Discussão do artigo "Explorando Técnicas Avançadas de Aprendizado de Máquina na Estratégia de Rompimento da Caixa de Darvas"

[MetaQuotes]

Novo artigo Explorando Técnicas Avançadas de Aprendizado de Máquina na Estratégia de Rompimento da Caixa de Darvas foi publicado:

A estratégia de rompimento da Caixa de Darvas, criada por Nicolas Darvas, é uma abordagem de negociação técnica que identifica potenciais sinais de compra quando o preço de uma ação sobe acima de um intervalo definido de "caixa", sugerindo forte momentum de alta. Neste artigo, aplicaremos esse conceito de estratégia como exemplo para explorar três técnicas avançadas de aprendizado de máquina. Estas incluem usar um modelo de aprendizado de máquina para gerar sinais em vez de filtrar negociações, empregar sinais contínuos em vez de discretos, e utilizar modelos treinados em diferentes períodos gráficos para confirmar negociações.

A estratégia de rompimento da Caixa de Darvas, criada por Nicolas Darvas, é uma abordagem de negociação técnica que identifica potenciais sinais de compra quando o preço de uma ação sobe acima de um intervalo definido de "caixa", sugerindo forte momentum de alta. Neste artigo, aplicaremos esse conceito de estratégia como exemplo para explorar três técnicas avançadas de aprendizado de máquina. Estas incluem usar um modelo de aprendizado de máquina para gerar sinais em vez de filtrar negociações, empregar sinais contínuos em vez de discretos, e utilizar modelos treinados em diferentes períodos gráficos para confirmar negociações. Esses métodos oferecem novas perspectivas sobre como o aprendizado de máquina pode aprimorar o trading algorítmico além das práticas tradicionais.

Este artigo se aprofundará nas características e na teoria por trás de três técnicas avançadas que educadores raramente abordam, pois são inovadoras em comparação com métodos tradicionais. Também oferecerá insights sobre tópicos avançados como engenharia de atributos e ajuste de hiperparâmetros durante o processo de treinamento do modelo. No entanto, não cobrirá todas as etapas do fluxo de trabalho de treinamento de modelo de aprendizado de máquina em detalhe. Para leitores curiosos sobre os procedimentos omitidos, consulte este link do artigo para o processo completo de implementação.

Autor: Zhuo Kai Chen

[linfo2]

Obrigado, Zhou, pelo artigo interessante e pelos exemplos de código. Para mim, tive que instalar manualmente alguns dos componentes do Python para fazê-lo funcionar, o que pode ajudar outros usuários: pip install catboost! pip install onnxruntime ! pip install skl2onnx. após a conclusão, posso testar. mas se eu tentar carregar o EA relacionado, terei como retorno 'Failed to set the Output[1] shape Err=5802. Não tenho certeza de onde isso vem ou se é importante e não consigo descobrir de onde vem... a documentação diz ERR_ONNX_NOT_SUPPORTED

5802

Propriedade ou valor não suportado pela MQL5, seguido pela mensagem ONNX Model Initialised... você tem alguma sugestão?

[Zhuo Kai Chen]

linfo2 catboost! pip install onnxruntime ! pip install skl2onnx. após a conclusão, posso testar. mas se eu tentar carregar o EA relacionado, terei como retorno 'Failed to set the Output[1] shape Err=5802. Não tenho certeza de onde isso vem ou se é importante e não consigo descobrir de onde vem... a documentação diz ERR_ONNX_NOT_SUPPORTED

5802

Propriedade ou valor não suportado pela MQL5, seguido pela mensagem ONNX Model Initialised... você tem alguma sugestão?

Obrigado por lembrar. A parte da instalação do pip foi ignorada, mas os usuários precisam instalar a biblioteca relacionada, caso ainda não o tenham feito.

Seu erro pode ser causado pelo fato de as dimensões usadas no treinamento do modelo serem diferentes das usadas no seu EA. Por exemplo, se você treinou um modelo com 5 recursos, também deve inserir 5 recursos no seu EA, e não 4 ou 6. Um passo a passo mais detalhado está no link deste artigo. Espero que isso ajude. Caso contrário, forneça mais contexto.