Обсуждение статьи "Возможности Мастера MQL5, которые вам нужно знать (Часть 81): Использование паттернов Ишимоку и ADX Уайлдера в обучении на основе β-VAE-инференса"

Новый комментарий
 

Опубликована статья Возможности Мастера MQL5, которые вам нужно знать (Часть 81): Использование паттернов Ишимоку и ADX Уайлдера в обучении на основе β-VAE-инференса:

Эта статья продолжает часть 80, в которой мы рассмотрели сочетание индикаторов Ишимоку и ADX в рамках обучения с подкреплением. Теперь перейдем к обучению на основе инференса. Как уже отмечалось, Ишимоку и ADX дополняют друг друга. Однако мы вновь обратимся к выводам предыдущей статьи об использовании пайплайнов. Для обучения на основе инференса применяем β-вариант вариационного автокодировщика (Variational Auto Encoder, VAE). Также используем пользовательский класс сигнала, предназначенный для интеграции с Мастером MQL5.

Почти все трейдеры признают, что рынки движутся в циклах оптимизма и пессимизма. Однако готовых инструментов, которые стабильно выявляют эти циклы и пригодны для прибыльной торговли, крайне мало. В последнее время на мировых рынках преобладают медвежьи настроения: внезапные распродажи и слабые отскоки происходят все чаще. В таких условиях механические стратегии, основанные на запаздывающих индикаторах, неизбежно дают ложные сигналы: волатильность выбивает трейдеров из позиций, которые в более спокойной обстановке могли бы развиться в ожидаемом направлении.

Нехватка готовых решений показывает необходимость кастомизации. Здесь особенно выделяются торговые платформы, оснащенные интегрированной средой разработки (IDE). Они не только обеспечивают исполнение сделок и построение графиков институционального уровня, но и могут иметь встроенного мастера создания торговых систем. В MetaTrader такой мастер представляет собой среду, которая позволяет трейдерам быстро собирать советники, даже не разрабатывая сложную торговую логику с нуля. Главное преимущество Мастера – возможность интеграции пользовательских классов сигналов. Благодаря этому трейдеры могут напрямую применять передовые методы машинного обучения в автоматизированных стратегиях.

Среди современных методов машинного обучения вариационные автокодировщики (VAE) привлекают внимание способностью сжимать шумные многомерные данные в структурированные скрытые представления. В отличие от обычного автокодировщика, β-VAE вводит контролируемый штраф, побуждающий скрытый слой выделять разделенные, содержательно значимые признаки, а не запоминать исходные данные. В трейдинге это позволяет выделять существенные свойства паттернов из потоков технических индикаторов и снижает чувствительность к шуму.


Автор: Stephen Njuki

Новый комментарий