Discussão do artigo "Recursos do Assistente MQL5 que você precisa conhecer (Parte 79): Uso dos osciladores Gator e A/D no aprendizado supervisionado"

Novo artigo Recursos do Assistente MQL5 que você precisa conhecer (Parte 79): Uso dos osciladores Gator e A/D no aprendizado supervisionado foi publicado:

No artigo anterior, concluímos a análise da combinação dos osciladores Gator e Acumulação/Distribuição (A/D) em sua aplicação convencional, baseada nos sinais brutos gerados por esses indicadores. Eles se complementam: o Gator atua como indicador de tendência, enquanto o oscilador Acumulação/Distribuição funciona como indicador de volume. Agora, daremos continuidade ao tema, investigando como o aprendizado supervisionado pode melhorar alguns dos padrões de sinal estudados anteriormente. Nossa abordagem utiliza uma rede neural convolucional (CNN), na qual a regressão por kernel e a similaridade baseada no produto escalar são empregadas para definir os tamanhos dos kernels e a quantidade de canais. Como de costume, implementaremos essa abordagem em um arquivo personalizado da classe de sinal, que interage com o Assistente MQL5 durante a criação do EA.

Como modelo de aprendizado supervisionado, escolhemos uma CNN que utiliza regressão por kernel e similaridade baseada no produto escalar. A regressão por kernel estima as representações de saída de cada camada da CNN, atribuindo pesos aos dados de entrada observados conforme seu grau de similaridade com um determinado ponto de consulta. Essa similaridade é quantificada por meio do produto escalar, utilizado como função kernel. Em nosso modelo, cujo código será apresentado na próxima seção, o método _dot_product_kernel_regression calcula a similaridade entre todas as posições temporais do mapa de características por meio da operação torch.bmm(x, x.T). Em seguida, o resultado é normalizado com Softmax, de maneira bastante semelhante ao mecanismo de autoatenção.

O produto escalar funciona como uma medida de similaridade adaptativa aos dados: um valor elevado indica que duas posições apresentam o mesmo padrão de ativação ao longo dos canais e, portanto, exercem maior influência sobre a soma ponderada. Podemos visualizar esse mecanismo da seguinte forma: cada posição recebe "votos" em quantidade proporcional à sua similaridade com a posição de consulta. Uma camada da CNN pode ser representada como uma tabela cujas linhas correspondem aos passos temporais e cujas colunas representam as características. Nesse modelo, cada linha corresponde a uma "posição". Assim, a "posição de consulta" é a linha atual, cujos valores estão sendo atualizados. Durante essa atualização, a linha é comparada com todas as demais posições para quantificar o grau de similaridade entre elas. Essas atualizações ocorrem durante a retropropagação do erro.


Autor: Stephen Njuki