Discussão do artigo "Desenvolvimento de EAs auto-otimizáveis em MQL5 (Parte 13): Introdução à teoria de controle com fatoração de matrizes"
Você não anexou os arquivos de inclusão volatilityDoctor/Time..Trade. Seu envio não pode ser testado sem esses dois arquivos de inclusão.
Majeed Odubela #:
Você não anexou os arquivos de inclusão volatilityDoctor/Time..Trade. Seu envio não pode ser testado sem esses dois arquivos de inclusão.
Majeed, lamento saber do que aconteceu com você. Você não anexou os arquivos de inclusão volatilityDoctor/Time..Trade. Seu envio não pode ser testado sem esses dois arquivos de inclusão.
No entanto, você também deve entender que este artigo faz parte de uma série maior de artigos relacionados que se complementam.
A classe que você está procurando foi criada e anexada do zero, em um artigo anterior.
Novo artigo Desenvolvimento de EAs auto-otimizáveis em MQL5 (Parte 13): Introdução à teoria de controle com fatoração de matrizes foi publicado:
Muitas vezes, é difícil fazer planos para os mercados financeiros ou prever seu comportamento com antecedência. O sentimento dos investidores costuma ser instável e pode mudar rapidamente conforme o cenário global e as questões que dominam a pauta do momento. Por isso, estratégias de negociação que parecem lucrativas com base em dados históricos frequentemente apresentam resultados insatisfatórios quando aplicadas ao mercado em tempo real.
Há diversas razões que explicam esse comportamento nas aplicações de trading. No entanto, é importante compreender que, depois de desenvolvidas e implantadas, nossas aplicações mantêm o mesmo comportamento, que, em geral, não pode ser alterado sem intervenção humana. Isso significa que nossas estratégias correm o risco de repetir os mesmos erros indefinidamente, sem que possamos aproveitar as experiências malsucedidas ou aprender com os erros anteriores.
Figura 1: Arquitetura padrão utilizada para implantar aplicações de trading nos mercados financeiros
Diversas soluções já foram propostas para esse problema recorrente. No entanto, uma das soluções com enorme potencial vem da teoria de controle. Essa área se dedica principalmente a ajustar o comportamento de sistemas que operam em ambientes dinâmicos ou caóticos, buscando conduzi-los a um objetivo predefinido.
Ao enviar periodicamente ao controlador com realimentação dados sobre os resultados da nossa estratégia, o qual registra e monitora a interação da estratégia com o mercado, podemos estimar a relação entre o comportamento da estratégia e os resultados obtidos no mercado. Isso indica que o controlador com realimentação aprendeu a identificar os padrões predominantes que distinguem as operações lucrativas daquelas que geram prejuízo. Se essa estrutura realmente existir e pudermos aprender com ela, em teoria, o controlador com realimentação será capaz de ajustar a dinâmica do nosso sistema de trading e conduzi-lo à lucratividade, mesmo em condições de mercado caóticas e em constante mudança.
Na prática, isso mudará a estrutura de implantação da nossa estratégia em relação ao esquema apresentado na Figura 1. Na Figura 2, introduzimos uma notação simples, utilizada na literatura sobre teoria de controle, em que os sinais de entrada provenientes do mercado são representados por (M) e os sinais de saída da nossa estratégia, por (S).
Figura 2: Podemos redefinir nossa aplicação de trading utilizando uma notação abreviada para representar os dados de entrada do mercado (M) e os resultados da estratégia (S)
Autor: Gamuchirai Zororo Ndawana