文章 "您应该了解的MQL5向导技巧（第七十九部分）：在监督学习中使用鳄鱼震荡指标和A/D震荡指标"

新评论
 

新文章 您应该了解的MQL5向导技巧（第七十九部分）：在监督学习中使用鳄鱼震荡指标和A/D震荡指标已发布：

在前一篇文章中，我们完成了对鳄鱼震荡指标与集散量（A/D）震荡指标组合的研究，分析二者在原生信号模式下的应用效果。这两个指标互为补充：鳄鱼震荡指标属于趋势指标，A/D震荡指标属于量能指标。本文作为续篇，研究如何利用监督式学习，优化前文所探讨的各类特征形态。我们采用的监督学习模型为卷积神经网络（CNN），该模型结合核回归与点积相似度，对卷积核和通道进行尺度配置。一如既往，我们将逻辑写在自定义信号类文件中，该文件可配合MQL5向导来生成EA。

我们选用的监督学习模型是采用核回归与点积相似度的CNN。核回归根据观测输入与特定查询点之间的相似度赋予权重，以此估算CNN每一层的输出。该相似度由点积相似度作为核函数进行量化。本文模型代码会在下一节给出。模型中的_dot_product_kernel_regression方法利用torch.bmm(x, x.T)计算特征图上所有时间位置之间的相似度，并增加Softmax归一化，机制与自注意力十分相似。

点积作为一种自适应数据相似度度量：点积值越高，代表两个位置在各通道上具备相同的激活模式，在加权求和过程中获得更大权重。可以将它类比为：每个位置会按照与查询位置的一致程度获得相应“票数”。CNN层可以理解为一张电子表格：行代表时间步，列代表特征。在该设定下，单独一行即为一个位置，而查询位置就是当前正在更新的行。在更新过程中，模型会将查询位置与其余所有位置对比，量化彼此的相似度。文中将这种位置更新类比为反向传播（Backpropagation）中的更新过程。


作者：Stephen Njuki

新评论