![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Redes neurais de maneira fácil (Parte 74): previsão adaptativa de trajetórias foi publicado:
Proponho a você conhecer um método bastante eficaz de previsão de trajetórias multiagentes, que é capaz de se adaptar a diferentes condições ambientais.
A criação de uma estratégia de trading é inseparável da análise da situação de mercado com a previsão do movimento mais provável de um instrumento financeiro, que frequentemente se correlaciona com outros ativos financeiros e indicadores macroeconômicos. Pode-se traçar um paralelo com o movimento de veículos, onde cada veículo segue para seu ponto de destino individual. No entanto, suas ações na estrada são de certa forma interligadas e estritamente reguladas pelas regras de trânsito. Além disso, devido à individualidade da percepção da situação rodoviária pelos motoristas, permanece uma parcela de aleatoriedade nas estradas.
De maneira semelhante, no mundo financeiro, a formação de preços obedece a certas regras. No entanto, a aleatoriedade da oferta e da demanda criadas pelos participantes do mercado leva à aleatoriedade do preço. Talvez por isso, muitos métodos de previsão de trajetórias, aplicados na área de navegação, mostram bons resultados ao prever o movimento futuro dos preços.
Neste artigo, quero apresentar a você um método para a previsão eficaz conjunta de trajetórias de todos os agentes em cena com aprendizado dinâmico de pesos ADAPT, que foi proposto para resolver problemas na área de navegação de veículos autônomos. O método foi apresentado pela primeira vez no artigo "ADAPT: Efficient Multi-Agent Trajectory Prediction with Adaptation".
Autor: Dmitriy Gizlyk