Обсуждение статьи "Возможности Мастера MQL5, которые вам нужно знать (Часть 33): Ядра гауссовского процесса"

[MetaQuotes]

Опубликована статья Возможности Мастера MQL5, которые вам нужно знать (Часть 33): Ядра гауссовского процесса:

Ядра гауссовского процесса (Gaussian Process Kernels) — это ковариационная функция нормального распределения, которая может быть использована в прогнозировании. Мы исследуем этот уникальный алгоритм в пользовательском классе сигналов MQL5, чтобы увидеть, можно ли использовать его в качестве основного сигнала входа и выхода.

Ядра гауссовского процесса (Gaussian Process Kernels) - это ковариационные функции, используемые в гауссовских процессах для измерения взаимосвязей между точками данных, например, во временных рядах. Эти ядра генерируют матрицы, которые фиксируют взаимосвязь внутри данных, позволяя гауссовскому процессу делать прогнозы или предсказания, исходя из того, что данные подчиняются нормальному распределению. Поскольку эти серии направлены на изучение новых идей, а также на изучение того, как эти идеи могут быть использованы, ядра гауссовского процесса (GP) могут быть использованы при создании пользовательского сигнала.

За последние пять статей мы рассмотрели много тем, связанных с машинным обучением, поэтому в этой статье мы сделаем перерыв и обратимся к старой доброй статистике. Статистика и машинное обучение зачастую взаимосвязаны, однако при разработке этого конкретного пользовательского сигнала мы не будем рассматривать алгоритмы машинного обучения. Ядра GP заслуживают внимания благодаря своей гибкости.

Их можно использовать для моделирования самых разных закономерностей данных, которые варьируются по своей направленности: от периодичности до трендов и даже нелинейных зависимостей. Однако, что еще важнее при прогнозировании, они дают больше, чем просто одно значение. Вместо этого они дают оценку неопределенности, которая включает желаемое значение, а также верхнее и нижнее пограничные значения. Эти граничные диапазоны часто сопровождаются рейтингом уверенности (confidence rating), что еще больше облегчает процесс принятия решений трейдером при представлении прогнозируемого значения. Эти рейтинги уверенности также могут быть информативными и помогать лучше понимать торгуемые ценные бумаги при сравнении различных диапазонов прогнозов, отмеченных разными уровнями уверенности.

Кроме того, они хорошо справляются с обработкой зашумленных данных, поскольку позволяют увеличивать значение шума до созданной матрицы K (см. ниже). Также в них можно включать предыдущие знания, плюс они очень масштабируемы. Имеется довольно много различных ядер на выбор. Список включает в себя (но не ограничивается): квадратичное экспоненциальное ядро (RBF), линейное ядро, периодическое ядро, рациональное квадратичное ядро, ядро Матерна, экспоненциальное ядро, полиномиальное ядро, ядро белого шума, ядро скалярного произведения, ядро спектральной смеси, постоянное ядро, косинусное ядро, ядро нейронной сети (арккосинуса) и ядра произведения и суммы.

Автор: Stephen Njuki