Discussão do artigo "Funcionalidades do Assistente MQL5 que você precisa conhecer (Parte 29): Taxas de aprendizado e perceptrons multicamadas"
Prezado Stephen,
Obrigado por compartilhar seu conhecimento e trabalho com relação a esse sistema de negociação!
Acompanhei seu artigo com grande interesse. No entanto, quando fiz o download do arquivo zip anexado, ele consistia apenas em:
1. Cmlp_ad.mqh
2. SignalWZ_29.mqh
3. mlp_learn_r.mq5
e dentro do mlp_learn_r.mq5, são necessários os seguintes arquivos:
1 . Expert.mqh
2. TrailingNone.mqh
3. MoneyFixedMargin.mqh
Posso saber como obtê-los, por favor?
Sem eles... o EA não funciona.
Obrigado! Fico muito grato!
Prezado Stephen,
Obrigado por compartilhar seu conhecimento e trabalho com relação a esse sistema de negociação!
Acompanhei seu artigo com grande interesse. No entanto, quando fiz o download do arquivo zip anexado, ele consistia apenas em:
1. Cmlp_ad.mqh
2. SignalWZ_29.mqh
3. mlp_learn_r.mq5
e dentro do mlp_learn_r.mq5, são necessários os seguintes arquivos:
1 . Expert.mqh
2. TrailingNone.mqh
3. MoneyFixedMargin.mqh
Posso saber como obtê-los, por favor?
Sem eles... o EA não funciona.
Obrigado! Fico muito grato!
Eles já existem na pasta MQL include e você deve adicionar um cabeçalho
#include <Expert\Expert.mqh> #include <Expert\Trailing\Expert.mqh> #include <Expert\Money\MoneyFixedMargin.mqh>
- 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 Funcionalidades do Assistente MQL5 que você precisa conhecer (Parte 29): Taxas de aprendizado e perceptrons multicamadas foi publicado:
Estamos concluindo a análise da sensibilidade da taxa de aprendizado ao desempenho do EA, estudando taxas de aprendizado adaptáveis Essas taxas devem ser ajustadas para cada parâmetro da camada durante o treinamento, por isso precisamos avaliar os potenciais benefícios em relação às perdas esperadas no desempenho.
Estamos finalizando nossa revisão sobre diferentes formatos de taxa de aprendizado aplicados ao desempenho do EA, analisando a taxa de aprendizado adaptativa e a taxa de aprendizado de ciclo único. O formato deste artigo seguirá a abordagem usada no artigo anterior: os relatórios de teste serão organizados em seções separadas para cada formato, em vez de serem colocados no final do artigo.
Antes de entrarmos no assunto, gostaria de mencionar outros aspectos importantes do aprendizado de máquina que podem impactar significativamente a eficácia do modelo. Um desses aspectos é a normalização em lote dos dados de entrada. Já abordei esse tema em artigos anteriores, explicando sua importância. No entanto, em nosso próximo artigo, aprofundaremos essa questão. Por enquanto, ao projetar o regime e o formato da rede, a normalização em lote é considerada juntamente com os algoritmos de ativação que a rede ou modelo utilizará. Até agora, usamos a ativação soft plus, que tende a produzir resultados não normalizados. Diferentemente das ativações TANH ou Sigmoid, que geram resultados nos intervalos de -1,0 a +1,0 e de 0,0 a 1,0, respectivamente, a soft plus pode frequentemente produzir valores que falham na verificação da validade dos números reais, tornando o processo de aprendizado e previsão inválido.
Autor: Stephen Njuki