Discussão do artigo "Técnicas do Assistente MQL5 que você deve conhecer (Parte 62): Utilizando padrões de ADX e CCI com aprendizado por reforço via TRPO"

[MetaQuotes]

Novo artigo Técnicas do Assistente MQL5 que você deve conhecer (Parte 62): Utilizando padrões de ADX e CCI com aprendizado por reforço via TRPO foi publicado:

Os osciladores ADX e CCI são indicadores de acompanhamento de tendência e momentum que podem ser combinados no desenvolvimento de um Expert Advisor. Damos continuidade ao ponto em que paramos no último artigo, analisando como o treinamento durante o uso e a atualização do modelo desenvolvido podem ser realizados por meio do aprendizado por reforço. Utilizaremos um algoritmo que ainda não abordamos nesta série, conhecido como Trust Region Policy Optimization (TRPO). E, como sempre, a montagem de Expert Advisors por meio do Assistente MQL5 nos permite preparar nossos modelos para testes de forma muito mais rápida, além de possibilitar sua distribuição e avaliação com diferentes tipos de sinais.

No passado, para que um programa de computador fornecesse uma resposta útil ou prática a uma solicitação, essa resposta precisava ser explicitamente programada. Essencialmente, as estruturas condicionais if eram fundamentais para a programação da maioria dos sistemas. E, pensando bem, essa dependência de estruturas if significava que os dados fornecidos pelo usuário ou processados pelo programa precisavam se enquadrar em determinadas categorias. Ou seja, precisavam ser discretos. Portanto, pode-se argumentar que, em grande parte, o desenvolvimento e a utilização de dados discretos surgiram como resposta às limitações da programação, e não necessariamente em função da natureza dos dados ou do problema que estava sendo resolvido.

Então veio a OpenAI, no segundo semestre de 2023, com seu primeiro GPT lançado publicamente, e esse cenário mudou. O desenvolvimento das redes Transformer e dos GPTs não ocorreu da noite para o dia, já que os primeiros perceptrons foram desenvolvidos no final da década de 1960, mas é possível afirmar que o lançamento do ChatGPT representou um marco importante. Com a ampla adoção dos grandes modelos de linguagem, tornou-se evidente que a tokenização, os embeddings de palavras e, naturalmente, o mecanismo de self-attention são componentes fundamentais para permitir que os modelos ampliem sua capacidade de processamento. Chega de cláusulas if. É nesse contexto de utilização da tokenização e dos embeddings de palavras para tornar as entradas das redes o mais contínuas possível que também tornamos as entradas da nossa MLP de aprendizado supervisionado ‘mais contínuas’.

Autor: Stephen Njuki