Обсуждение статьи "Возможности Мастера MQL5, которые вам нужно знать (Часть 13): DBSCAN для класса сигналов советника"

[MetaQuotes]

Опубликована статья Возможности Мастера MQL5, которые вам нужно знать (Часть 13): DBSCAN для класса сигналов советника:

Основанная на плотности пространственная кластеризация для приложений с шумами (Density Based Spatial Clustering for Applications with Noise, DBSCAN) - это неконтролируемая форма группировки данных, которая практически не требует каких-либо входных параметров, за исключением всего двух, что по сравнению с другими подходами, такими как k-средние, является преимуществом. Разберемся в том, как это может быть полезно в тестировании и торговле с применением советников, собранных в Мастере.

Эта серия статей о Мастере MQL5 демонстрирует, как часто абстрактные идеи в математике и других областях жизни могут быть воплощены в жизнь как торговые системы и протестированы перед применением. Способность брать простые и не полностью реализованные идеи и исследовать их потенциал в качестве торговых систем — одна из наиболее примечательных возможностей Мастера MQL5 для советников. Классы советников в Мастере предоставляют множество повседневных функций, необходимых любому советнику, особенно в том, что касается открытия и закрытия сделок, а также таких упускаемых из виду аспектов, как выполнение тех или иных действий только при формировании нового бара.

Таким образом, используя эту библиотеку процессов в качестве отдельного аспекта советника, с помощью Мастера MQL5 любую идею можно не только протестировать независимо, но и сравнить на равных с любыми другими идеями (или методами). В этой серии мы рассмотрели альтернативные методы кластеризации, такие как агломеративная кластеризация и кластеризация k-средних.

В каждом из этих подходов перед созданием соответствующих кластеров одним из необходимых входных параметров было количество создаваемых кластеров. Это требовало хорошего знания набора данных. В случае с основанной на плотности пространственной кластеризации для приложений с шумами (Density Based Spatial Clustering for Applications with Noise, DBSCAN) количество формируемых кластеров является "почетным" неизвестным. Это обеспечивает большую гибкость не только при исследовании неизвестных наборов данных и обнаружении их основных классификационных признаков, но также позволяет проверить существующие "предубеждения" или общепринятые взгляды на любой набор данных на предмет того, можно ли проверить количество предполагаемых кластеров.

Используя всего два параметра, а именно эпсилон (максимальное пространственное расстояние между точками в кластере) и количество минимальных точек, необходимых для формирования кластера, DBSCAN способен не только генерировать кластеры на основе выборочных данных, но и определять подходящее количество этих кластеров. Чтобы оценить его замечательные возможности, возможно, будет полезно взглянуть на некоторые кластеризации, которые он может выполнять в отличие от альтернативных подходов.

Согласно этой статье (на английском), DBSCAN и k-средние выдадут следующие результаты. 

Кластеризация k-средних:

в то время как DBSCAN выдаст:

Автор: Stephen Njuki