Discussão do artigo "Recursos do Assistente MQL5 que você precisa conhecer (Parte 70): Uso dos padrões SAR e RVI com uma rede neural cujos kernels crescem exponencialmente"

[MetaQuotes]

Novo artigo Recursos do Assistente MQL5 que você precisa conhecer (Parte 70): Uso dos padrões SAR e RVI com uma rede neural cujos kernels crescem exponencialmente foi publicado:

No artigo anterior, apresentamos uma combinação dos indicadores SAR e RVI. Neste artigo, veremos como aprimorá-la com técnicas de machine learning. Juntos, o SAR e o RVI combinam informações de tendência e momentum. Nossa abordagem utiliza uma rede neural convolucional (convolutional neural network) com um kernel exponencial (Exponential kernel) para definir o tamanho dos kernels e o número de canais da rede, utilizada para aprimorar as previsões baseadas nesses dois indicadores. Como de costume, essa abordagem é implementada em um arquivo personalizado da classe de sinais (signal class), que interage com o Assistente MQL5 para gerar um EA.

No artigo anterior, apresentamos dois indicadores complementares: o Parabolic SAR e o oscilador Índice de Vigor Relativo (Relative Vigor Index, RVI). Dos 10 padrões avaliados, três não passaram no teste forward: os padrões 1, 2 e 6. Como os padrões são indexados de 0 a 9, podemos calcular facilmente o valor da máscara de bits utilizado pelo parâmetro PatternsUsed para definir quais padrões serão habilitados no EA. Por exemplo, para habilitar o padrão de índice 1, precisamos atribuir ao parâmetro PatternsUsed o valor 2, correspondente a 2 elevado à potência 1.

Para o índice 2, calculamos 2 elevado à potência 2, obtendo 4, e assim por diante. O valor máximo permitido para esse parâmetro é 1023, pois temos apenas 10 padrões. O valor 0 não habilita nenhum padrão, as potências de 2 habilitam um único padrão e os demais valores entre 1 e 1023 representam combinações de padrões. O leitor pode explorar a possibilidade de configurar o EA para utilizar vários deles simultaneamente. No entanto, com base nos argumentos e resultados apresentados nos artigos anteriores, decidimos deixar essa possibilidade fora do escopo desta série por enquanto.

Conforme prometido em um dos artigos recentes, tentaremos agora utilizar aprendizado supervisionado para "reabilitar" os padrões de sinal 1, 2 e 6, que não passaram no teste forward do artigo anterior. Para aplicar machine learning aos sinais gerados por esses indicadores no MQL5, utilizaremos Python para implementar e treinar o modelo de rede neural, aproveitando a eficiência dessa abordagem mesmo sem uma GPU. Para isso, recorremos ao módulo Python do MetaTrader, que permite estabelecer conexão com o servidor da corretora após informar o nome de usuário e a senha de acesso.

Autor: Stephen Njuki