یک EA خودآموز؟ چی؟ – سیستم های معاملاتی – 25 ژوئن 2023

بله دوستان، یک EA خودآموز. آیا توسعه دهنده نرم افزار بودن عالی نیست؟ آزاد برای خلق چیزهایی فراتر از تصور. حالا بیایید چند متغیر را یاد بگیریم و ببینیم چگونه انجام می شود.

در اینجا یک مثال ساده از یک مشاور متخصص خودآموز (EA) با استفاده از یک الگوریتم یادگیری ماشین ساده به نام K-Nearest Neighbors (KNN) برای طبقه بندی آورده شده است. آیا از آن خبر داشتید؟ این کد ساختار و مفهوم اصلی را نشان می‌دهد، اما به خاطر داشته باشید که پیاده‌سازی در دنیای واقعی به تکنیک‌های پیچیده‌تر و آزمایش‌های گسترده‌تری نیاز دارد.

input int k = 5; 


int learningPeriod = 100; 
bool isLearningCompleted = false;
double[] features;
int[] labels;


int OnInit()
{
    
    ArrayResize(features, learningPeriod);
    ArrayResize(labels, learningPeriod);

    return INIT_SUCCEEDED;
}


void OnTick()
{
    
    if (!isLearningCompleted && Bars >= learningPeriod)
    {
        Learn();
        isLearningCompleted = true;
    }

    
    if (isLearningCompleted && Bars > learningPeriod)
    {
        
        double currentFeature = CalculateFeature();

        
        int predictedLabel = Classify(currentFeature);

        
        if (predictedLabel == 1)
        {
            
            OrderSend(Symbol(), OP_BUY, 0.01, Ask, 3, 0, 0, "Self-Learning EA");
        }
        else if (predictedLabel == -1)
        {
            
            OrderSend(Symbol(), OP_SELL, 0.01, Bid, 3, 0, 0, "Self-Learning EA");
        }
    }
}


void Learn()
{
    
    for (int i = 0; i < learningPeriod; i++)
    {
        features[i] = CalculateFeature();
        labels[i] = GetLabel();
        Sleep(100); 
    }
}


int Classify(double currentFeature)
{
    double[] distances;
    ArrayResize(distances, learningPeriod);

    
    for (int i = 0; i < learningPeriod; i++)
    {
        distances[i] = MathAbs(features[i] - currentFeature);
    }

    
    ArraySort(distances);

    int positiveVotes = 0;
    int negativeVotes = 0;

    
    for (int i = 0; i < k; i++)
    {
        int nearestIndex = ArrayBsearch(distances, distances[i]);

        if (labels[nearestIndex] == 1)
            positiveVotes++;
        else if (labels[nearestIndex] == -1)
            negativeVotes++;
    }

    
    if (positiveVotes > negativeVotes)
        return 1;
    else if (negativeVotes > positiveVotes)
        return -1;
    else
        return 0; 
}


double CalculateFeature()
{
    
    
    
    return MathRand();
}


int GetLabel()
{
    
    
    
    int random = MathRand() % 2;
    if (random == 0)
        return -1; 
    else
        return 1; 
}

اکنون باید به توابع و متغیرهای استفاده شده در اینجا نگاه کنیم:

در این مثال، EA ویژگی ها و برچسب ها را در طول دوره یادگیری اولیه جمع آوری می کند (دوره یادگیری)، درست. پس از دوره یادگیری، شروع به پیش بینی با استفاده از الگوریتم KNN بر اساس مقدار ویژگی فعلی می کند. را CalculateFeature()تابع فرآیند استخراج ویژگی را نشان می دهد و GetLabel()تابع برچسب گذاری را برای اهداف نمایشی شبیه سازی می کند.

لطفاً توجه داشته باشید که این یک مثال ساده شده است و اجرای واقعی یک EA خودآموز مستلزم بررسی دقیق انتخاب ویژگی، پیش پردازش داده ها، الگوریتم های پیشرفته یادگیری ماشین، ارزیابی مدل و تکنیک های مدیریت ریسک است.

اطمینان حاصل کنید که قبل از استفاده از استراتژی های معاملاتی الگوریتمی، آنها را به طور کامل آزمایش و تأیید کنید.

از آن لذت ببرید و لذت ببرید.