Обсуждение статьи "Самооптимизирующиеся советники в MQL5 (Часть 11): Введение в основы линейной алгебры"

[MetaQuotes]

Опубликована статья Самооптимизирующиеся советники в MQL5 (Часть 11): Введение в основы линейной алгебры:

В ходе этого обсуждения мы заложим основу для использования мощных инструментов линейной алгебры, реализованных в API матриц и векторов MQL5. Чтобы умело использовать этот API, нам необходимо хорошо понимать принципы линейной алгебры, лежащие в основе эффективного применения этих методов. Цель этой статьи — дать читателю интуитивное представление о некоторых из наиболее важных правил линейной алгебры, которые нам, как алгоритмическим трейдерам в MQL5, необходимы для начала работы с этой мощной библиотекой.

Сегодня мы построим статистическую модель, которая позволяет одновременно прогнозировать несколько целевых показателей. Как правило, модели линейной регрессии используются для прогнозирования одного целевого показателя — например, будущего изменения цены. Однако в данном случае мы ставим перед собой задачу предсказать четыре различных целевых показателя:

• Скользящее среднее будущих цен закрытия
• Скользящее среднее будущего максимума
  
• Будущая скользящая средняя от минимума
  
• Будущая стоимость цены

Мы учтём эти прогнозы в нашей торговой стратегии, чтобы определить правила входа и выхода, а также фильтры для закрытия позиций. API Matrix и Vector MQL5 предоставляет нам мощные инструменты для создания современных приложений в области машинного обучения. Однако для того, чтобы в полной мере использовать возможности API, необходимо понимать основные правила линейной алгебры, лежащие в основе правильного применения этих специальных методов.

Линейная алгебра зачастую представляет собой абстрактную математическую дисциплину. Однако я хочу, чтобы вы лучше представили себе эту тему, чтобы вы могли ясно увидеть преимущества того, что мы сейчас рассмотрим, а к математической части мы перейдем ближе к середине беседы. Наконец, после того как станет ясна цель нашего обсуждения и будут разъяснены все необходимые математические обозначения, мы продемонстрируем один из примеров того, как с помощью линейной алгебры можно создавать торговые алгоритмы, основанные на численных данных и способные одновременно прогнозировать несколько целевых показателей.  

Автор: Gamuchirai Zororo Ndawana