Diskussion zum Artikel "Ein Algorithmus zur Auswahl von Merkmalen, der energiebasiertes Lernen in reinem MQL5 verwendet"

[MetaQuotes]

Neuer Artikel Ein Algorithmus zur Auswahl von Merkmalen, der energiebasiertes Lernen in reinem MQL5 verwendet :

In diesem Artikel stellen wir die Implementierung eines Algorithmus zur Auswahl von Merkmalen vor, der in einer wissenschaftlichen Arbeit mit dem Titel „FREL: A stable feature selection algorithm“ vorgestellt wurde und auch als Merkmalsgewichtung als reguliertes energiebasiertes Lernen bezeichnet werden kann.

Im Bereich des algorithmischen Handels hat der weit verbreitete Einsatz von maschinellem Lernen zur Anwendung von Data-Mining-Techniken geführt, um verborgene Muster in Finanzdaten aufzudecken. In diesem Umfeld stehen Praktiker oft vor der Herausforderung, aus einer Vielzahl von Variablen diejenigen herauszufiltern, die am ehesten zur Erreichung bestimmter Ziele oder zur Lösung bestimmter Probleme beitragen können. In diesem Artikel wird die Implementierung eines Algorithmus zur Auswahl von Merkmalen untersucht, mit dem die Relevanz einer Reihe von Kandidatenvariablen für eine bestimmte Vorhersageaufgabe bewertet werden soll.

Yun Li, Jennie Si, Guojing Zhou, Shasha Huang und Songcan Chen haben gemeinsam ein Forschungspapier mit dem Titel „FREL: A Stable Feature Selection Algorithm“ veröffentlicht. In diesem Beitrag wird ein Algorithmus mit dem Namen „Feature Weighting as Regularized Energy-Based Learning“ (FREL) vorgestellt, der als Merkmalsauswahl- oder Gewichtungsverfahren dient und sowohl Genauigkeit als auch Stabilität bieten soll. In unserer Diskussion geben wir einen Überblick über die theoretischen Grundlagen des regularisierten, energiebasierten Lernens und der Merkmalsgewichtung. Darüber hinaus veranschaulichen wir die Wirksamkeit des vorgeschlagenen Ansatzes durch die Implementierung eines MQL5-Beispielprogramms, das als Skript erstellt wurde, um das Potenzial der Methode als Werkzeug für die Merkmalsauswahl hervorzuheben.

Autor: Francis Dube