Discussão do artigo "Redes neurais de maneira fácil (Parte 33): regressão quantílica em aprendizado Q distribuído,"
Olá,
obrigado por seu trabalho árduo, agradeço seu tempo e esforço.
Tive que pegar o VAE do artigo nº 22 quando tentei compilar o QRDQN.
Mas estou encontrando este erro,
'MathRandomNormal' - identificador não declarado VAE.mqh 92 8
Suponho que a biblioteca VAE do artigo 22 esteja desatualizada?
Olá,
obrigado por seu trabalho árduo, agradeço seu tempo e esforço.
Tive que pegar o VAE do artigo nº 22 quando tentei compilar o QRDQN.
mas estou encontrando esse erro,
'MathRandomNormal' - identificador não declarado VAE.mqh 92 8
Suponho que a biblioteca VAE no número 22 esteja desatualizada?
Olá, você pode carregar os arquivos atualizados deste artigo https://www.mql5.com/pt/articles/11619
- www.mql5.com
Olá, você pode carregar os arquivos atualizados deste artigo https://www.mql5.com/en/articles/11619
Obrigado por sua resposta,
Fiz isso e o erro foi corrigido, mas apareceram mais dois.
um
'Create' - expressão do tipo 'void' é ilegal QRDQN.mqh 85 30
2
''AssignArray' - nenhuma das sobrecargas pode ser aplicada à chamada de função QRDQN.mqh 149 19
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Redes neurais de maneira fácil (Parte 33): regressão quantílica em aprendizado Q distribuído, foi publicado:
Continuamos a estudar o aprendizado Q distribuído e hoje veremos essa abordagem de outro ponto de vista. Falaremos sobre a possibilidade de usar regressão quantílica para resolver o problema de previsão de movimentos de preços.
Para o treinamento, utilizou-se uma ferramenta chamada NetCreator para criar um modelo que reproduzisse a arquitetura do modelo treinado no artigo anterior. A única diferença foi a remoção da última camada de normalização SoftMax, para que a área de resultados do modelo pudesse replicar quaisquer políticas de recompensa utilizadas.
Como sempre, o modelo foi treinado usando dados históricos do EURUSD, período H1. Dados históricos dos últimos 2 anos foram usados como amostra de treinamento.
O modelo treinado foi testado no testador de estratégia por meio do EA "QRDQN-learning-test.mq", o qual foi criado com base em Expert Advisors semelhantes de artigos anteriores. O código do EA não sofreu grandes alterações e pode ser encontrado na íntegra no anexo.
Os resultados do teste foram satisfatórios, demonstrando a capacidade do modelo em gerar lucro em um curto período de tempo de 2 semanas, com mais da metade das operações de negociação encerradas em lucro. O lucro médio por negociação foi quase duas vezes maior do que a perda média.
Autor: Dmitriy Gizlyk