Discussão do artigo "Previsão de Tendência com LSTM para Estratégias de Seguimento de Tendência"

Novo comentário
 

Novo artigo Previsão de Tendência com LSTM para Estratégias de Seguimento de Tendência foi publicado:

Memória de Curto e Longo Prazo (LSTM) é um tipo de rede neural recorrente (RNN) projetada para modelar dados sequenciais, capturando de forma eficaz dependências de longo prazo e resolvendo o problema do gradiente desvanecente. Neste artigo, exploraremos como utilizar LSTM para prever tendências futuras, aprimorando o desempenho de estratégias de seguimento de tendência. O artigo abordará a introdução de conceitos-chave e a motivação por trás do desenvolvimento, a obtenção de dados do MetaTrader 5, o uso desses dados para treinar o modelo em Python, a integração do modelo de aprendizado de máquina no MQL5 e a reflexão sobre os resultados e aspirações futuras com base em backtesting estatístico.

Intuitivamente, estratégias de seguimento de tendência capitalizam ganhos em mercados direcionais, mas têm desempenho fraco em mercados laterais, onde a estratégia acaba comprando a um preço elevado e vendendo a um preço descontado. Pesquisas acadêmicas demonstraram que estratégias clássicas de seguimento de tendência, como o golden cross, funcionam em múltiplos mercados e períodos de tempo ao longo de longos períodos históricos. Embora essas estratégias possam não ser altamente lucrativas, elas demonstraram ganhos consistentes. Estratégias de seguimento de tendência normalmente lucram com valores extremos atípicos, que geram lucros significativamente maiores do que a perda média. A abordagem da estratégia, com stop-loss apertado e “deixar os lucros correrem”, resulta em uma baixa taxa de acerto, mas em uma alta relação risco-retorno por operação.

LSTM (Memória de Curto e Longo Prazo) é um tipo especializado de rede neural recorrente (RNN) projetado para capturar dependências de longo alcance em dados sequenciais. Ela utiliza células de memória que podem manter informações por longos períodos, superando o problema do gradiente desvanecente que normalmente afeta RNNs tradicionais. Essa capacidade de armazenar e acessar informações anteriores na sequência torna o LSTM particularmente eficaz para tarefas como previsão de séries temporais e previsão de tendências. Para problemas de regressão, o LSTM pode modelar as relações temporais entre as variáveis de entrada e prever saídas contínuas com alta precisão, tornando-o ideal para aplicações de previsão.

A motivação para este artigo é aproveitar o poder do LSTM para regressão de tendência, prevendo tendências futuras e potencialmente filtrando operações ruins resultantes de baixa tendência. Essa motivação baseia-se na hipótese de que estratégias de seguimento de tendência têm melhor desempenho em mercados com tendência em comparação a mercados sem tendência.


Autor: Zhuo Kai Chen

 
Não entendo: onde está o modelo regression2024.onnx propriamente dito no arquivo zip?
 
an_tar #:
Não entendo: onde está o modelo regression2024.onnx propriamente dito no arquivo zip?

Olá an_tar.

Conforme mencionado no artigo, esse tipo de sistema deve ser validado por meio de um backtest de janela móvel. Eu não queria incluir todo o meu modelo treinado desde 2008 para não tornar o arquivo pesado.

É aconselhável usar a estrutura apresentada no artigo para treinar seu próprio modelo para que seja compatível com seu método de validação pessoal.

Novo comentário