Обсуждение статьи "Поиск торгового преимущества (Часть 4): Изотоническая регрессия и прогнозирование направления движения цены с помощью PNN в советнике"
Мы рассматриваем методы, с помощью которых изотоническая регрессия преобразует исходные оценки сигналов RSI, стохастического осциллятора и ценовой динамики в упорядоченные вероятности, а отдельная вероятностная нейронная сеть оценивает сходные состояния рынка в прошлом. В этой статье оба подхода реализованы в готовом пользовательском классе торгового сигнала на MQL5, совместимом с Мастером MQL5 и предлагающем до семи режимов входа на выбор. В воспроизводимых тестах сигналы, полученные только с помощью изотонической регрессии, сравниваются с сигналами комбинированной модели изотонической регрессии и PNN, чтобы оценить, даёт ли сеть полезную информацию сверх той, которую предоставляет более простая базовая модель.
Осцилляторы обычно представляют как самодостаточные торговые инструменты: когда RSI достигает экстремального значения или происходит пересечение линий стохастического осциллятора, трейдер действует. Однако в автоматизированных системах обработать эти паттерны и определить, оправдывают ли они вход в рынок, не так просто, как может показаться на первый взгляд. Значение RSI 65 в одном контексте может указывать на бычью тенденцию, а в другом — на перекупленность, тогда как пересечение линий стохастического осциллятора может означать как смену рыночного состояния, так и шум. В таких ситуациях ни один из индикаторов не позволяет количественно оценить, насколько можно доверять данному сигналу.
Таким образом, пользовательский сигнал, который мы рассматриваем в данной статье, трактует это как задачу калибровки. Мы используем семь интерпретаций показаний RSI, стохастического осциллятора и некоторых аспектов ценовой динамики, чтобы сначала получить оценку направления с ограниченным диапазоном значений. Затем изотоническая регрессия преобразует эту оценку в вероятность с упорядочением на основе эмпирических данных. Альтернативный подход — вероятностная нейронная сеть — позволяет оценить, похоже ли текущее многомерное состояние на прошлые бычьи или медвежьи состояния.
Разделение задач очень простое: изотоническая регрессия проверяет, заслуживают ли более сильные исходные сигналы большего доверия, а PNN оценивает, похожа ли внутренняя структура сигнала на исторические примеры, оказавшиеся полезными. Чем больше слоев, тем, как правило, больше возможностей для переобучения; поэтому наша цель здесь — скорее быстрая проверка работоспособности подхода, чем «доказательство превосходства».
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Поиск торгового преимущества (Часть 4): Изотоническая регрессия и прогнозирование направления движения цены с помощью PNN в советнике:
Осцилляторы обычно представляют как самодостаточные торговые инструменты: когда RSI достигает экстремального значения или происходит пересечение линий стохастического осциллятора, трейдер действует. Однако в автоматизированных системах обработать эти паттерны и определить, оправдывают ли они вход в рынок, не так просто, как может показаться на первый взгляд. Значение RSI 65 в одном контексте может указывать на бычью тенденцию, а в другом — на перекупленность, тогда как пересечение линий стохастического осциллятора может означать как смену рыночного состояния, так и шум. В таких ситуациях ни один из индикаторов не позволяет количественно оценить, насколько можно доверять данному сигналу.
Таким образом, пользовательский сигнал, который мы рассматриваем в данной статье, трактует это как задачу калибровки. Мы используем семь интерпретаций показаний RSI, стохастического осциллятора и некоторых аспектов ценовой динамики, чтобы сначала получить оценку направления с ограниченным диапазоном значений. Затем изотоническая регрессия преобразует эту оценку в вероятность с упорядочением на основе эмпирических данных. Альтернативный подход — вероятностная нейронная сеть — позволяет оценить, похоже ли текущее многомерное состояние на прошлые бычьи или медвежьи состояния.
Разделение задач очень простое: изотоническая регрессия проверяет, заслуживают ли более сильные исходные сигналы большего доверия, а PNN оценивает, похожа ли внутренняя структура сигнала на исторические примеры, оказавшиеся полезными. Чем больше слоев, тем, как правило, больше возможностей для переобучения; поэтому наша цель здесь — скорее быстрая проверка работоспособности подхода, чем «доказательство превосходства».
Автор: Stephen Njuki