Discussão do artigo "Redes neurais de maneira fácil (Parte 73): AutoBots para previsão de movimentos de preço"
ESTE é o segundo do MELHOR artigo até agora! <3
Olá. Já existem cinco Expert Advisors na pasta. Você poderia me dizer em que ordem os executou?
0. ResearchRealORL.mq5 - nós o executamos logo no início (não necessariamente) para a coleta inicial de trajetórias. Mas antes de iniciá-lo, é necessário um trabalho preparatório para coletar passagens reais de sinais ou outras fontes. O processo está descrito no artigo 67
1. research.mq5 - executado para a coleta inicial de trajetórias por meio de políticas aleatórias e atualização do banco de dados de exemplos após cada iteração de treinamento de políticas. Requer pelo menos uma passagem no banco de dados de exemplos.
2. studyEncoder.mq5 - executa "uma vez por muito tempo" para treinar o modelo de previsão de trajetória.
3. study.mq5 - executado iterativamente com o Research.mq5 para treinar a política do agente. Requer um banco de dados de exemplos primários e um modelo de previsão de trajetória treinado.
4. test.mq5 - usado para testar a política treinada no testador de estratégia.
- www.mql5.com
.... Além disso. Os links para artigos anteriores se tornaram como vários Goto's para despistar a trilha.
Não posso fornecer uma lista completa da série. Alguns dos artigos estão listados em "Outros artigos do autor". E a lista completa pode ser encontrada em uma pesquisa.
Não há StudyEncoder.mq5 na pasta . Mas há o Alternate e o Study Traj, que você não mencionou.
Peço desculpas, o StudyEncoder estava no artigo anterior. Neste artigo, ele foi renomeado para StudyTraj. O artigo anterior ensinou a representação compactada da trajetória no Autoencoder. E o Autobot study retorna a trajetória.
Alternate - usado no teste para verificar a precisão da previsão da trajetória. Nele, simplesmente pegamos a trajetória prevista pelo Autobot, determinamos o extremo mais próximo dela e fazemos uma negociação em sua direção com um lote mínimo.
Há um link na parte inferior da página Histórico de qualquer sinal
- 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 73): AutoBots para previsão de movimentos de preço foi publicado:
Continuamos a análise dos algoritmos de aprendizado de modelos de previsão de trajetórias. E neste artigo, proponho que você conheça o método chamado “AutoBots”.
A previsão eficaz do movimento dos pares de moedas é um aspecto fundamental da gestão segura das operações de trading. Neste contexto, o foco está no o desenvolvimento de modelos eficientes capazes de aproximar com precisão a distribuição conjunta das informações contextuais e temporais necessárias para a tomada de decisões de trading. Para resolver tais tarefas, proponho que você conheça o método "Latent Variable Sequential Set Transformers" (AutoBots), apresentado no artigo "Latent Variable Sequential Set Transformers For Joint Multi-Agent Motion Prediction". O método proposto é baseado na arquitetura Encoder-Decoder, ou codificador-decodificador, e foi desenvolvido para resolver problemas de gestão segura de sistemas robóticos. Ele permite gerar sequências de trajetórias para múltiplos agentes, concordantes com o cenário. Os "AutoBots" podem prever a trajetória de um único agente ego ou a distribuição de trajetórias futuras para todos os agentes no cenário. No nosso caso, tentaremos aplicar o modelo proposto para gerar sequências de movimentos de preços de pares de moedas, concordantes com a dinâmica do mercado.
Autor: Dmitriy Gizlyk