Обсуждение статьи "Изучение передовых методов машинного обучения в стратегии пробоя «коридора Дарваса» (Darvas Box Breakout)"

[MetaQuotes]

Опубликована статья Изучение передовых методов машинного обучения в стратегии пробоя «коридора Дарваса» (Darvas Box Breakout):

Стратегия Darvas Box Breakout, созданная Николасом Дарвасом, представляет собой подход в технической торговле, который выявляет потенциальные сигналы на покупку, когда цена акций поднимается выше установленного диапазона «коридора», что указывает на сильный восходящий импульс. В этой статье мы применим эту стратегическую концепцию в качестве примера для изучения трех передовых методов машинного обучения. К ним относятся использование модели машинного обучения для генерации сигналов вместо фильтрации сделок, применение непрерывных сигналов вместо дискретных и использование для подтверждения сделок моделей, обученных на разных таймфреймах.

Стратегия Darvas Box Breakout, созданная Николасом Дарвасом, представляет собой подход в технической торговле, который выявляет потенциальные сигналы на покупку, когда цена акций поднимается выше установленного диапазона «коридора», что указывает на сильный восходящий импульс. В этой статье мы применим эту стратегическую концепцию в качестве примера для изучения трех передовых методов машинного обучения. К ним относятся использование модели машинного обучения для генерации сигналов вместо фильтрации сделок, применение непрерывных сигналов вместо дискретных и использование для подтверждения сделок моделей, обученных на разных таймфреймах. Эти методы открывают новые перспективы возможностей машинного обучения в области улучшения алгоритмической торговли за пределами традиционных способов.

В этой статье подробно рассматриваются свойства и теоретические основы трех передовых методов, редко освещаемых специалистами по обучению, поскольку они являются инновационными по сравнению с традиционными методами. Кроме того, будут рассмотрены такие сложные темы, как проектирование характеристик и настройка гиперпараметров в процессе обучения модели. Однако статья не будет рассматривать во всех подробностях каждый этап процесса формирования модели машинного обучения. Читателям, которые интересуются пропущенными процедурами, предлагаю проверить эту ссылку на статью, где описан весь процесс реализации.

Автор: Zhuo Kai Chen

[linfo2]

Спасибо Чжоу за интересную статью и примеры кода. Мне пришлось вручную установить некоторые компоненты Python, чтобы заставить его работать. что может помочь другим пользователям !pip install catboost!pip install onnxruntime !pip install skl2onnx. по завершении я могу протестировать. но если я попытаюсь загрузить связанный советник, я получил ответ "Не удалось установить форму Output[1] Err=5802. Я не уверен, откуда это взялось и важно ли это, и я не могу понять, откуда это взялось. . в документации сказано ERR_ONNX_NOT_SUPPORTED

5802

Свойство или значение не поддерживается MQL5, за этим следует сообщение ONNX Model Initialised? Есть ли у вас какие-либо предложения?

[Zhuo Kai Chen]

linfo2 catboost!pip install onnxruntime !pip install skl2onnx. по завершении я могу протестировать. но если я попытаюсь загрузить связанный советник, я получил ответ "Не удалось установить форму Output[1] Err=5802. Я не уверен, откуда это взялось и важно ли это, и я не могу понять, откуда это взялось. . в документации сказано ERR_ONNX_NOT_SUPPORTED

5802

Свойство или значение не поддерживается MQL5, за этим следует сообщение ONNX Model Initialised ? Есть ли у вас какие-либо предложения

Спасибо за напоминание. Часть pip install была проигнорирована, но пользователи должны установить соответствующую библиотеку, если они этого еще не сделали.

Ваша ошибка может быть вызвана тем, что размерность, используемая при обучении модели, отличается от размерности, используемой в вашем советнике. Например, если вы обучали модель с 5 признаками, то и в советнике вы должны вводить 5 признаков, а не 4 или 6. Более подробный обзор приведен в этой статье по ссылке. Надеюсь, это поможет. Если нет, пожалуйста, предоставьте больше информации.