Discussão do artigo "Redes neurais em trading: sinais de negociação robustos em qualquer regime de mercado (Conclusão)"
Alguém poderia me dizer como resolver isso aqui —
'Math' não é uma classe, estrutura ou união VAE.mqh 93 8
'MathRandomNormal' — algum operador esperado VAE.mqh 93 14
A conversão do tipo de parâmetro 'int[1]' para 'const uint[] &' não é permitida VAE.mqh 135 55
contagem incorreta de parâmetros: 4 foram passados, mas são necessários 5 VAE.mqh 135 15
pode ser uma das 2 funções VAE.mqh 135 15
bool COpenCL::Execute(const int, const int, const uint&[], const uint&[]) OpenCL.mqh 82 22
bool COpenCL::Execute(const int, const int, const uint&[], const uint&[], const uint&[]) OpenCL.mqh 83 22
???
Alguém poderia me dar uma dica de como lidar com isso aqui? -
'Math' não é uma classe, estrutura ou união VAE.mqh 93 8
'MathRandomNormal' — algum operador esperado VAE.mqh 93 14
A conversão do tipo de parâmetro 'int[1]' para 'const uint[] &' não é permitida VAE.mqh 135 55
contagem incorreta de parâmetros: 4 foram passados, mas são necessários 5 VAE.mqh 135 15
pode ser uma das 2 funções VAE.mqh 135 15
bool COpenCL::Execute(const int, const int, const uint&[], const uint&[]) OpenCL.mqh 82 22
bool COpenCL::Execute(const int, const int, const uint&[], const uint&[], const uint&[]) OpenCL.mqh 83 22
???
- 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 Redes neurais em trading: sinais de negociação robustos em qualquer regime de mercado (Conclusão) foi publicado:
A primeira etapa, o treinamento offline, foi realizada com dados históricos do par de moedas EURUSD no timeframe H1, entre janeiro de 2024 e junho de 2025. Esse intervalo se tornou um verdadeiro campo de treinamento para o modelo. A diversidade das condições permitiu que ele desenvolvesse a capacidade de reconhecer sinais importantes, produzir decisões de negociação robustas e manter a coerência de suas decisões mesmo nas situações mais caóticas. Nessa etapa, o modelo aprendeu não apenas a reproduzir padrões históricos, mas também a compreender os padrões do mercado, adaptando-se à velocidade das variações de preço e ao volume de negociação. Nessa etapa, o modelo atua como um trader experiente que analisa o mercado combinando intuição e estratégia.
Concluído o treinamento offline, iniciamos a segunda etapa: o ajuste fino online no Testador de Estratégia do MetaTrader 5. Nessa fase, os dados eram recebidos em tempo real, vela a vela, e o modelo aprendia a processar o fluxo do mercado vela a vela, acompanhando sua cadência em tempo real. Ele aprendia a acompanhar a velocidade e a intensidade reais das variações de preço, aprendia a manter a estabilidade diante do ruído do mercado, ajustar suas ações em períodos de baixa liquidez e reagir imediatamente a picos abruptos de preço. Essa etapa funcionou como um refinamento da estratégia. A estrutura básica, construída com os dados históricos, permaneceu inalterada, mas o modelo aprendeu a se adaptar às condições atuais do mercado, reduzindo o risco de sobreajuste e aprimorando sua capacidade de tomar decisões em um ambiente imprevisível.
A avaliação final foi realizada com os dados de julho e agosto de 2025, totalmente novos e não utilizados anteriormente. Todos os parâmetros obtidos nas etapas anteriores foram carregados sem alterações, o que permitiu avaliar de forma imparcial a capacidade de generalização do modelo. Os resultados dos testes são apresentados a seguir.
Autor: Dmitriy Gizlyk