Discussão do artigo "EAs com auto-otimização em MQL5 (Parte 12): Construção de classificadores lineares por meio da fatoração de matrizes"

[MetaQuotes]

Novo artigo EAs com auto-otimização em MQL5 (Parte 12): Construção de classificadores lineares por meio da fatoração de matrizes foi publicado:

Neste artigo, exploraremos o papel fundamental da fatoração de matrizes no trading algorítmico, especialmente em aplicações MQL5. Dos modelos de regressão aos classificadores multiclasse, apresentaremos exemplos práticos que mostram como é simples integrar esses métodos usando as funções nativas do MQL5. Seja para prever a direção dos preços ou modelar o comportamento de indicadores, este guia fornecerá uma base sólida para desenvolver sistemas de negociação inteligentes com métodos matriciais.

A fatoração de matrizes é uma ferramenta importante para profissionais de trading algorítmico interessados em desenvolver aplicações baseadas em métodos numéricos. Ela permite implementar diferentes tipos de algoritmos de machine learning, entre outras aplicações. Até agora, nossa discussão se concentrou em problemas de regressão. Vamos passar à classificação. Neste artigo, tentaremos desenvolver um classificador capaz de distinguir movimentos de alta e de baixa do mercado. A ideia é usar essas informações para orientar a abertura de posições. Com base no histórico de comportamento do mercado, o classificador deverá indicar qual decisão tomar em determinado dia de negociação.

Nossa estratégia de negociação funciona da seguinte maneira. Queremos prever os movimentos do mercado a partir do comportamento esperado de uma média móvel. Além disso, esperamos que o preço acompanhe a direção desse indicador. Assim, se nosso modelo de classificação prever uma queda da média móvel, também queremos observar os preços caindo abaixo dela. Quando a previsão indicar queda tanto da média móvel quanto do preço, abriremos posições de venda. A média móvel indica a direção do movimento do preço, mas, antes de abrir uma posição, também queremos que o preço caia rapidamente para abaixo da média móvel.

A mesma lógica se aplica às posições compradas. Queremos que a média móvel comece a subir e que a alta dos preços se acelere acentuadamente, levando-os para níveis bem acima da média móvel. Só então abriremos uma posição de compra.

Como podemos observar, nosso modelo fará previsões simultâneas para duas variáveis categóricas. No entanto, isso não deve ser confundido com um modelo de classificação multiclasse. Cada uma das duas variáveis previstas pelo modelo representa um resultado binário. Em outras palavras, o modelo acompanha dois resultados binários distintos. A arquitetura que apresentaremos aqui não é adequada para classificar simultaneamente mais de duas classes.

Autor: Gamuchirai Zororo Ndawana