Discusión sobre el artículo "Aplicación de la teoría de juegos a algoritmos comerciales"
Tsetlin Machine también es interesante para datos pequeños pero menos conocido: https: //github.com/cair/TsetlinMachine
https://www.literal-labs.ai/tsetlin-machines/ pero me parece difícil de implementar.
- cair
- github.com
La máquina Tsetlin también es interesante para datos pequeños pero menos conocida: https: //github.com/cair/TsetlinMachine
https://www.literal-labs.ai/tsetlin-machines/ pero me parece difícil de implementar.
Cosa original, estoy rebosante de deleite como de un objeto de arte, gracias :) Pero es deseable probarlo en garrapatas reales, porque es superficial con ofertas.
Saludos, estoy muy interesado en su proyecto, pero soy nuevo en este campo. No puedo entender cómo ejecutar el Asesor Experto en el probador de estrategias. Según tengo entendido es imposible configurarlo completamente y entrenarlo a través del tester? ¿O estoy haciendo algo mal? Agradecería el SO
¿Dónde tengo parientes en los Países Bajos? 👀
Ahahahahah, no en los Países Bajos)))) VPN es una cosa)))))
PS: línea de fondo en el probador de estrategia es posible ejecutar la formación o no? Según la captura de pantalla del gráfico de balance es un probador de estrategias, pero haga lo que haga ni me acerco al + en él
El autor presenta "AdaptiveQ Enhanced", un EA de FX multisímbolo que afirma combinar DQN, equilibrio de Nash, análisis causal, siete pares de divisas principales, seis acciones y 531.441 estados. El conjunto de acciones incluye comprar, vender, añadir a la compra, añadir a la venta y cerrar sólo las compras o ventas rentables.
Mi principal problema: el artículo utiliza más etiquetas rimbombantes que sustancia real. Su "equilibrio de Nash" no es una solución de equilibrio real; se trata simplemente de tomar las puntuaciones Q de un símbolo y mezclarlas con las puntuaciones Q de otros símbolos ponderadas por la correlación rodante cuando |corr| > 0,3 . Eso no es teoría de juegos en ningún sentido serio. El mismo problema existe con el lenguaje "causal": la actualización cruzada de símbolos se basa literalmente en la recompensa por correlación cuando |corr| > 0,2 . La correlación no es causalidad.
El diseño del estado también parece inestable. El artículo dice que construye un rico estado multi-marco de tiempo de los precios, las diferencias de MA, RSI, estocástico, y las banderas de MA, a continuación, hash que la información multidimensional y lo reduce con hash % TOTAL_STATES . Así que diferentes situaciones de mercado pueden colapsar en el mismo cubo. Llamar a eso "531.441 estados únicos" suena más impresionante de lo que realmente es.
La lógica de posición es la parte más fea. El EA puede funcionar en modo multiposición o posición opuesta, añadir volumen a las posiciones existentes, permitir hasta 5 posiciones por símbolo, y cerrar selectivamente sólo las posiciones rentables dejando abiertas las perdedoras "para recuperar". Para mí, eso no es gestión inteligente de inventarios; es un camino disfrazado hacia una exposición fea.
Lo que es bueno: el lado de la ingeniería es más serio que el promedio MQL5 pelusa. Almacenamiento en caché indicador maneja, actualizaciones periódicas, y guardar / cargar la matriz Q son detalles prácticos de implementación.
Así que en mi opinión un experimento interesante y débil diseño comercial. Demasiado branding alrededor de "AI / teoría del juego / inferencia causal", no hay suficientes pruebas de que tiene una ventaja real. Yo no me basaría directamente en esta lógica.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Aplicación de la teoría de juegos a algoritmos comerciales:
En un entorno en el que la rapidez en la toma de decisiones resulta fundamental y el mercado se caracteriza por un alto grado de incertidumbre, se requiere un enfoque diferente para el diseño de sistemas comerciales. AdaptiveQ Enhanced es un asesor comercial desarrollado sobre la base del aprendizaje profundo por refuerzo (DQN), la teoría de juegos y el análisis causal.
El asesor experto analiza el mercado simulando 531.441 estados únicos, considerando las interrelaciones entre los siete principales pares de divisas. El elemento clave del algoritmo es el equilibrio de Nash usado para seleccionar la estrategia óptima bajo la influencia mutua de los instrumentos.
El artículo analiza la aplicación práctica de estos enfoques en MQL5 y demuestra cómo la combinación de aprendizaje adaptativo, teoría de juegos e IA permite construir estrategias comerciales más precisas y sostenibles.
Autor: Yevgeniy Koshtenko