Discusión sobre el artículo "Aprendizaje automático y Data Science (Parte 12): ¿Es posible tener éxito en el mercado usando redes neuronales de autoaprendizaje?"
Una buena demo para mostrar la posibilidad de auto-entrenamiento (tuning) ML EA.
Esto es todavía los primeros días de MQL ML. Esperemos que con el paso del tiempo, más y más personas utilizarán MALE5. Esperamos con interés su madurez.
GitHub - MegaJoctan/MALE5: Machine Learning repository for MQL5
- MegaJoctan
- github.com
MALE5 is a machine learning repository for creating trading systems in the c++ like, MQL5 programming language. It was developed to help build machine learning based trading robots, effortlessly in the MetaTrader5 platform This Library is: Simple to use You can literly start building your system once you call class constructor Flexible You can...
No hay selftrain NN.mqh en el archivo
¿Cómo se guarda y se carga la red?
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Aprendizaje automático y Data Science (Parte 12): ¿Es posible tener éxito en el mercado usando redes neuronales de autoaprendizaje?:
Probablemente mucha gente esté cansada de intentar predecir el mercado bursátil constantemente. ¿No le gustaría tener una bola de cristal que le ayudara a tomar decisiones de inversión más informadas? Las redes neuronales de autoaprendizaje podrían ser su solución. En este artículo, analizaremos si estos potentes algoritmos pueden ayudarnos a "subirnos a la ola" y ser más astutos que el mercado bursátil. Mediante el análisis de grandes cantidades de datos y la identificación de patrones, las redes neuronales de autoaprendizaje pueden hacer predicciones que a menudo resultan más precisas que las realizadas por los tráders. Veamos si estas tecnologías de vanguardia pueden usarse para tomar decisiones de inversión inteligentes y ganar más.
Bien, hemos realizado una pequeña optimización y seleccionado los siguientes valores: copy_rates_x: COPY_RATES_LOW, n_samples: 2950, Slippage: 1, Stop loss: 7.4, Take profit: 5.0.
Esta vez, el modelo ha mostrado una precisión de aprendizaje del 61,5% y una precisión de prueba del 63,5% al inicio del funcionamiento del simulador de estrategias. Parece aceptable.
Autor: Omega J Msigwa