Nam Phueng / Profil
I am fond of statistical analysis.
![Nam Phueng](https://c.mql5.com/avatar/2019/4/5CAE04B8-7542.jpg)
![Umkehrmuster: Testen des Musters Kopf und Schulter](https://c.mql5.com/2/34/5358_avatar.png)
Dieser Artikel ist eine Fortsetzung des vorherigen: "Umkehrmuster: Testen des Musters Doppelspitze/Doppelboden". Nun werden wir uns ein weiteres, bekanntes Umkehrmuster namens Kopf und Schulter ansehen, die Handelseffizienz der beiden Muster vergleichen und sie zu einem einzigen Handelssystem kombinieren.
![Nam Phueng](https://c.mql5.com/avatar/2019/4/5CAE04B8-7542.jpg)
![Tiefe neuronale Netzwerke (Teil V). Bayes'sche Optimierung von DNN-Hyperparametern](https://c.mql5.com/2/48/Deep_Neural_Networks_05.png)
Der Artikel beschäftigt sich mit der Möglichkeit, die Bayes'sche Optimierung auf Hyperparameter von tiefen neuronalen Netzen anzuwenden, die durch verschiedene Trainingsvarianten gewonnen werden. Die Klassifikationsqualität eines DNN mit den optimalen Hyperparametern in verschiedenen Trainingsvarianten wird verglichen. Die Tiefe der Effektivität der optimalen DNN-Hyperparameter wurde in Vorwärtstests überprüft. Die möglichen Richtungen zur Verbesserung der Klassifizierungsqualität wurden festgelegt.
![Nam Phueng](https://c.mql5.com/avatar/2019/4/5CAE04B8-7542.jpg)
![Random Decision Forest und Reinforcement-Learning](https://c.mql5.com/2/31/family-eco.png)
Random Forest (RF) mit dem Einsatz von Bagging ist eine der leistungsfähigsten maschinellen Lernmethoden, die dem Gradienten-Boosting etwas unterlegen ist. Dieser Artikel versucht, ein selbstlernendes Handelssystem zu entwickeln, das Entscheidungen basierend auf den Erfahrungen aus der Interaktion mit dem Markt trifft.
![Nam Phueng](https://c.mql5.com/avatar/2019/4/5CAE04B8-7542.jpg)
![Statistische Verifizierung des Labouchere-Geldverwaltungssystems](https://c.mql5.com/2/18/labouchere.png)
In diesem Artikel überprüfen wir die statistischen Eigenschaften des Labouchere-Geldverwaltungssystems. Es gilt als eine weniger aggressive Variante von Martingale, weil hierbei die Einsätze nicht verdoppelt, sondern stattdessen um einen bestimmten Betrag erhöht werden.