Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Техники мастера MQL5, которые вы должны знать (часть 07): Дендрограммы
Техники мастера MQL5, которые вы должны знать (часть 08): Перцептроны
Техники мастера MQL5, которые вы должны знать (часть 09). Кластеризация K-Means в паре с фрактальными волнами
Вэтой статье мы продолжаем рассматривать возможные простые идеи, которые можно реализовать и протестировать благодаря мастеру MQL5, рассмотревкластеризацию k-means. Она, как и AHC, которую мы рассматривали в предыдущей статье, представляет собой неконтролируемый подход к классификации данных.
Техники мастера MQL5, которые вы должны знать (часть 10). Нетрадиционная RBM
Техники мастера MQL5, которые вы должны знать (часть 11): Стены чисел
Техники мастера MQL5, которые вы должны знать (часть 12): Полином Ньютона
Техники мастера MQL5, которые вы должны знать (часть 13). DBSCAN для экспертного класса сигналов
Эта серия статей, посвященная Мастеру MQL5, представляет собой экскурс в то, как часто абстрактные идеи в математике и других областях жизни могут быть оживлены в качестве торговых систем и протестированы или проверены до того, как будут приняты какие-либо серьезные обязательства по их созданию. Эта способность брать простые и не до конца реализованные или предусмотренные идеи и исследовать их потенциал в качестве торговых систем - одна из жемчужин, представленных в сборке MQL5 wizard для экспертов. В экспертных классах мастера собрано множество рутинных функций, необходимых любому советнику, особенно в части открытия и закрытия сделок, а также в таких упущенных аспектах, как выполнение решений только при формировании нового бара.
Таким образом, сохраняя эту библиотеку процессов как отдельный аспект экспертного советника, с помощью MQL5 Wizard любую идею можно не только протестировать независимо, но и сравнить на равных с любыми другими идеями (или методами), которые могут быть на рассмотрении. В этих сериях мы рассмотрели альтернативные методы кластеризации, такие как агломеративная кластеризация, а также кластеризация k-means.
Техники мастера MQL5, которые вы должны знать (14): Многоцелевое прогнозирование временных рядов с помощью STF
Эта статья о пространственно-временном слиянии (STF) вызвала мой интерес к теме благодаря двустороннему подходу к прогнозированию. Для справки: в основе статьи лежит решение вероятностной задачи прогнозирования, которая является совместной для спроса и предложения в двухсторонних платформах, таких как Uber и Didi. Совместные отношения спроса и предложения распространены на различных двусторонних рынках, таких как Amazon, Airbnb и eBay, где, по сути, компания не только обслуживает традиционного "клиента" или покупателя, но и обслуживает поставщиков клиента.
Таким образом, двустороннее прогнозирование в случае, когда предложение частично зависит от спроса, может быть важным для этих компаний на постоянной основе. Такое двойное прогнозирование спроса и предложения, безусловно, отличается от традиционного подхода к прогнозированию конкретного значения временного ряда или набора данных. В работе также была представлена так называемая каузально-трансформационная схема, в которой причинно-следственная "совместная" связь между спросом и предложением отражалась в матрице G, а все прогнозы делались через трансформаторную сеть, и ее результаты были достойны внимания.
Support Vector Machines (SVM) - это алгоритм классификации в машинном обучении. Классификация отличается от кластеризации, которую мы рассматривали в предыдущих статьях здесь и здесь. Основное различие между ними заключается в том, что классификация разделяет данные на заранее определенные наборы с наблюдением, а кластеризация стремится определить, какие и сколько этих наборов существуют, без наблюдения.
В двух словах, SVM классифицирует данные, рассматривая связь каждой точки данных со всеми остальными, если к данным добавить измерение. Классификация достигается, если можно определить гиперплоскость, которая четко разделяет заданные наборы данных.