Discusión sobre el artículo "Explorando técnicas avanzadas de aprendizaje automático en la estrategia Darvas Box Breakout"

[MetaQuotes]

Artículo publicado Explorando técnicas avanzadas de aprendizaje automático en la estrategia Darvas Box Breakout:

La estrategia Darvas Box Breakout, creada por Nicolas Darvas, es un enfoque técnico de negociación que detecta posibles señales de compra cuando el precio de una acción sube por encima de un rango establecido, lo que sugiere un fuerte impulso alcista. En este artículo, aplicaremos este concepto estratégico como ejemplo para explorar tres técnicas avanzadas de aprendizaje automático. Entre ellas se incluyen el uso de un modelo de aprendizaje automático para generar señales en lugar de filtrar operaciones, el empleo de señales continuas en lugar de discretas y el uso de modelos entrenados en diferentes marcos temporales para confirmar las operaciones.

La estrategia Darvas Box Breakout, creada por Nicolas Darvas, es un enfoque técnico de negociación que detecta posibles señales de compra cuando el precio de una acción sube por encima de un rango establecido, lo que sugiere un fuerte impulso alcista. En este artículo, aplicaremos este concepto estratégico como ejemplo para explorar tres técnicas avanzadas de aprendizaje automático. Entre ellas se incluyen el uso de un modelo de aprendizaje automático para generar señales en lugar de filtrar operaciones, el empleo de señales continuas en lugar de discretas y el uso de modelos entrenados en diferentes marcos temporales para confirmar las operaciones. Estos métodos ofrecen nuevas perspectivas sobre cómo el aprendizaje automático puede mejorar el comercio algorítmico más allá de las prácticas tradicionales.

Este artículo profundizará en las características y la teoría que hay detrás de tres técnicas avanzadas que los formadores rara vez tratan, ya que son innovadoras en comparación con los métodos tradicionales. También ofrecerá información sobre temas avanzados como la ingeniería de características y el ajuste de hiperparámetros durante el proceso de entrenamiento del modelo. Sin embargo, no cubrirá en detalle todos los pasos del flujo de trabajo de entrenamiento del modelo de aprendizaje automático. Para los lectores que tengan curiosidad por conocer los procedimientos omitidos, consulten este enlace para ver el proceso de implementación completo.

Autor: Zhuo Kai Chen

[linfo2]

Gracias Zhou por el interesante artículo y ejemplos de código . para mí tuve que instalar manualmente algunos de los componentes de Python para que funcione. lo que puede ayudar a otros usuarios !pip install catboost!pip install onnxruntime !pip install skl2onnx. al finalizar puedo probar . pero si trato de cargar el EA relacionado , he devuelto 'Failed to set the Output[1] shape Err=5802. No estoy seguro de dónde viene esto o si es importante y yo soy incapaz de averiguar de dónde viene . . la documentación dice ERR_ONNX_NOT_SUPPORTED

5802

Propiedad o valor no soportado por MQL5 , esto es seguido por el mensaje ONNX Modelo Inicializado ? tiene alguna sugerencia

[Zhuo Kai Chen]

linfo2 catboost!pip install onnxruntime !pip install skl2onnx. al finalizar puedo probar . pero si trato de cargar el EA relacionado , he devuelto 'Failed to set the Output[1] shape Err=5802. No estoy seguro de dónde viene esto o si es importante y yo soy incapaz de averiguar de dónde viene . . la documentación dice ERR_ONNX_NOT_SUPPORTED

5802

Propiedad o valor no soportado por MQL5 , esto es seguido por el mensaje ONNX Modelo Inicializado ? tiene alguna sugerencia

Gracias por recordármelo. La parte de instalación pip fue ignorada, pero los usuarios tienen que instalar la biblioteca relacionada si no lo han hecho ya.

Su error puede deberse a que las dimensiones utilizadas en el entrenamiento de su modelo son diferentes a las utilizadas en su EA. Por ejemplo, si ha entrenado un modelo con 5 características, debería introducir también 5 características en su EA, no 4 ó 6. Encontrará un tutorial más detallado en este artículo. Espero que esto le ayude. Si no, por favor proporcione más contexto.