Обсуждение статьи "Нейросети — это просто (Часть 33): Квантильная регрессия в распределенном Q-обучении"
hi,
thanks for your hard work, appreciate your time and effort.
had to grab VAE from article #22 when I tried to compile QRDQN.
but running into this error,
'MathRandomNormal' - undeclared identifier VAE.mqh 92 8
Im guessing the VAE library in #22 is outdated?
hi,
thanks for your hard work, appreciate your time and effort.
had to grab VAE from article #22 when I tried to compile QRDQN.
but running into this error,
'MathRandomNormal' - undeclared identifier VAE.mqh 92 8
Im guessing the VAE library in #22 is outdated?
Hi, you can load updated files from this article https://www.mql5.com/ru/articles/11619
![Нейросети — это просто (Часть 31): Эволюционные алгоритмы Нейросети — это просто (Часть 31): Эволюционные алгоритмы](https://c.mql5.com/36/59/neyroseti-eto-prosto-chast-31-evolucionnie__1.jpg)
- www.mql5.com
Hi, you can load updated files from this article https://www.mql5.com/en/articles/11619
thanks for your reply,
I did that and that error is fixed, but 2 more popped up.
one
'Create' - expression of 'void' type is illegal QRDQN.mqh 85 30
2
''AssignArray' - no one of the overloads can be applied to the function call QRDQN.mqh 149 19
![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Нейросети — это просто (Часть 33): Квантильная регрессия в распределенном Q-обучении:
Продолжаем изучение распределенного Q-обучение. И сегодня мы посмотрим на данный подход с другой стороны. О возможности использования квантильной регрессии в решение вопрос прогнозирования ценовых движений.
Для обучения была создана модель с помощью инструмента NetCreator. Модель полностью повторила архитектуру обучаемой модели из предыдущей статьи. Я лишь удалил последний слой нормализации SoftMax, чтобы область результатов модели могла повторить любые результаты используемой политики вознаграждения.
Как всегда, обучение модели осуществлялось на исторических данных EURUSD, таймфрейм H1. В качестве обучающей выборки использовались исторические данные за 2 последних года.
Работа обученной модели была проверена в тестере стратегий. Для этого был создан советник "QRDQN-learning-test.mq". Советник также был создан на базе аналогичных советников из предыдущих статей. И его код не претерпел значительных изменений. В с его полным кодом можно ознакомиться во вложении.
В тестере стратегий модель продемонстрировала способность к генерации прибыли на коротком временном отрезке в 2 недели. Более половины совершенных торговых операций были закрыты с прибылью. При этом средняя прибыль по сделке практически в 2 раза превышала средний убыток.
Автор: Dmitriy Gizlyk