Обсуждение статьи "Создание самооптимизирующихся советников на языках MQL5 и Python"
В приведенной выше статье матрицы и векторы были использованы для оптимизации торговой стратегии без обязательного применения традиционного подхода с использованием нейронных сетей. Похоже, что (по крайней мере, для меня), можно построить самооптимизирующийся советник, не обязательно используя NN, включающие функции активации, то есть вам не нужны функции активации или нейроны для самооптимизации вашего советника. Скорее всего, меня могут поправить, эй. Я могу определенно ошибаться, я могу действительно ужасно ошибаться, я могу, я могу, я могу, я могу, я могу, я могу, я могу, я могу, я могу, я могу, я могу, ........... неправильно понимать все об оптимизации и NN mate...... Я ваш сосед, здесь, в ЮАР.
Sibusiso Steven Mathebula торговой стратегии без обязательного применения традиционного подхода с использованием нейронных сетей. Похоже, что (по крайней мере, для меня), можно построить самооптимизирующийся советник, не обязательно используя NN, включающие функции активации, то есть вам не нужны функции активации или нейроны для самооптимизации вашего советника. Скорее всего, меня могут поправить, эй. Я могу определенно ошибаться, я могу действительно ужасно ошибаться, я могу, я могу, я могу, я могу, я могу, я могу, я могу, я могу, я могу, я могу, я могу, ........... неправильно понимать все об оптимизации и NN mate...... Я ваш сосед, здесь, в ЮАР.
Эй, SIbusiso, Ujani Budi?Ну, как вы знаете, есть много способов сделать что-либо. Подход, который я изложил здесь, призван помочь вам быстро получить надежные результаты. Однако все имеет свою цену, матрица переходов, которую вы будете наблюдать, сильно зависит от того, сколько данных вы собрали, но по мере того, как вы собираете все больше и больше данных, матрица переходов становится стабильной и перестает меняться (она сходится).
Позвольте мне объяснить вам это так: матрица переходов и NN-подход решают совершенно разные проблемы, они отвечают на разные вопросы. Матрица переходов ничего не предсказывает, она просто обобщает/рассказывает нам, что произошло в прошлом, и не говорит нам, что может произойти в будущем.
NN, с другой стороны, говорит нам о том, что, скорее всего, произойдет в будущем. В одном советнике можно использовать и то, и другое.
Привет, Гамучирай. Эта статья обращена непосредственно ко мне, и я благодарю вас за то, что вы открыли наши умы. Я совсем новичок в кодинге и учусь, читая и кодируя из таких статей, как ваша. Моя самая большая проблема - это Python. Я даже не знаю, с чего начать, тем более что я быстрее учусь, если речь идет о торговле, потому что тогда я могу проводить бэктесты и внедрять идеи в свой советник. Пожалуйста, подскажите, где я могу изучить этот язык. Я кодировал только версию на MQL5, и проблема, с которой я столкнулся, заключается в том, что 'max_arg' остается равным 0, поэтому советник остается бычьим. С моим ограниченным пониманием я попробовал манипулировать несколькими параметрами и остановился на том, что код будет ставить покупки и продажи одновременно. Возможно, я упускаю какую-то важную деталь. Я могу отправить вам скопированный код или модифицированный код, если ваш код работает правильно на вашей стороне. Возможно, вы сможете заметить проблему. Я использую загруженные данные, поскольку нахожусь в отпуске и поэтому работаю в автономном режиме. Может ли это вызвать проблемы? Я ценю работу, которую вы делаете, и ваши статьи великолепны. Я из ЮАР и все, что я могу сказать, это спасибо Tsano.
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Создание самооптимизирующихся советников на языках MQL5 и Python:
В этой статье обсудим, как можно создать советник, способный самостоятельно выбирать и менять торговые стратегии в зависимости от преобладающих на рынке условий. Познакомимся с цепями Маркова и с их возможностями с точки зрения пользы для нас, алготрейдеров.
Представьте, что вы управляете предприятием общественного транспорта, которое больше 70 лет обеспечивает автобусное сообщение в Германии. Предприятие рассматривает расширение своего автобусного парка, а вы, как руководитель, должны решить, на какие маршруты следует направить дополнительные автобусы, а в какие направления нет смысла инвестировать.
Подход к задаче как к цепи Маркова мог бы упростить для менеджера процесс принятия решений. Представим, что следующая диаграмм отображает цепь Маркова для всех завершенных поездок, которые предприятие выполнило за свою 70-летнюю историю.
Рис. 2. Условная модель Маркова для транспортного предприятия и маршруты, случайно используемые его клиентами.
Проинтерпретируем приведенную выше цепь Маркова. Мы можем наблюдать, что 40% садящихся во Франкфурте пассажиров обычно сходят в Мюнхене, а остальные 60%, как правило, едут до Кельна. Среди пассажиров в Кельне 30% обычно возвращаются во Франкфурт, а 70% обычно направляются в Берлин. Модель наглядно отображает самые популярные маршруты, используемые клиентами.
Автор: Gamuchirai Zororo Ndawana