen. Und das Ergebnis wird entsprechend sein.
Was ist mit den Regeln? Werfen wir einen Blick auf den Artikel.
Viel Glück!
Das ist das ganze Problem, dass man in zwei Bereichen gleichzeitig kompetent sein muss: in dem Anwendungsbereich, für den das ganze Zeug gedacht ist, und in der Anwendung von Fuzzy Sets.
Deshalb gibt es auch so wenig Interesse an dem Thema, weil Spezialisten, die nur in einem der Bereiche kompetent sind, den zweiten oft nicht beherrschen. Beide erfordern erhebliche Erfahrung.
Beim maschinellen Lernen, wo Anfänger naiv glauben, dass der Algorithmus "alles von selbst regelt, man muss nur lernen, wie man ihn mit Daten füttert", stellt sich jedoch heraus, dass der Benutzer selbst regeln muss. Das heißt, es ist oft einfacher, das Problem selbst zu formalisieren, woraufhin der Einsatz von Algorithmen des maschinellen Lernens keinen Sinn mehr macht und überflüssig wird.
Das sehe ich auch so.
Aber man sollte weiter experimentieren.
Viel Erfolg!
PS. Übrigens, ich wollte Sie schon lange fragen. Würden Sie Ihr in Java geschriebenes Produkt in die Sprache R übertragen? Dann wäre es möglich, es im "Kampf" auf MT4 zu testen.
Also, laute Gedanken
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Einführung in die Theorie der Fuzzylogik :
Die Fuzzylogik geht über die üblichen Grenzen der mathematischen Logik und der Mengentheorie hinaus. Der vorliegende Artikel erläutert die Hauptprinzipien dieser Theorie und beschreibt die Inferenz-Systeme vom Typ Mamdani und Sugeno. Darüber hinaus werden im Artikel Beispiele zur Umsetzung unscharfer Modelle anhand dieser zwei Systeme durch die Mittel der FuzzyNet Bibliothek für MQL5 angeführt.
Die mathematische Theorie der unscharfen Mengen (fuzzy sets) und die Fuzzylogik (fuzzy logic) nehmen ihren Anfang 1965. Als Gründungsvater dieser Theorie gilt Professor Lotfi Zadeh aus der Universität von Kalifornien, Berkeley. In seinem Artikel über Fuzzy-Sets im Magazin "Information and Control" führte er beide Begriffe ein. Das mathematische Mittel ermöglichte es, in solch eine strikte Wissenschaft wie Mathematik unscharfe (verschwommene) Begriffe einzuführen, die jeder nutzen kann, und schuf Voraussetzungen für grundlegend neue Lösungen, und zwar Soft-Computing. Diese Neuerungen können bei der richtigen Anwendung den Prozess der Klassifizierung, Erstellung von Expertensystemen und Entwicklung von neuronalen Netzen.
Die praktische Anwendung der Fuzzylogik beschränkt sich aber darauf nicht. In der Tat ist dieses mathematische Mittel in der Theorie der automatischen Steuerung besonders verbreitet. Damit kann man auch die Entstehung eines weiteren Begriffs verbinden, und zwar geht es um das unscharfe Modell. Das unscharfe Modell ist ein Sonderfall des mathematischen Modells.
Beispiel:
Definieren wir eine linguistische Variable mit dem Namen "Alter". Nach der Definition bedeutet "Alter" eine Periode bzw. Stufe in der Entwicklung und dem Wachstum eines Menschen, Tieres, einer Pflanze usw. Der niedrigste Wert dieser Variablen beträgt Null, d.h. man ist nicht einmal ein Jahr alt. Als höchsten Wert setzen wir 80. Je nach Alter kann man einen Menschen als "neugeboren", "jung", "mittleren Alters", "älter", "alt" usw. bezeichnen. Diese Liste kann viele Elementen enthalten. Sie stellt eine Term-Menge dar, und ihre Elemente sind Terme.
Auf der Abbildung unten ist die Variable "Alter" als Beispiel angeführt, die Term-Menge besteht für diese Variable aus drei Termen: "Jung", "Mittleren Alters", "Alt". Jeder Term hat seine Zugehörigkeitsfunktion.
Autor: MetaQuotes Software Corp.