Discusión sobre el artículo "Desarrollo de asesores expertos autooptimizables en MQL5 (Parte 12): Construcción de clasificadores lineales mediante factorización matricial"
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 Desarrollo de asesores expertos autooptimizables en MQL5 (Parte 12): Construcción de clasificadores lineales mediante factorización matricial:
La factorización matricial es una herramienta importante para los operadores algorítmicos interesados en desarrollar aplicaciones guiadas por métodos numéricos. Estas herramientas pueden ayudarnos a construir diversos tipos de algoritmos de aprendizaje automático, y mucho más. Hasta ahora, en nuestra discusión, solo hemos considerado tareas de regresión. Centrémonos ahora en el problema de la clasificación. Hoy abordaremos el reto de construir un clasificador de mercado. Este clasificador podrá distinguir entre movimientos alcistas y bajistas en el mercado. Queremos que nos ayude a realizar nuestras operaciones correctamente. La tarea del clasificador consiste en aprender de las observaciones históricas del comportamiento del mercado e inferir la acción correcta que debemos tomar en un día de trading determinado.
Nuestra estrategia de trading funciona como se describe a continuación. El objetivo es anticipar los movimientos del mercado basándose en el comportamiento esperado del indicador de media móvil. Además, queremos que el precio evolucione en consonancia con la media móvil. Es decir, si nuestro modelo de clasificación prevé que la media móvil baje, también queremos observar que los niveles de precios caigan por debajo del indicador. Si prevemos que tanto la media móvil como el precio bajarán, abriremos posiciones de venta. La media móvil indica la dirección del precio, pero también queremos que los precios aceleren a la baja y se sitúen claramente por debajo del indicador antes de abrir posiciones de venta.
La misma lógica se aplica a las posiciones largas. Queremos anticipar que la media móvil subirá, y los niveles de precios deberían acelerarse muy por encima de ella para que podamos entrar en una señal clara de compra.
A partir de esta descripción, observará que nuestro modelo predecirá dos resultados categóricos al mismo tiempo. Sin embargo, esto no debe confundirse con un modelo de clasificación multiclase. Cada una de las dos variables que predice nuestro modelo es un resultado binario. En otras palabras, el modelo registra dos resultados binarios distintos. La arquitectura que describiremos aquí no es adecuada para clasificar más de dos clases a la vez.
Autor: Gamuchirai Zororo Ndawana