Обсуждение статьи "От скользящей средней с фиксированными параметрами к адаптивной фильтрации (Часть 2): Реализация индикатора SAMA_NLMS на MQL5"

Опубликована статья От скользящей средней с фиксированными параметрами к адаптивной фильтрации (Часть 2): Реализация индикатора SAMA_NLMS на MQL5:

В этой статье самоадаптивная скользящая средняя (SAMA) на основе алгоритма NLMS реализована в виде работающего индикатора MQL5. Приведён полный исходный код и объяснены ключевые проектные решения, включая выполнение непосредственно в основном цикле, инициализацию весов одинаковыми значениями, обновление по закрытым барам и границы устойчивости. Также рассмотрены установка, использование и ограничения. Результат — скомпилированный индикатор SAMA_NLMS, готовый к установке на график, и понятная основа для последующего сравнительного тестирования с использованием советника.

Вы уже знакомы с концепцией NLMS из Части 1. Однако на практике перенос уравнения обновления из вычислительного блокнота в код MQL5 часто приводит к проблемам, существенным для трейдеров и разработчиков: модель может обучаться на формирующемся баре, становиться численно неустойчивой на данных без изменений, искажаться из-за одиночных ценовых всплесков и выдавать другие значения в реальном времени после перезапуска терминала, поскольку внутреннее состояние весов зависит от того, какая именно история была обработана. В этой части SAMA рассматривается уже не как формула, а как программное обеспечение для реальной эксплуатации. Здесь NLMS встроен в готовый к установке на график индикатор MQL5 с корректно организованными буферами, проверкой входных параметров, ограничением ошибки на основе ATR, адаптацией μ по коэффициенту эффективности Кауфмана, затуханием весов и их необязательной нормализацией, обязательным этапом прогрева и правилом обучения только на закрытых барах. Цель ясна: предоставить файл SAMA_NLMS.mq5, который можно скомпилировать, подключить к графику и использовать в торговых сценариях без явной нестабильности или неожиданного перерисовывания.


Автор: Ushana Kevin Iorkumbul