Обсуждение статьи "Метод группового учета аргументов: реализация многослойного итерационного алгоритма на MQL5"
![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Опубликована статья Метод группового учета аргументов: реализация многослойного итерационного алгоритма на MQL5:
В этой статье мы описываем реализацию Многослойного итерационного алгоритма как метода группового учета аргументов на языке MQL5.
Метод группового учета аргументов — это тип алгоритма, используемый для анализа и прогнозирования данных. Это метод машинного обучения, целью которого является поиск лучшей математической модели для описания данного набора данных. Метод был разработан советским математиком А.И.Ивахненко в 1960-х годах. Он был разработан для решения проблем, связанных с моделированием сложных систем на основе эмпирических данных. Алгоритмы МГУА используют подход к моделированию, основанный на данных, при котором модели создаются и уточняются на основе наблюдаемых данных, а не на предвзятых представлениях или теоретических предположениях.
Одним из основных преимуществ МГУА является то, что он автоматизирует процесс построения моделей путем итеративного создания и оценки моделей-кандидатов. Он выбирает наиболее эффективные модели и дорабатывает их на основе полученных данных. Такая автоматизация снижает необходимость ручного вмешательства и специальных знаний при построении модели.
Основная идея метода заключается в построении серии моделей возрастающей сложности и точности путем итеративного выбора и комбинирования переменных. Алгоритм начинается с набора простых моделей (обычно линейных моделей) и постепенно увеличивает их сложность за счет добавления дополнительных переменных и условий. На каждом этапе алгоритм оценивает производительность моделей и выбирает наиболее эффективные из них, чтобы сформировать основу для следующей итерации. Этот процесс продолжается до тех пор, пока не будет получена удовлетворительная модель или пока не будут выполнены критерии остановки.
Автор: Francis Dube