Discussão do artigo "Recursos do Assistente MQL5 que você precisa conhecer (Parte 76): Uso de padrões do Awesome Oscillator e canais de envelopes com aprendizado supervisionado"

[MetaQuotes]

Novo artigo Recursos do Assistente MQL5 que você precisa conhecer (Parte 76): Uso de padrões do Awesome Oscillator e canais de envelopes com aprendizado supervisionado foi publicado:

Dando continuidade ao nosso artigo anterior sobre a combinação do indicador Awesome Oscillator com os canais de envelopes (Envelope Channels), vamos analisar como o aprendizado supervisionado pode aprimorar essa combinação. O Awesome Oscillator e os canais de envelopes são ferramentas complementares que permitem identificar tendências e estabelecer níveis de suporte e resistência. Nossa abordagem de aprendizado supervisionado utiliza uma rede neural convolucional (CNN), que emprega um kernel de produto escalar (Dot Product Kernel) com mecanismo de atenção temporal cruzada (Cross-Time-Attention) para determinar as dimensões de seus kernels e canais. Como de costume, essa implementação é feita em um arquivo personalizado que contém a classe de sinais (signal class), que se integra ao Assistente MQL5 para criar um EA.

No artigo anterior, apresentamos a combinação dos indicadores Awesome Oscillator e Envelope Channels. Nos testes realizados, 7 ou 8 dos 10 padrões apresentaram resultados positivos em um teste walk-forward com uma janela de teste de dois anos. Depois de apresentar uma combinação de indicadores, normalmente investigamos se o machine learning pode melhorar o desempenho dos sinais gerados por eles e, em caso afirmativo, em que medida. Este artigo segue a mesma abordagem. Vamos analisar como os padrões 4, 8 e 9 podem ser modificados ao incorporar uma rede neural com aprendizado supervisionado para filtrar seus sinais. Para isso, utilizaremos uma rede neural convolucional (CNN), cujo tamanho dos kernels e número de canais são determinados por um kernel de produto escalar (dot product kernel) com mecanismo de atenção temporal cruzada (cross-time attention).

Autor: Stephen Njuki