Discussão do artigo "Uma Introdução à Lógica Fuzzy"
Interessante. É claro que é interessante saber como calcular o número de gorjetas. Mas seria mais útil se você pudesse dar um exemplo simples da nossa área. Por exemplo, um Expert Advisor simples baseado em estocástica ou RSI. Usando variáveis difusas "overbought"/"oversold" para gerar sinais de compra/venda e mostrar o resultado. Seria possível adicionar e explicar os conceitos de "fortemente", "ligeiramente", etc. Isso provavelmente ajudaria muitas pessoas a determinar a utilidade dessa direção.
A afirmação do artigo de que pode haver quantas entradas e saídas você quiser não é verdadeira. Em problemas práticos, quando o número de variáveis de entrada é superior a 5, surgem grandes problemas. Recomenda-se dividir o problema em problemas menores.
Para resolver problemas de regressão e classificação, quais sistemas de lógica difusa são usados?
Caso contrário, é útil como um estágio inicial de domínio desse campo.
Boa sorte
Mas seria mais útil se você pudesse dar um exemplo simples de nossa área. Por exemplo, um especialista simples baseado em estocástica ou RSI. Usando variáveis difusas "overbought"/"oversold" para gerar sinais de compra/venda e mostrar o resultado. Seria possível adicionar e explicar os conceitos de "fortemente", "ligeiramente", etc. Isso provavelmente ajudaria muitas pessoas a determinar a utilidade dessa direção.
Usei uma biblioteca para MQL4 e apenas com base em um RSI simples.
O artigo usa triangulação e funções de associação trapezoidais. Mas gostei mais das funções de associação gaussianas bilaterais e em forma de sino. Elas me pareceram mais flexíveis.
Como exemplo, foi testada a dependência das leituras do RSI e do tamanho do take profit.
Usei a biblioteca para MQL4 e apenas com base em um RSI simples.
Talvez você possa escrever um artigo sobre a aplicação da lógica fuzzy nas negociações?
Você pode. Tive essa ideia porque a teoria dos conjuntos fuzzy aplicada à MQL4 é interessante.
A teoria dos conjuntos fuzzy proposta por (L. A. Zadeh, 1965) é a base para muitos métodos, incluindo os métodos de lógica fuzzy. A aplicação da lógica fuzzy pressupõe que vocêconheça algumas regras de correspondência entre as variáveis fuzzy e o alvo que pode ser usado. Obter essas regras é o principal problema. Não estou me referindo a casos elementares como "Se "oversold", então "buy" etc.".
Em meu artigo "Selection and evaluation of predictors for machine learning models" (Seleção e avaliação de preditores para modelos de aprendizado de máquina), uma das abordagens para selecionar preditores é aplicar a Rough Set Theory e sua extensão Fuzzy Rough Set Theory. (Teoria dos conjuntos aproximados difusos). Elas permitem induzir (extrair) regras de um conjunto de dados. O artigo é sobre validação. Se houver interesse em descrever o uso da teoria dos conjuntos aproximados de forma mais ampla, prepararei um artigo.
Se você tiver um exemplo pronto de uso da lógica fuzzy ou de conjuntos fuzzy no Expert Advisor, é claro que poderá publicar o artigo. Acho que será interessante para muitas pessoas.
Boa sorte
A aplicação da lógica fuzzy pressupõe que vocêconheça algumas regras de correspondência entre as variáveis fuzzy e o alvo que você pode usar. A obtenção dessas regras é o principal problema.
Esse é todo o problema, pois você precisa ser competente em duas áreas ao mesmo tempo: a área de aplicação para a qual todo esse material foi projetado e a experiência na aplicação de conjuntos fuzzy.
É por isso que o interesse pelo assunto é tão baixo, porque os especialistas competentes apenas em um dos campos geralmente não conseguem dominar o segundo. Ambos exigem uma experiência considerável.
No entanto, no aprendizado de máquina, onde os iniciantes acreditam ingenuamente que o algoritmo "resolverá tudo sozinho, tudo o que você precisa fazer é aprender a alimentá-lo com dados", acontece que o usuário precisa resolver tudo. Ou seja, muitas vezes é mais fácil formalizar o problema por conta própria e, depois disso, o uso de algoritmos de aprendizado de máquina não faz sentido e se torna supérfluo.
Se você tiver um exemplo pronto de aplicação de lógica difusa ou conjuntos difusos em um Expert Advisor, é claro que pode publicar um artigo. Acho que será interessante para muitas pessoas.
Boa sorte
Esse é o problema: você precisa ser competente em duas áreas ao mesmo tempo: a área de aplicação para a qual todo esse material foi projetado e a experiência no campo de aplicação dos conjuntos fuzzy.
É por isso que há tão pouco interesse no tópico, porque os especialistas competentes apenas em uma das áreas geralmente não conseguem dominar a segunda. Ambas exigem uma experiência considerável.
No entanto, no aprendizado de máquina, onde os iniciantes acreditam ingenuamente que o algoritmo "resolverá tudo sozinho, tudo o que você precisa fazer é aprender a alimentá-lo com dados", acontece que o usuário precisa resolver tudo. Ou seja, muitas vezes é mais fácil formalizar o problema por conta própria, após o que o uso de algoritmos de aprendizado de máquina não faz sentido e se torna supérfluo.
