文章 "使用MQL5和Python构建自优化EA（第三部分）：破解Boom 1000算法"

新评论
 

新文章 使用MQL5和Python构建自优化EA（第三部分）：破解Boom 1000算法已发布：

在本系列文章中，我们探讨了如何构建能够自主适应动态市场条件的EA。今天的文章中，我们将尝试调整一个深度神经网络以适应Deriv的合成市场。

我们将逐一分析Deriv的所有合成市场，从其最知名的合成市场Boom 1000开始。Boom 1000以其波动性和不可预测性而闻名。该市场以缓慢、短暂且大小相等的看跌K线为特征，这些K线随机地被剧烈的、摩天大楼般高度的看涨K线所跟随。看涨K线尤其难以应对，因为与这些K线相关的tick通常不会发送到客户终端，这意味着每次止损都会被突破，并且总是会伴随着滑点。

因此，大多数成功的交易者都创建了一些策略，这些策略主要基于在交易Boom 1000时只寻找买入机会。回想一下，Boom 1000在M1图表上可能会下跌20分钟，然后在一根K线内就完全收复了整个跌幅！因此，鉴于其超强的看涨特性，成功的交易者会利用这一点，将更多的权重放在Boom 1000的买入设置上，而不是卖出设置上。

作者：Gamuchirai Zororo Ndawana

 
MetaQuotes:
我们将从最著名的 Boom 1000 开始，逐一分析所有衍生品合成市场。

非常感谢你的文章！我关注这些指数已经很久了，但我不知道该从哪方面入手。

请继续！

 

#Instatiate the model model = MLPClassifier(hidden_layer_sizes=(30,10),max_iter=200) #Cross validate the model for i,(train,test) in enumerate(tscv.split(train_X))：model.fit(train_X.loc[train[0]:train[-1],:],ohlc_train_y.loc[train[0]:train[-1]]) validation_accuracy.iloc[i,0] = accuracy_score(ohlc_train_y.loc[test[0]:test[-1]],model.predict(train_X.loc[test[0]:test[-1],:]))


--------------------------------------------------------------------------- ValueError Traceback (most recent call last) Cell In[25], line 5 3 #交叉验证模型 4 for i,(train,test) in enumerate(tscv.split(train_X))： ----> 5 model.fit(train_X.loc[train[0]:train[-1],:],ohlc_train_y.loc[train[0]:train[-1]]) 6 validation_accuracy.iloc[i,0] = accuracy_score(ohlc_train_y.loc[test[0]:test[-1]],model.predict(train_X.loc[test[0]:test[-1],: ])) File c:\Python\ocrujenie\.ordi\Lib\site-packages\sklearn\base.py:1389, in _fit_context.<locals>.decorator.<locals>.wrapper(estimator, *args, **kwargs) 1382 estimator._validate_params() 1384 with config_context( 1385 skip_parameter_validation=( 1386 prefer_skip_nested_validation or global_skip_validation 1387 ) 1388 )： -> 1389 return fit_method(estimator, *args, **kwargs) File c:\Python\ocrujenie\.ordi\Lib\site-packages\sklearn\neural_network\_multilayer_perceptron.py:754, in BaseMultilayerPerceptron.fit(self, X, y) 736 @_fit_context(prefer_skip_nested_validation=True) 737 def fit(self, X, y)： 738 """Fit the model to data matrix X and target(s) y . 739 740 参数 (...) 752 返回训练好的 MLP 模型。 753 """
...
476 "Found input variables with inconsistent numbers of samples: %r" 477 % [int(l) for l in lengths] 478 ) ValueError: Found input variables with inconsistent numbers of samples：[4139, 4133]

输出被截断。以 可滚动元素方式查看 或在 文本编辑器中 打开 。调整单元格输出 设置...


我尝试了几种工具，每种工具都会因为输入数据 (X) 和目标变量 (y) 的大小不一致而导致 模型出错。
 
Janis Ozols # :

非常感谢你的文章！我分析这些指数已经很久了，但我不知道该从哪里入手。

请继续！

不客气，Janis。

我一定会继续写下去。要写的东西很多，但我会创造时间。

 
Aliaksandr Kazunka # :

#Install the model = MLPClassifier(hidden_layer_sizes=(30,10),max_iter=200) #Model crossvalidation for i,(train,test) in enumerate(tscv.split(train_X)): model.fit(train_X.loc[train[0]:train[-1],:],ohlc_train_y.loc[train[0]:train[-1]]) validation_accuracy.iloc[i,0] = accuracy_score(ohlc_train_y.loc[test[0]:test[-1]],model.predict(train_X.loc[test[0]:test[-1],:]))


------------------------------------------------------------------------------ ValueError Traceback (most recent call last) Cell In[25] , line 5 3 #交叉 验证模型 4 for i,(train,test) in enumerate (tscv.split(train_X))： ----> 5 model.fit(train_X.loc[train[ 0 ] :train[ -1 ],:],ohlc_train_y.loc[ train [ 0 ]:train [ -1 ] ] ) 6 validation_accuracy.iloc[i, 0 ] = accuracy_score(ohlc_train_y.loc[test[ 0 ]: test [ -1 ] ] ,model.predict(train_X.loc[test[ 0 ]: test [ -1 ], : ] ))) File c:\Python\ocrujenie\.ordi\Lib\site-packages\sklearn\base.py:1389 , in _fit_context.<locals>.decorator.<locals>.wrapper (estimator, *args, **kwargs) 1382 estimator._validate_params() 1384 with config_context( 1385 skip_parameter_validation=( 1386 prefer_skip_nested_validation or global_skip_validation 1387 ) 1388 )： -> File c:\Python\ocrujenie\.ordi\Lib\site-packages\sklearn\neural_network\_multilayer_perceptron.py:754 , in BaseMultilayerPerceptron.fit (self, X, y) 736 @_fit_context ( prefer_skip_nested_validation=True ) 737 def fit ( self , X , y)： 738 " " " 将 模型与 数据 矩阵
...
476 "Input variables found with inconsistent number of samples: %r " 477 % [ int (l) for l in lengths] 478 ) ValueError ：发现输入变量的样本数不一致： [4139, 4133]

输出被截断。作为 可滚动元素 查看 或在 文本编辑器中 打开 . 调整 单元格输出 设置 .. .


我试过几种工具，在每种工具中， 由于输入数据 (X) 和目标变量 (y) 的大小不一致， 您的模型都会 出错。

你好，Aliaksandr，你可以直接使用代码作为模板指导，然后在自己这边进行必要的调整。我还建议你尝试不同的指标，尝试文章中总体思路的不同变化。这将有助于我们更快地了解全局真相。

新评论