前回の記事では、TRIXとWilliams Percent Range (WPR)の指標ペアを紹介しましたが、今回はこの指標ペアを機械学習で拡張する方法について検討します。TRIXとWPRは、トレンド指標とサポート/レジスタンス補完ペアとして組み合わせられます。本機械学習アプローチでは、畳み込みニューラルネットワーク(CNN)を使用し、予測精度を微調整する際にコサインカーネルをアーキテクチャに組み込んでいます。これは常に、MQL5ウィザードと連携してエキスパートアドバイザー(EA)を組み立てるカスタムシグナルクラスファイル内で行われます。。
前回の記事で検討した10種類のシグナルパターンのうち、フォワードウォークに成功したのはわずか3パターンでした。これらのパターンは、トレンド指標であるTRIXと、サポート/レジスタンスオシレーターであるWilliams Percent Range (WPR)の指標シグナルを組み合わせて生成されました。エキスパートアドバイザー(EA)の学習・最適化は2023年の1年間に限定され、フォワードウォークは翌年の2024年で実施されました。テスト対象はCHF/JPYの4時間足です。
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68回）： コサインカーネルネットワークでTRIXとWPRのパターンを使用する」はパブリッシュされました:
前回の記事で検討した10種類のシグナルパターンのうち、フォワードウォークに成功したのはわずか3パターンでした。これらのパターンは、トレンド指標であるTRIXと、サポート/レジスタンスオシレーターであるWilliams Percent Range (WPR)の指標シグナルを組み合わせて生成されました。エキスパートアドバイザー(EA)の学習・最適化は2023年の1年間に限定され、フォワードウォークは翌年の2024年で実施されました。テスト対象はCHF/JPYの4時間足です。
フォワードウォーク可能なパターンを機械学習で拡張する際には、通常Pythonを使用します。Pythonはネットワークのコーディングや学習を非常に効率的におこなえるためであり、GPUがなくても十分に効果を発揮します。過去の記事では、フォワードウォーク可能なパターンの関数をPythonで実装する方法を前置きとして示してきました。本記事では指標のPython実装にも触れますが、主に指標シグナルを入力とするネットワークの構築に重点を置きます。このネットワークは1次元の畳み込みニューラルネットワークで、設計にコサインカーネルを使用しています。
作者: Stephen Njuki