Aqui, no site, há informações suficientes para entender os fundamentos da aplicação da lógica difusa à negociação. Para esse fim, há bibliotecas para implementação em Mql4-5.
É verdade que o algoritmo sempre produz algo ao definir os termos de entrada e saída. Porém, acho que uma descrição clara e detalhada dessas variáveis difusas por meio de funções de associação desempenha um papel importante. Quanto mais precisamente os conjuntos fuzzy forem descritos, mais válido será o resultado. Este artigo descreve exemplos baseados nas funções de associação triangulares e trapezoidais mais simples. Mas essa é a realização mais simples, e é possível torná-la mais complexa, flexível e precisa. E o resultado de saída será correspondente.
Há informações suficientes neste site para entender os fundamentos da aplicação da lógica difusa à negociação. Há também bibliotecas para implementação em Mql4-5.
É verdade que o algoritmo sempre produz algo ao definir os termos de entrada e saída. Porém, acho que uma descrição clara e detalhada dessas variáveis difusas por meio de funções de associação desempenha um papel importante. Quanto mais precisamente os conjuntos fuzzy forem descritos, mais válido será o resultado. Este artigo descreve exemplos baseados nas funções de associação triangulares e trapezoidais mais simples. Mas essa é a realização mais simples, e é possível torná-la mais complexa, flexível e precisa. E o resultado de saída será correspondente.
E quanto às regras? Vamos dar uma olhada no artigo.
Boa sorte, obrigado.
Esse é o problema: você precisa ser competente em duas áreas ao mesmo tempo: a área de aplicação para a qual todo esse material foi projetado e a experiência no campo de aplicação dos conjuntos fuzzy.
É por isso que há tão pouco interesse no tópico, porque os especialistas competentes apenas em uma das áreas geralmente não conseguem dominar a segunda. Ambas exigem uma experiência considerável.
No entanto, no aprendizado de máquina, onde os iniciantes acreditam ingenuamente que o algoritmo "resolverá tudo sozinho, tudo o que você precisa fazer é aprender a alimentá-lo com dados", acontece que o usuário precisa resolver tudo. Ou seja, muitas vezes é mais fácil formalizar o problema por conta própria e, depois disso, o uso de algoritmos de aprendizado de máquina não faz sentido e se torna supérfluo.
Eu concordo.
Mas é preciso continuar experimentando.
Boa sorte
PS. A propósito, estou querendo lhe perguntar há muito tempo. Você gostaria de transferir seu produto escrito em Java para a linguagem R? Assim, seria possível testá-lo em uma "batalha" no MT4.
Então, pensamentos em voz alta
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Uma Introdução à Lógica Fuzzy foi publicado:
A lógica fuzzy expande nossos limites da lógica matemática e da teoria dos conjuntos. Este artigo revela os princípios básicos da lógica fuzzy, bem como a descrição de dois sistemas de inferência fuzzy usando os modelos do tipo Mamdani e Sugeno. Os exemplos fornecidos descreverão a implementação de modelos difusos (fuzzy) baseados nesses dois sistemas, que utilizam a biblioteca FuzzyNet para MQL5.
A teoria matemática dos conjuntos difusos (fuzzy sets) e da lógica fuzzy, também conhecida como lógica nebulosa ou difusa, tiveram origem em 1965. Seu fundador foi o professor Lotfi Zadeh, da Universidade de Berkeley, que fez a primeira introdução de ambos os conceitos em seu artigo "Fuzzy Sets" no periódico Information and Control. Este instrumento matemático permitiu introduzir os conceitos difusos,que qualquer pessoa poderia usar, na ciência exata, tal como a matemática, lançando as bases para fundamentar novos métodos de resolução de problemas baseados nas técnicas de Soft computing. Todas estas inovações, quando utilizadas corretamente, podem facilitar muito o processo de resolução de problemas de classificação, a criação de sistemas especialistas, bem como a construção de redes neurais.
No entanto, a aplicação prática da lógica fuzzy não para por aí, na verdade, este instrumento matemático tornou-se predominantemente utilizado na teoria de controle e automação. Isto ainda pode ser ligada ao aparecimento de um novo conceito - modelo fuzzy. O modelo difuso (fuzzy) é um caso particular de um modelo matemático.
Exemplo:
Vamos definir uma variável linguística chamado "Idade" (Age). Por definição, "Idade" é um período, um passo para o desenvolvimento e crescimento de um ser humano, animal, vegetal. O valor mínimo desta variável é 0, o que significa que um homem não tem sequer um ano de idade. Ela está configurada com um valor máximo de até 80. Dependendo da idade da pessoa, podemos dar-lhe a seguinte avaliação: "recém-nascido", "jovem", "meia-idade", "velho", "sênior" etc. Esta lista pode acomodar um número bastante grande de itens. Ela será um conjunto de termos para a nossa variável linguística e seus elementos serão os termos.
A figura abaixo mostra um exemplo da variável fuzzy "Idade", que tem apenas três termos definidos: "Jovem", "Meia-idade,", "Velho". Cada um desses termos tem a sua própria função de pertinência.
Autor: MetaQuotes Software Corp.