Discusión sobre el artículo "Características del Wizard MQL5 que debe conocer (Parte 79): Uso de los osciladores Gator y Acumulación/Distribución con aprendizaje supervisado"

[MetaQuotes]

Artículo publicado Características del Wizard MQL5 que debe conocer (Parte 79): Uso de los osciladores Gator y Acumulación/Distribución con aprendizaje supervisado:

En el último apartado, concluimos nuestro análisis del emparejamiento del oscilador caimán y el oscilador de acumulación/distribución cuando se utilizan en su configuración típica de las señales brutas que generan. Estos dos indicadores son complementarios, ya que funcionan como indicadores de tendencia y volumen, respectivamente. A continuación, damos seguimiento a ese artículo examinando el efecto que el aprendizaje supervisado puede tener en la mejora de algunos de los patrones de características que habíamos revisado. Nuestro enfoque de aprendizaje supervisado es una CNN que utiliza regresión por kernels y similitud de producto escalar para dimensionar sus núcleos y canales. Como siempre, lo hacemos en un archivo de clase de señal personalizado que funciona con el asistente MQL5 para ensamblar un Asesor Experto.

Nuestra elección para un modelo de aprendizaje supervisado es una CNN que utiliza regresión por kernels y similitud de producto escalar. La regresión por kernels estima las salidas de cada capa en una CNN ponderando las entradas observadas de acuerdo con su similitud a un punto de consulta específico. Esta similitud se cuantifica utilizando la similitud del producto escalar como función núcleo. En nuestro modelo, cuyo código se comparte más adelante en la siguiente sección, el método _dot_product_kernel_regression calcula la similitud entre todas las posiciones temporales en un mapa de características utilizando la función torch.bmm(x, x.T) a la que añadimos una normalización softmax que es bastante similar a la autoatención.

La función del producto escalar es ser una medida de similitud que se adapta a los datos, donde un producto alto significa que dos posiciones tienen el mismo patrón de activación en todos los canales, lo que puede conducir a una mayor influencia en la suma ponderada. Una analogía, o una forma diferente de ver esto, podría ser como darle a cada posición "votos" proporcionales a su acuerdo con la posición de la consulta. Una capa de CNN puede considerarse como una hoja de cálculo donde las filas son los pasos de tiempo y las columnas son las características. En este contexto, se toma una sola fila para representar una "posición". Por lo tanto, la "posición de la consulta" es la fila actual que se está actualizando. Durante el proceso de realizar estas actualizaciones, se hacen comparaciones entre esta posición y todas las demás para cuantificar su grado de similitud. Estas actualizaciones tienen lugar durante la retropropagación.

Autor: Stephen Njuki