Обсуждение статьи "Изучение стандартной библиотеки MQL5 (Часть 13): Применение библиотеки математических решателей в торговле"

Новый комментарий
 

Опубликована статья Изучение стандартной библиотеки MQL5 (Часть 13): Применение библиотеки математических решателей в торговле:

Мы представляем полный рабочий процесс для адаптивной фильтрации в MQL5 с использованием решателя CNlEq, подобного алгоритму Левенберга — Марквардта. Советник подбирает параметры модели VAMAC — две экспоненциальные скользящие средние (EWMA) с масштабированием на основе ATR — путем передачи остатков и Якобиана через цикл механизма обратного обмена с решателем CNlEq, с возможностью использования численных или аналитических производных. Код, инструкции по настройке и тесты по паре GBPUSD на таймфрейме H1 показывают, как заменить статические пороги динамической переоценкой на закрытии каждого бара.

Мы представляем специально разработанный советник, который использует нелинейный решатель Левенберга-Марквардта, предоставляемый стандартной библиотекой MQL5 через класс CNlEq, для динамической оценки фильтра сигнала с поправкой на волатильность, автоматизируя настройку параметров на скользящем окне исторических данных.

Ключевое нововведение этой системы заключается в использовании решателя CNlEq (инициализированного с помощью NlEqCreateLM) для выполнения оценки параметров в реальном времени нелинейного фильтра с поправкой на волатильность. Вместо использования фиксированных индикаторов или ручной оптимизации, советник многократно решает задачу наименьших квадратов по скользящему окну ценовых данных. В результате получается сигнальный фильтр, коэффициенты которого адаптируются к изменяющимся рыночным условиям без вмешательства человека.

Почему используется алгоритм Левенберга — Марквардта?

Файл solvers.mqh является портом библиотеки ALGLIB и включает в себя несколько решателей: CLSQR, CCG и CNlEq (алгоритм Левенберга — Марквардта). Для этой задачи нам необходимо оценить до четырех параметров (коэффициенты фильтра и масштабный коэффициент волатильности) с нелинейной целевой функцией. Алгоритм ЛМ здесь превосходит другие, поскольку сочетает в себе скорость метода Гаусса-Ньютона вблизи оптимума со стабильностью градиентного спуска вдали от него. На практике такое гибридное поведение обеспечивает надежную сходимость даже при неточных начальных оценках параметров — критически важное требование при резких изменениях рыночной конъюнктуры.


Автор: Clemence Benjamin

Новый комментарий