Discussão do artigo "Integrando o MQL5 com pacotes de processamento de dados (Parte 2): Aprendizado de Máquina e Análise Preditiva"
Ótimo artigo! Segui seu código e recebi um erro: 2024.08.21 02:57:11.290 adas (XAUUSD,H1) array out of range in 'adas.mq5' (74,41)
Olá
Também encontrei exatamente o mesmo erro
Oi ... li todos os seus artigos e dei uma olhada no código.....há erros em todos eles....Espero que você revise todos os códigos que publica...|
Não sei, mas pelo menos deve haver alguma dúvida sobre o código final enviado
Não sei, mas pelo menos deve haver alguma dúvida sobre o código final enviado
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 Integrando o MQL5 com pacotes de processamento de dados (Parte 2): Aprendizado de Máquina e Análise Preditiva foi publicado:
Na nossa série sobre integração do MQL5 com pacotes de processamento de dados, mergulhamos na poderosa combinação de aprendizado de máquina e análise preditiva. Exploraremos como conectar o MQL5 de forma perfeita com bibliotecas populares de aprendizado de máquina, para possibilitar modelos preditivos sofisticados para os mercados financeiros.
Neste artigo, focamos especificamente em Aprendizado de Máquina (ML) e Análise Preditiva. Pacotes de processamento de dados abrem novas fronteiras para traders quantitativos e analistas financeiros. Ao incorporar capacidades de aprendizado de máquina no MQL5, traders podem elevar suas estratégias de trading de sistemas baseados em regras tradicionais para modelos sofisticados, orientados por dados, que se adaptam continuamente às condições de mercado em evolução.
O processo envolve o uso das poderosas bibliotecas de processamento de dados e aprendizado de máquina do Python, como o scikit-learn, em conjunto com o MQL5. Essa integração permite que traders treinem modelos preditivos usando dados históricos, testem sua eficácia com técnicas de back-testing e, em seguida, implementem esses modelos para tomar decisões de trading em tempo real. A flexibilidade para combinar essas ferramentas permite a criação de estratégias que vão além dos indicadores técnicos típicos, incorporando análise preditiva e reconhecimento de padrões que podem aprimorar significativamente os resultados das operações.
Autor: Hlomohang John Borotho