Discussão do artigo "Modelos ocultos de Markov em sistemas de trading com aprendizado de máquina"

[MetaQuotes]

Novo artigo Modelos ocultos de Markov em sistemas de trading com aprendizado de máquina foi publicado:

Os modelos ocultos de Markov (HMM) representam uma classe poderosa de modelos probabilísticos, destinados à análise de dados sequenciais, nos quais os eventos observáveis dependem de alguma sequência de estados não observáveis (ocultos), que formam um processo de Markov. As principais suposições dos HMM incluem a propriedade de Markov para os estados ocultos, o que significa que a probabilidade de transição para o próximo estado depende apenas do estado atual, e a independência das observações, desde que o estado oculto atual seja conhecido.

A biblioteca hmmlearn representa um conjunto de algoritmos na linguagem Python para aprendizado não supervisionado, isto é, de modelos ocultos de Markov (HMM). Ela foi desenvolvida para fornecer ferramentas simples e eficientes para trabalhar com HMM, seguindo a API da biblioteca scikit-learn, o que facilita a integração em projetos existentes de aprendizado de máquina e simplifica o processo de aprendizado para usuários familiarizados com o scikit-learn. O hmmlearn é construído com base em bibliotecas fundamentais do ecossistema científico do Python, como NumPy, SciPy e Matplotlib.

As principais funcionalidades do hmmlearn incluem a implementação de diferentes modelos de HMM com diversos tipos de distribuições de emissão, o treinamento dos parâmetros dos modelos a partir de dados observados, a inferência das sequências mais prováveis de estados ocultos, a geração de amostras a partir de modelos treinados, bem como a possibilidade de salvar e carregar modelos treinados. A diversidade de modelos implementados permite que os usuários escolham o tipo de distribuição de emissão mais adequado, dependendo da natureza de seus dados. O tipo de dado, contínuo, discreto ou de contagem, determina qual distribuição probabilística descreve melhor o processo de geração das observações em cada estado oculto.

Autor: Maxim Dmitrievsky

[fxsaber]

Затем, следует скомпилировать приложенного в конце статьи бота и протестировать его в тестере MetaTrader 5.

Fig. 14. Teste do melhor modelo no terminal MetaTrader 5 para todo o período

O arquivo MQL5 files.zip contém arquivos para o terminal MetaTrader 5

Por favor, torne padrão a publicação dos arquivos tst correspondentes aos resultados do backtest publicados nos artigos. Muito obrigado.

[[Excluído]]

fxsaber #:

Por favor, torne padrão a publicação dos arquivos tst correspondentes dos resultados do backtest publicados nos artigos também. Muito obrigado.

Infelizmente, não escrevo com tanta frequência. Tentarei me lembrar disso no futuro.