記事「知っておくべきMQL5ウィザードのテクニック（第57回）：移動平均とストキャスティクスを用いた教師あり学習」についてのディスカッション

[MetaQuotes]

新しい記事「知っておくべきMQL5ウィザードのテクニック（第57回）：移動平均とストキャスティクスを用いた教師あり学習」はパブリッシュされました:

移動平均線やストキャスティクスは非常に一般的なテクニカル指標ですが、その「遅行性」のために一部のトレーダーから敬遠されがちです。この3部構成のミニシリーズでは、機械学習の3つの主要なアプローチを軸に、この偏見が本当に正当なものなのか、それとも実はこれらの指標に優位性が隠れているのかを検証していきます。検証には、ウィザードで組み立てられたエキスパートアドバイザー(EA)を用います。

MQLウィザードで組み立てられたエキスパートアドバイザー(EA)で実装できるシンプルなパターンの検討を続けます。この取り組みの主な目的は、常にアイデアの試運転や検証をおこなうことにあります。最終的な運用や実口座での使用には、長期間のテストを経たうえで手動で組み立てたEAを使うことができますが、ウィザードで構築したEAを使えば、初期のコードをほとんど書かずに素早くテストを実施できます。

現在、機械学習は大きな注目を集めており、本連載のこれまでの記事でもその特定の要素について取り上げてきました。本記事および今後の記事でも、こうした技術的な内容を引き続き扱いますが、今回はより広く知られた、定番のインジケーターパターンに焦点を当てます。

さらに、機械学習の文脈において、本連載では3つの主要な学習形式をそれぞれ個別の記事で取り上げる予定です。最初は「教師あり学習」を扱い、インジケーターパターンとしては、トレンド系指標とモメンタム系指標の組み合わせを取り上げます。今回は、移動平均とストキャスティクスを使用します。

教師あり学習では、各パターンを個別のニューラルネットワークに実装します。最近の記事でも述べたとおり、これらはMQL5よりもPythonで実装・学習させたほうが遥かに効率的です。Pythonを使えば、学習後に交差検証を簡単におこなうことができるため、各パターンについてこの検証を実施します。

Pythonでの交差検証は、テスト実行時の損失値を最後の学習エポックの損失値と比較することでおこないますが、これだけではネットワークの現在の重みやバイアスに関する検証としては不十分な場合があります。 

そのため、MetaTrader 5のストラテジーテスターを使って、エクスポートしたONNX形式のネットワークによるウォークフォワードを実施します。今回の検証では、MetaTrader 5からPythonに送信される価格データ（x, yデータセット）はEUR/JPYの2023年分のものであり、これを用いて学習をおこないます。そしてウォークフォワードテストは、同じ通貨ペア EUR/JPYの2024 年分のデータを使用しておこないます。分析対象の時間枠は日足です。

移動平均(MA)とストキャスティクスを組み合わせることで、さまざまな売買シグナルが生成可能です。今回の検証では、これらの指標を組み合わせた際に利用できる代表的なシグナルパターンのうち、上位10種類のみを対象とします。

作者: Stephen Njuki

[Dariusz Pawel Toczko]

こんにちは、添付ファイルが一つありません SignalWZ_57.mqh

[Anil Varma]

Dariusz Pawel Toczko #:
SignalWZ_57.mqhがありません。

ええ、私もSignalWZ_57.mqhファイルが見つからないという同じ問題に直面しました。