Discussão do artigo "Sistemas neurossimbólicos no algotrading: Unindo regras simbólicas e redes neurais"
MetaQuotes:
O principal problema é a estabilidade da frequência calculada de aparecimento de uma vela branca ou preta após o aparecimento de um padrão. Em amostras pequenas, ela não é confiável e, em amostras grandes, é 50/50.Artigo publicado Neurosymbolic Systems in Algorithm Trading: Combining Symbolic Rules and Neural Networks:
Autor: Yevgeniy Koshtenko
E não entendo a lógica de primeiro alimentar o neuronka com a frequência do padrão como um dos recursos e, em seguida, usar a mesma frequência para filtrar os sinais do neuronka criados com base nela.
Sem tocar na abordagem em si, a redução dos intervalos reais de movimentos a duas classes anula as informações úteis que poderiam ser extraídas pela rede neural (para o bem da qual nós a parafusamos) - semelhante a se começássemos a alimentar o sistema de reconhecimento de imagens coloridas com imagens em preto e branco. Na minha opinião, é necessário não ajustar a rede aos métodos antigos de padrões binários, mas destacar os padrões reais e difusos em dados completos.
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 Sistemas neurossimbólicos no algotrading: Unindo regras simbólicas e redes neurais foi publicado:
Imagine que você está tentando ensinar um computador a operar na bolsa. De um lado, temos regras clássicas e padrões, como os famosos "ombro-cabeça-ombro", "fundo duplo" e centenas de outras figuras conhecidas de qualquer trader. Muitos de nós já programamos EAs no MQL5 tentando codificar essas estruturas. Mas o mercado é um organismo vivo, está sempre mudando, e regras rígidas muitas vezes falham.
Do outro lado, temos as redes neurais, redes essas que são modernas, potentes, mas por vezes completamente opacas nas suas decisões. Alimente uma rede LSTM com dados históricos e ela vai gerar previsões com boa precisão. Mas por que ela tomou determinada decisão, geralmente permanece um mistério. E no trading, cada erro pode custar dinheiro de verdade.
Lembro de alguns anos atrás, quando eu travava essa luta no meu algoritmo de trading. Os padrões clássicos geravam muitos falsos positivos, enquanto a rede neural às vezes soltava previsões incríveis, mas sem qualquer lógica. E então tive um estalo: e se a gente unisse as duas abordagens? Usar regras claras como estrutura, o esqueleto do sistema, e a rede neural como o mecanismo adaptativo, que reage ao estado atual do mercado.
Assim nasceu a ideia do sistema neurossimbólico para algotrading. Pense nele como um trader experiente que conhece todas as figuras clássicas e regras, mas que também sabe se adaptar ao mercado, levando em conta nuances e correlações sutis. Um sistema desses tem um "esqueleto" de regras bem definidas e "músculos" na forma de uma rede neural, trazendo flexibilidade e adaptabilidade.
Autor: Yevgeniy Koshtenko