Discussão do artigo "Ciência de Dados e ML (Parte 27): Redes Neurais Convolucionais (CNNs) em Bots de Trading no MetaTrader 5 — Vale a Pena?"
MetaQuotes:
Artigo publicado Aprendizado de máquina e ciência de dados (Parte 27): Redes neurais convolucionais (CNNs) em robôs de negociação para o MetaTrader 5:
Autor: Omega J Msigwa
5,5 negociações por ano no H4 não são suficientes. Muito pouco.
Esta é a explicação mais concisa da CNN aplicada à negociação que já vi e, em sua maior parte, em linguagem simples e diagramas. Em seguida, ela é reduzida para o código MQL5. Observe que o código não está limitado ao período de tempo H4.
Muito bem, senhor!👍
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Ciência de Dados e ML (Parte 27): Redes Neurais Convolucionais (CNNs) em Bots de Trading no MetaTrader 5 — Vale a Pena? foi publicado:
As Redes Neurais Convolucionais (CNNs) são renomadas por sua capacidade de detectar padrões em imagens e vídeos, com aplicações em diversos campos. Neste artigo, exploramos o potencial das CNNs para identificar padrões valiosos nos mercados financeiros e gerar sinais de trading eficazes para bots de negociação no MetaTrader 5. Vamos descobrir como essa técnica de aprendizado profundo pode ser aproveitada para decisões de trading mais inteligentes.
As Redes Neurais Convolucionais (CNNs) são uma classe de algoritmos de aprendizado profundo projetados especificamente para processar dados estruturados em grade, como imagens, espectrogramas de áudio e séries temporais. Elas são particularmente adequadas para tarefas envolvendo dados visuais, pois podem aprender automaticamente e de forma adaptativa hierarquias espaciais de características a partir dos dados de entrada.
As CNNs são uma versão estendida das redes neurais artificiais (ANN). Elas são predominantemente usadas para extrair características de conjuntos de dados em formato de grade. Por exemplo, conjuntos de dados visuais como imagens ou vídeos, onde os padrões de dados desempenham um papel fundamental.
As redes neurais convolucionais possuem vários componentes-chave, como camadas convolucionais, funções de ativação, camadas de pooling, camadas totalmente conectadas e camadas dropout. Para entender as CNNs em profundidade, vamos dissecar cada componente e ver do que se trata.
Autor: Omega J Msigwa