Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 37): Gaußsche Prozessregression mit linearen und maternalen Kernen"

[MetaQuotes]

Neuer Artikel MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 37): Gaußsche Prozessregression mit linearen und maternalen Kernen :

Lineare Kernel sind die einfachste Matrix ihrer Art, die beim maschinellen Lernen für lineare Regression und Support Vector Machines verwendet wird. Der Matérn-Kernel hingegen ist eine vielseitigere Version der Radialbasisfunktion, die wir in einem früheren Artikel besprochen haben, und er eignet sich für die Abbildung von Funktionen, die nicht so glatt sind, wie es die RBF annehmen würde. Wir erstellen eine nutzerdefinierte Signalklasse, die beide Kernel für die Vorhersage von Long- und Short-Bedingungen verwendet.

Wir setzen diese Serie über die verschiedenen Möglichkeiten fort, wie die Schlüsselkomponenten von Expert Advisors mit Assistenten implementiert werden können, indem wir 2 Gaußsche Prozesskernel betrachten. Der lineare Kernel und der Matérn-Kernel. Ersterer ist so einfach, dass man seine Wikipedia-Seite nicht finden kann, aber letzterer hat hier seine Referenzseite. 

Wenn wir noch einmal rekapitulieren wollen, was wir zuvor über Gaußsche Prozesskernel (GPs) gesagt haben, handelt es sich um nichtparametrische Modelle, die komplexe Beziehungen zwischen Datensätzen (in der Regel in Vektorform) abbilden können, ohne dass eine Funktion oder ein Vorwissen über das betreffende Datensatzpaar erforderlich ist. Dadurch eignen sie sich ideal für Situationen, in denen die betroffenen Datensätze nichtlinear oder sogar verrauscht sind. Diese Flexibilität macht sie außerdem zu einem idealen Instrument für finanzielle Zeitreihen, die oft volatil sind, da GPs dazu neigen, nuancierte Ergebnisse zu liefern. Sie liefern eine Prognoseschätzung und ein Konfidenzintervall. GPs helfen dabei, die Ähnlichkeit zwischen zwei Datensätzen zu bestimmen, und da es mehrere Arten von Kerneln gibt, die in der Gaußschen Prozessregression verwendet werden können, ist es immer wichtig, den geeigneten Kernel zu identifizieren oder die Unzulänglichkeiten des von Ihnen gewählten Kernels zu beachten, insbesondere in Fällen, in denen Kernel zur Extrapolation einer Prognose verwendet werden.

Autor: Stephen Njuki