Discussão do artigo "Técnicas do MQL5 Wizard que você deve conhecer (Parte 60): Aprendizado por Inferência (Wasserstein-VAE) com Padrões da Média Móvel e do Oscilador Estocástico"
Concluímos nossa análise sobre o uso complementar da Média Móvel (MA) e do Oscilador Estocástico examinando o papel que o aprendizado por inferência pode desempenhar após as etapas de aprendizado supervisionado e aprendizado por reforço. Existem diversas maneiras de abordar o aprendizado por inferência nesse contexto. No entanto, nossa abordagem consiste em utilizar Variational Autoencoders (VAEs). Primeiro, exploraremos essa abordagem em Python e, em seguida, exportaremos nosso modelo treinado no formato ONNX para utilizá-lo em um Expert Advisor desenvolvido com o MQL5 Wizard no MetaTrader.
O uso do termo ‘states’ para representar as variações previstas de preço é bastante apropriado, pois, a partir do aprendizado supervisionado, avançamos para o aprendizado por reforço. Como já é estabelecido no aprendizado por reforço, os states constituem um dos principais pontos de partida do processo de treinamento, que pode ser representado de maneira semelhante ao diagrama abaixo.
Existem diversas variações de aprendizado por reforço, dependendo do algoritmo utilizado, mas, em geral, muitas delas utilizam duas redes. A primeira é a policy network, representada pela rede superior no diagrama acima, enquanto a segunda é a value network, representada pela rede inferior.
O aprendizado por reforço pode ser utilizado como único método de treinamento de um modelo ou sistema. No entanto, no artigo anterior, argumentamos que ele também pode ser utilizado em modelos já implantados em produção. Nesse caso, o equilíbrio entre exploration e exploitation torna-se especialmente relevante para garantir que um modelo já treinado consiga se adaptar às mudanças nas condições de mercado. Além disso, vimos como as decisões de assumir posições compradas ou vendidas podem ser processadas posteriormente para selecionar o tipo de ação mais adequado para um state previsto.
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
Novo artigo Técnicas do MQL5 Wizard que você deve conhecer (Parte 60): Aprendizado por Inferência (Wasserstein-VAE) com Padrões da Média Móvel e do Oscilador Estocástico foi publicado:
O uso do termo ‘states’ para representar as variações previstas de preço é bastante apropriado, pois, a partir do aprendizado supervisionado, avançamos para o aprendizado por reforço. Como já é estabelecido no aprendizado por reforço, os states constituem um dos principais pontos de partida do processo de treinamento, que pode ser representado de maneira semelhante ao diagrama abaixo.
Existem diversas variações de aprendizado por reforço, dependendo do algoritmo utilizado, mas, em geral, muitas delas utilizam duas redes. A primeira é a policy network, representada pela rede superior no diagrama acima, enquanto a segunda é a value network, representada pela rede inferior.
O aprendizado por reforço pode ser utilizado como único método de treinamento de um modelo ou sistema. No entanto, no artigo anterior, argumentamos que ele também pode ser utilizado em modelos já implantados em produção. Nesse caso, o equilíbrio entre exploration e exploitation torna-se especialmente relevante para garantir que um modelo já treinado consiga se adaptar às mudanças nas condições de mercado. Além disso, vimos como as decisões de assumir posições compradas ou vendidas podem ser processadas posteriormente para selecionar o tipo de ação mais adequado para um state previsto.
Autor: Stephen Njuki