Discussão do artigo "Mapas auto-organizáveis de Kohonen em um EA MQL5"
MetaQuotes:
Yevgeniy, bom diaFoi publicado o artigo “Mapas auto-organizados de Kohonen” no Guia do MQL5:
Autor: Yevgeniy Koshtenko
onde posso ver e compilar os códigos-fonte completos?
É uma abordagem interessante, dá vontade de experimentar
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Mapas auto-organizáveis de Kohonen em um EA MQL5 foi publicado:
Vamos começar com uma analogia simples. Imagine que você seja um geógrafo encarregado de criar o mapa de uma região desconhecida. Você dispõe das coordenadas de milhares de pontos, além de medições de altitude, temperatura, umidade e muitos outros parâmetros para cada um deles. Como transformar esse conjunto de números em um mapa bidimensional compreensível, no qual lugares semelhantes fiquem próximos e lugares diferentes, distantes uns dos outros?
O mapa auto-organizável de Kohonen faz exatamente isso, mas com dados de mercado. Temos um espaço multidimensional de atributos, formado por preços, volumes, volatilidade, variações em diferentes períodos e indicadores técnicos. Cada vela do gráfico corresponde a um ponto nesse espaço multidimensional. A SOM pega todos esses pontos e os projeta sobre uma grade bidimensional de neurônios, preservando a topologia: situações de mercado semelhantes acabam associadas a neurônios vizinhos no mapa.
A mágica acontece durante o treinamento. A rede é formada por uma grade bidimensional de neurônios, por exemplo, vinte por vinte, totalizando quatrocentos neurônios. Cada neurônio possui um vetor de pesos com a mesma dimensionalidade dos dados de entrada. Quando apresentamos à rede um novo padrão de mercado, ela encontra o neurônio cujos pesos mais se aproximam desse padrão. Esse neurônio é chamado de Best Matching Unit, ou BMU. Em seguida acontece a parte mais interessante: não apenas a BMU atualiza seus pesos para se tornar ainda mais semelhante ao padrão de entrada, como os pesos dos neurônios vizinhos no mapa também são ajustados na mesma direção. Quanto maior a distância em relação à BMU, menor é a influência.
Depois do treinamento com milhares de situações de mercado, o mapa se auto-organiza. Os neurônios em um dos cantos do mapa podem passar a representar fortes tendências de alta; em outro, fortes movimentos de baixa; e, na região central, mercados laterais e períodos de incerteza. O mapa cria uma espécie de geografia dos estados de mercado, na qual a distância entre os neurônios reflete o grau de diferença entre os padrões.
Autor: Yevgeniy Koshtenko