Обсуждение статьи "Возможности Мастера MQL5, которые вам нужно знать (Часть 92): Использование индексации B-дерева и байесовской нейронной сети в пользовательском классе сигнала"

[MetaQuotes]

Опубликована статья Возможности Мастера MQL5, которые вам нужно знать (Часть 92): Использование индексации B-дерева и байесовской нейронной сети в пользовательском классе сигнала:

В этой статье представлен очередной пользовательский класс сигнала MQL5 – CSignalBTreeBayesian. Здесь алгоритм сбалансированного дерева объединяется с нейронной сетью, построенной на байесовских принципах, для создания еще одного пользовательского сигнала. Благодаря Мастеру MQL5 его можно тестировать отдельно или вместе с другими сигналами.

По мере перехода стратегий от анализа одного актива к более сложным конфигурациям портфелей из нескольких символов на первый план могут выйти ограничения архитектуры некоторых встроенных структур данных MQL5. Когда советнику необходимо выполнять триангуляцию ценовых данных, корреляций или расхождений по нескольким валютным парам, разработчики обычно используют многомерные массивы. Однако массивы по своей природе недостаточно гибки. Как правило, это плоские структуры, требующие жесткого кодирования и вложенных циклов для сопоставления исторических состояний. По мере масштабирования стратегий, что становится все более распространенным требованием, эта хрупкая архитектура может приводить к запутанному коду, склонному к ошибкам и плохо адаптирующемуся к изменениям.

Стандартные массивы не имеют встроенных средств управления взаимосвязанными состояниями. Без значительной дополнительной реализации они не могут отображать иерархические или временные связи между различными рыночными переменными. Поэтому мы ставим задачу создать инструмент для нативной работы с реляционными данными. Еще одна проблема статьи – зависимость от детерминированных моделей входа, характерная для большинства технических индикаторов и нейронных сетей, обучаемых с учителем. Можно утверждать, что традиционные классы сигналов, опирающиеся на них, неизбежно подвержены иллюзии определенности. Такие классы механически выдают сигналы buy и sell, не только не имея интервала уверенности, но и полностью опираясь на прошлые закономерности без исследования новых альтернатив.

Автор: Stephen Njuki