Diskussion zum Artikel "Selbstoptimierende Expert Advisors mit MQL5 und Python erstellen"

[MetaQuotes]

Neuer Artikel Selbstoptimierende Expert Advisors mit MQL5 und Python erstellen :

In diesem Artikel werden wir erörtern, wie wir Expert Advisors erstellen können, die in der Lage sind, Handelsstrategien auf der Grundlage der vorherrschenden Marktbedingungen eigenständig auszuwählen und zu ändern. Wir werden etwas über Markov-Ketten lernen und wie sie algorithmischen Händler helfen können.

Markov arbeitete an vielen Problemen, bei denen er Prozesse modellieren musste, die völlig zufällig waren, ähnlich wie unsere Herausforderung, mit der Unvorhersehbarkeit der Marktdynamik umzugehen. Er beschrieb formell einen Rahmen, der heute als „Markov-Kette“ bekannt ist. Wir wollen es intuitiv verstehen. 

Stellen Sie sich vor, Sie leiten ein öffentliches Verkehrsunternehmen, das seit über 70 Jahren Busdienste in Deutschland anbietet. Das Unternehmen erwägt, den Fuhrpark um weitere Busse zu erweitern, und Sie als Manager müssen entscheiden, für welche Ziele die zusätzlichen Busse eingesetzt werden sollen und für welche sich eine weitere Investition nicht lohnt. 

Die Betrachtung des Problems als Markov-Kette könnte den Entscheidungsprozess für Sie als Manager vereinfachen. Stellen wir uns vor, das folgende Diagramm stellt die Markov-Kette aller abgeschlossenen Reisen dar, die das Unternehmen in seiner 70-jährigen Geschichte unternommen hat.

Lassen Sie uns die obige Markov-Kette interpretieren. Wir können feststellen, dass 40 % der Passagiere, die in Frankfurt einsteigen, in München aussteigen, während die anderen 60 % nach Köln fahren. Von den Fahrgästen in Köln kehren 30 % nach Frankfurt zurück, und 70 % fahren in der Regel nach Berlin weiter. Dieses Modell zeigt deutlich, welche Strecken von Ihren Kunden am häufigsten genutzt werden.

Autor: Gamuchirai Zororo Ndawana