Обсуждение статьи "Нейросети — это просто (Часть 73): АвтоБоты прогнозирования ценового движения"
THIS is Second to THE BEST Article So far! <3
Здравствуйте. В папке уже целых пять советников. Подскажите, в каком порядке вы их запускали.
0. ResearchRealORL.mq5 - запускаем в самом начале (не обязательно) для первичного сбора траекторий. Но перед его запуском нужна подготовительная работа по сбору реальных проходов с сигналов или других источников. Процесс описан в статье 67
1. Research.mq5 - запускаем для первичного сбора траекторий случайными политиками и обновления базы примеров после каждой итерации обучения политики. Требует наличия хотя бы 1 прохода в базе примеров.
2. StudyEncoder.mq5 - запускаем "один раз на долго" для обучения модели прогнозирования траектории.
3. Study.mq5 -запускается итерационно с Research.mq5 для обучения политики Агента. Требует наличия базы первичных примеров и обученной модели прогнозирования траектории.
4. Test.mq5 - используется для проверки обученной политики в тестере стратегий.
- www.mql5.com
В папке нет StudyEncoder.mq5. Зато есть Alternate и Study Traj, которые вы не упоминаете.
Прошу прощения, StudyEncoder был в предыдущей статье. В этой переименован в StudyTraj. В предыдущей обучали сжатое представление траектории в автоэнкодере. А Автобот учит возвращает траекторию.
Alternate - использовался в тесте для проверки точности прогнозирования траектории. В нем просто берем спрогнозированную Автоботом траекторию, определяем на ней ближайший экстремум и совершаем в его направлении сделку с минимальным лотом.
Не могу найти ресурс, где можно скачать историю сделок. Только текущие сигналы. Скиньте хоть пару ссылок, кто может. Плиз.
На странице Истории любого сигнала внизу есть ссылка
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Нейросети — это просто (Часть 73): АвтоБоты прогнозирования ценового движения:
Мы продолжаем рассмотрения алгоритмов обучения моделей прогнозирования траекторий. И в данной статье я предлагаю Вам познакомиться с методом под названием “AutoBots”.
Эффективное прогнозирования движения валютных пар является ключевым аспектом безопасного управления торговыми операциями. В данном контексте особое внимание уделяется разработке эффективных моделей, способных точно аппроксимировать совместное распределение контекстуальной и временной информации, необходимой для принятия торговых решений. Для решения подобных задач я предлагаю Вам познакомиться с методом "Latent Variable Sequential Set Transformers" (AutoBots), представленным в статье "Latent Variable Sequential Set Transformers For Joint Multi-Agent Motion Prediction". Предлагаемый метод основан на архитектуре Энкодер-Декодер и был разработан для решения задач безопасного управления робототехнических систем. Он позволяет генерировать последовательности траекторий для множества агентов, согласованных со сценой. "Автоботы" могут прогнозировать траекторию одного эго-агента или распределение будущих траекторий для всех агентов на сцене. В нашем случае мы попробуем применить предложенную модель для генерации последовательностей ценового движения валютных пар, согласованных с динамикой рынка.
Автор: Dmitriy Gizlyk