Discusión sobre el artículo "Características del Wizard MQL5 que debe conocer (Parte 3): Entropía de Shannon"

[MetaQuotes]

Artículo publicado Características del Wizard MQL5 que debe conocer (Parte 3): Entropía de Shannon:

El tráder moderno está casi siempre a la búsqueda de nuevas ideas, probando constantemente nuevas estrategias, modificándolas y descartando las que han fracasado. En esta serie de artículos, intentaré demostrar que el Wizard MQL5 es un verdadero apoyo para el tráder.

En 1948, Claude Shannon presentó su artículo "Teoría matemática de la comunicación", que planteaba la idea de la entropía de la información. La entropía es un concepto procedente de la física, y es una medida del grado de actividad de las partículas dentro de un objeto. Por ejemplo, si consideramos los tres estados del agua: hielo, líquido y gas, veremos que la energía cinética de la partícula es mayor en estado gaseoso y menor en el hielo. Este concepto se aplica en matemáticas a la probabilidad. Vamos a considerar los tres conjuntos siguientes.

Conjunto 1: 

Conjunto 2: 

Conjunto 3: 

¿Cuál de estos conjuntos posee la entropía más alta? 
Si usted ha elegido la última opción, tendrá razón, pero ¿cómo podemos confirmar que la respuesta es correcta? La forma más simple de responder a esta pregunta es tomar el número de formas de reorganizar cada conjunto como una estimación de la entropía, ignorando las coincidencias de color. Así, para el primer conjunto, solo habrá una manera de "reorganizarlo". No obstante, si observamos los conjuntos después, veremos que el número de permutaciones en relación con el color aumentará significativamente, por lo que podemos afirmar que el último conjunto posee la entropía más alta. 

Autor: Stephen Njuki

[Aleksey Vyazmikin]

He leído el artículo, pero no lo he entendido muy bien:

1. Qué le das de entrada al bosque aleatorio.

2. ¿Cómo se calcula la entropía, basándose en el historial de clasificación del bosque?

La traducción del artículo no es de alta calidad, por desgracia, lo que hace que sea difícil de entender.

A veces parece que no hay suficientes ilustraciones para el artículo, aunque el texto habla de ellas:

"

Veamos un ejemplo ilustrativo: en la imagen superior, un árbol de decisión tradicional (indicado en azul) puede elegir entre los cuatro atributos a la hora de decidir cómo dividir un nodo. Decide utilizar el atributo 1 (negro y subrayado) porque divide los datos en grupos separados al máximo.

"

[tbpine]

Hay problemas con este generador de señales. El código en sí no tiene sentido.

Empecé a notar problemas cuando la línea 158 era incorrecta. Estás creando __INPUTS número de reglas cuando debería ser

REGLAS.

Entiendo que el bosque de decisión se utiliza durante la optimización , pero ¿cuál es el punto cuando no estás

Parece que el bosque de decisión se utiliza para verificar algo, pero no contribuye en nada a la decisión de la señal.

Y, si usted está utilizando el bosque de decisión, entonces el uso no se explica ( o requiere conocimientos previos). Aquí :

CDForest::DFProcess(DF,m_in_calculations,m_out_calculations);

   m_update.B(m_out_calculations[1]);

Estás cambiando el perfil del conjunto neutro. Esto afecta a la señal, pero ¿podría explicar cómo y por qué, por favor?

Todo lo demás es excelente.