Обсуждение статьи "Применение теории игр в алгоритмах трейдинга"
Tsetlin Machine is also interesting for small data but less known: https://github.com/cair/TsetlinMachine
https://www.literal-labs.ai/tsetlin-machines/ but I find it difficult to implement.
- cair
- github.com
Tsetlin Machine is also interesting for small data but less known: https://github.com/cair/TsetlinMachine
https://www.literal-labs.ai/tsetlin-machines/ but I find it difficult to implement.
Оригинальная штука, переполняюсь восторгом как от предмета искусства, спасибо :) Правда тестировать желательно на реальных тиках, потому что мельчит со сделками.
Приветствую! Очень интересен ваш проект, но я новичок в этой сфере. Я не могу разобраться с запуском советника в тестере стратегий. Как я понял полноценно настроить и обучить его через тестер невозможно? Или я что-то делаю не так? Буду признателен за ОС
Приветствую! Очень интересен ваш проект, но я новичок в этой сфере. Я не могу разобраться с запуском советника в тестере стратегий. Как я понял полноценно настроить и обучить его через тестер невозможно? Или я что-то делаю не так? Буду признателен за ОС
Откуда у меня родственники в Нидерландах?👀
Ахахах, не в Нидерландах)) ВПН вещь такая)))
ПС: По итогу в тестере стратегий можно запустить обучение или нет? По скрину графика баланса это тестер стратегий, но что бы я не делал у меня даже близко в + не торгует
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Применение теории игр в алгоритмах трейдинга:
Создаем адаптивный самообучающийся торговый советник на основе машинного обучения DQN, с многомерным причинно-следственным выводом, который будет успешно торговать одновременно на 7 валютных парах, причем агенты разных пар будут обмениваться друг с другом информацией.
В условиях, где скорость принятия решений критична, а рынок характеризуется высокой степенью неопределённости, требуется иной подход к созданию торговых систем. AdaptiveQ Enhanced — торговый советник, разработанный на основе методов глубокого обучения с подкреплением (DQN), теории игр и причинно-следственного анализа.
Советник анализирует рынок, моделируя 531 441 уникальное состояние, учитывая взаимосвязи между семью основными валютными парами. Ключевым элементом алгоритма является равновесие Нэша, применяемое для выбора оптимальной стратегии в условиях взаимного влияния инструментов.
В статье рассматривается практическая реализация этих подходов на языке MQL5 и демонстрируется, как сочетание адаптивного обучения, теории игр и ИИ позволяет строить более точные и устойчивые торговые стратегии.
Автор: Yevgeniy Koshtenko