Discussão do artigo "Rede neural quântica em MQL5 (Parte II): Treinamos a rede neural com retropropagação do erro usando matrizes de Markov da ALGLIB"
O artigo Rede Neural Quântica em MQL5 (Parte II) foi publicado: Treinamento de uma rede neural com retropropagação de erro em matrizes de Markov ALGLIB:
Autor: Yevgeniy Koshtenko
Tenho testes e todos os resultados não estão disponíveis, ou seja, não posso testar como ele negocia no histórico ou é impossível apenas demo e tempo?
- 2025.07.25
- www.mql5.com
Eugene, a comunidade ficaria sinceramente grata se você pudesse publicar o código de trabalho real do EA e o arquivo de inclusão. Agora eles nem mesmo são compilados sem erros. Mas o mais importante é que você escreveu que 400 sinais foram implementados, os quais são usados para treinar o modelo, mas, a julgar pelo código, não há nem mesmo a décima parte dos sinais.
Quais são os erros de compilação? Para mim, tudo é compilado sem problemas; se não fosse assim, eu não o publicaria).
Quais são os erros de compilação? Tudo compila bem para mim; se não compilasse, eu não teria postado nada).
Não há problema com a compilação, corrigi o caminho para o arquivo incluído e isso é tudo. É mais uma questão de como o EA funciona e as funções declaradas. Sou novo na comunidade MQL e pensei que quando você lesse a frase"prevê o comportamento do mercado com uma precisão de até 65%". O EA SimpleQuantumEA.mq5 usa 400 recursos" e vê o código publicado, você espera ver que o EA opera de acordo com esse princípio. Mas isso não acontece. Não tome isso como um insulto. Admiro suas idéias e levo muitas coisas para o trabalho. Outros autores têm a mesma coisa, não há nada 100% publicado. Acho que é a ganância humana. Portanto, somos organizados. Em geral, sou grato a você pelo que oferece. Por exemplo, já adicionei mais de 2.000 linhas de código ao seu Expert Advisor. Por exemplo, depois de criar um código para verificar a eficácia de 400 sinais, tenho apenas 149 como eficazes. O restante foi rejeitado pelos algoritmos como ruído que não afeta a previsão. O mesmo acontece com você?
Gostaria apenas de obter mais informações sobre as etapas que você seguiu para obter o resultado de 99% de negociações lucrativas. Não estou pedindo código, apenas dicas. Que camadas você usou, que neurônios adicionais usou? Vejo que você iniciou o EA quântico com o modelo LSTM. No final, você manteve esse modelo e usou o quantum como um filtro na parte superior? Ou você tem o LSTM como um EA separado e o algoritmo quântico como um EA separado?
Dê mais dicas e informações. Afinal de contas, se você começar a dar mais ao mundo, verá que mais coisas virão para você imediatamente. É assim que o universo funciona. Estou escrevendo aqui porque você não responde às mensagens privadas :) Eu lhe asseguro que, se durante o processo eu conseguir algo que valha a pena, com certeza compartilharei. Mas, por enquanto, estou apenas no começo....
Boa tarde.
Gostaria de lembrá-lo de que a plataforma MQL5 não é compatível com a computação quântica. As redes neurais quânticas reais usam plataformas especializadas, como Qiskit ou Cirq, e hardware quântico (por exemplo, IBM Quantum). Isso é apenas uma imitação do Attention.
Como uma mistura de LSTM, Transformers, ARIMA, etc. A computação quântica real não será executada em servidores e PCs comuns.
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Rede neural quântica em MQL5 (Parte II): Treinamos a rede neural com retropropagação do erro usando matrizes de Markov da ALGLIB foi publicado:
Traders algorítmicos se deparam cada vez mais com modelos tradicionais que deixam de gerar resultados. Redes LSTM, antes consideradas um avanço, apresentam acurácia em torno de 58%. Transformers, apesar do sucesso em NLP, lidam mal com o ruído dos dados financeiros. Modelos do tipo ARIMA perderam valor prático.
Uma situação típica: o sistema de trading apresenta ótimo desempenho em dados históricos, mas no trading real perde eficiência rapidamente. A principal causa é o overfitting e a incapacidade das redes clássicas de se adaptarem às mudanças nas condições de mercado. A transição de uma tendência tranquila para um regime de alta volatilidade torna muitos algoritmos inúteis. A acurácia das previsões cai para 51–58%, o drawdown chega a 40–50%, e o índice de Sharpe raramente passa de 1,0.
Autor: Yevgeniy Koshtenko