Discussão do artigo "Técnicas do MQL5 Wizard que você deve conhecer (Parte 33): Kernels de Processos Gaussianos"
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 Técnicas do MQL5 Wizard que você deve conhecer (Parte 33): Kernels de Processos Gaussianos foi publicado:
Os Kernels de Processos Gaussianos são a função de covariância da Distribuição Normal que pode desempenhar um papel em previsões. Exploramos esse algoritmo único em uma classe de sinal personalizada em MQL5 para ver se pode ser utilizado como um sinal principal de entrada e saída.
Os Kernels de Processos Gaussianos são funções de covariância usadas em processos gaussianos para medir as relações entre pontos de dados, como em uma série temporal. Esses kernels geram matrizes que capturam a relação intra-dados, permitindo que o Processo Gaussiano faça projeções ou previsões assumindo que os dados seguem uma distribuição normal. Como essas séries buscam explorar novas ideias enquanto examinam como essas ideias podem ser exploradas, os Kernels de Processos Gaussiano (GP) estão servindo como nosso tópico para a construção de um sinal personalizado.
Recentemente, cobrimos muitos artigos relacionados a aprendizado de máquina nos últimos cinco artigos, então, para este, "fazemos uma pausa" e olhamos para a boa e velha estatística. Na natureza de desenvolvimento de sistemas, frequentemente os dois estão casados, no entanto, ao desenvolver este sinal personalizado, não estaremos suplementando ou considerando nenhum algoritmo de aprendizado de máquina. Os kernels GP são notáveis por sua flexibilidade.
Eles podem ser usados para modelar uma grande variedade de padrões de dados que variam de periodicidade, a tendências ou até mesmo relações não-lineares. No entanto, mais significativo do que isso é que, ao prever, eles fazem mais do que fornecer um único valor. Em vez disso, fornecem uma estimativa de incerteza que incluiria o valor desejado, bem como um valor limite superior e inferior. Esses intervalos de limites são frequentemente fornecidos com uma classificação de confiança, o que facilita ainda mais o processo de tomada de decisão de um trader ao ser apresentado com um valor de previsão. Essas classificações de confiança também podem ser perspicazes e ajudar a entender melhor os títulos negociados ao comparar diferentes faixas de previsões que estão marcadas com níveis de confiança díspares.
Além disso, eles são bons em lidar com dados ruidosos, pois permitem que um valor de ruído seja incrementado na matriz K criada (veja abaixo), e também são capazes de serem usados enquanto incorporam conhecimento prévio, além de serem muito escaláveis. Há uma quantidade considerável de diferentes kernels para escolher por aí. A lista inclui (mas não se limita a): Kernel Exponencial Quadrado (RBF), Kernel Linear, Kernel Periódico, Kernel Quadrático Racional, Kernel Matern, Kernel Exponencial, Kernel Polinomial, Kernel de Ruído Branco, Kernel de Produto Escalar, Kernel de Mistura Espectral, Kernel Constante, Kernel Cosseno, Kernel de Rede Neural (Arccosseno), e Kernels de Produto & Soma.
Autor: Stephen Njuki