بازتعریف معاملات شاخص: رویکرد نوآورانه پشت سر نظارت – استراتژی‌های معاملاتی – 18 نوامبر 2024

مقدمه:

شاخص های معاملاتی یک چالش پویا است که نیازمند دقت، سازگاری و استراتژی های قوی است. با ناظر، ما نحوه عملکرد تجارت را با ادغام مدل های یادگیری ماشین در هسته اصلی مشاور متخصص بازتعریف کرده ایم. این پست شما را با رویکرد منحصربه‌فردی که در پیش گرفته‌ایم آشنا می‌کند، اینکه چگونه یادگیری ماشین استراتژی ما را هدایت می‌کند و چگونه به‌طور یکپارچه در MQL5 ادغام می‌شود.

پیاده سازی پایتون: استفاده از قدرت مدل های پنهان مارکوف (HMM)

اولین گام در استراتژی یادگیری ماشینی OverSeer با پیاده سازی Python آغاز می شود. در هسته آن، ما از a استفاده می کنیم مدل پنهان مارکوف (HMM) برای طبقه بندی وضعیت های بازار برای هر ابزار. این ابزار آماری به ما این امکان را می دهد که الگوهای حرکت قیمت را تجزیه و تحلیل کنیم و آنها را به حالت های متمایز طبقه بندی کنیم و پایه و اساس تصمیمات تجاری ما را تشکیل می دهد.

چرا از HMM برای تشخیص وضعیت بازار استفاده کنیم؟

مدل‌های پنهان مارکوف برای این کار مناسب هستند زیرا در کشف ساختارهای زیربنایی در داده‌های سری زمانی برتری دارند. در اینجا نحوه کار آن آمده است:

1. مشاهده: این مدل ویژگی‌های مبتنی بر قیمت (مانند تغییرات قیمت، نوسانات و غیره) را از داده‌های تاریخی مشاهده می‌کند.
2. شناسایی ایالت: هر مشاهده را به یکی از چندین حالت پنهان اختصاص می دهد، که شرایط بازار متمایز را نشان می دهد (مثلاً روند، تثبیت، نوسان).
3. نقشه برداری احتمال: هر حالت با احتمالاتی همراه است که به ما امکان می دهد احتمال انتقال از یک حالت به حالت دیگر را درک کنیم.

HMM برای شناسایی الگوها ایده‌آل است زیرا به برچسب‌های صریح متکی نیست – مستقیماً از داده‌ها یاد می‌گیرد و آن را در شرایط مختلف بازار قوی و سازگار می‌کند.

تجسم حالات HMM

در اینجا مثالی از نحوه شناسایی حالت ها در مدل HMM در داده ها آورده شده است:

نمودار بالا وضعیت های تعریف شده بازار مدل HMM را در بخشی از داده های آموزشی نشان می دهد که در آن هر رنگ مربوط به یک وضعیت بازار مجزا است. تمرکز ما بر شناسایی ایالت‌هایی است که فرصت‌های خرید نسبتاً خوبی را نشان می‌دهند – نه ورودی‌های کامل، بلکه موارد مطلوب در مقایسه با قیمت‌های همسایه. در این نمودار، وضعیت بازار نشان داده شده است سفید و قرمز با این تمرکز هماهنگ شود.

برای ساده‌تر کردن تحلیل خود، حالت‌ها را به دو دسته ادغام می‌کنیم: قرمز برای وضعیت بازار مورد علاقه (فرصت های خرید خوب) و آبی برای همه ایالت های دیگر تصویر زیر این دسته بندی ساده شده را در همان برش داده آموزشی نشان می دهد.

نمودار زیر با استفاده از مدل آموزش‌دیده HMM، همان وضعیت‌های بازار با کد رنگی را برای بخشی از داده‌های آزمایشی اعمال می‌کند. اینجا، قرمز نشان دهنده ایالت هایی است که به عنوان “فرصت های خرید خوب” شناسایی شده اند، در حالی که آبی حالت های غیر مورد علاقه را نشان می دهد. این تجسم توانایی مدل را برای تعمیم درک خود از شرایط مطلوب بازار به داده‌های دیده نشده، حفظ ثبات در شناسایی فرصت‌های همسو با تمرکز ما نشان می‌دهد.

رویکرد متوازن به فرصت های تجاری

مهم است که به یاد داشته باشید که هدف شناسایی ورودی های تجاری کامل نیست، بلکه تمرکز روی آن است در کل لحظات خرید خوب که مزیت نسبی را در مقایسه با قیمت های همسایه ایجاد می کند. این رویکرد عمل گرایانه، همراه با قرار گرفتن در معرض چندین بازار – هر کدام با مدل خاص خود که به طور خاص برای رفتار منحصر به فرد خود آموزش دیده اند – چیزی است که باعث می شود ناظر واقعا جالب و موثر

همانطور که از مدل‌ها برای تعیین فرصت‌های خرید خوب استفاده می‌کنیم، مدل‌های جداگانه‌ای را نیز برای بازتاب موقعیت‌های باز آموزش می‌دهیم. این مدل‌ها بر شناسایی لحظات بهینه برای مدیریت موقعیت، با پشتیبانی از الگوریتم‌های اضافی برای اتخاذ تصمیم‌های پویا و مبتنی بر داده‌ها برای حفاظت از سود و مدیریت ریسک تمرکز می‌کنند. OverSeer تضمین می کند که هم تصمیمات ورود و هم مدیریت مبتنی بر بینش عملی است که برای هر بازار طراحی شده است.

ادغام یادگیری ماشین به طور مستقیم در MT5

ادغام یادگیری ماشین در MT5 یک چالش منحصر به فرد ایجاد کرد، زیرا مدل‌های پنهان مارکوف (HMM)– برای تعریف وضعیت های بازار استفاده می شود – از تبدیل مستقیم به فرمت ONNX مورد نیاز برای یکپارچه سازی یکپارچه پشتیبانی نمی کند. برای غلبه بر این، ما یک مرحله واسطه را معرفی کردیم:

1. آموزش یک مدل طبقه بندی کننده:
   با استفاده از حالت های بازار تعریف شده توسط مدل HMM، ما a را آموزش می دهیم طبقه‌بندی تصادفی جنگل. این مدل یاد می گیرد که طبقه بندی های حالت ارائه شده توسط HMM را تکرار کند، و به طور موثر شکاف بین ابزارهای آماری قدرتمند پایتون و منطق معاملاتی بلادرنگ MT5 را پر می کند.

2. تبدیل ONNX:
   پس از آموزش، Random Forest Classifier به فرمت ONNX تبدیل می شود. این قالب استاندارد سازگاری با MT5 را تضمین می‌کند و مدل را قادر می‌سازد مستقیماً به کد منبع Expert Advisor وارد شود.

3. برنامه بلادرنگ در MT5:
   در OverSeer، مدل‌های ONNX وارداتی در زمان واقعی عمل می‌کنند و ویژگی‌های محاسبه‌شده از داده‌های دریافتی را ارزیابی می‌کنند و تصمیم‌هایی را برای ورودی‌های تجاری و مدیریت موقعیت ایجاد می‌کنند. این ادغام تضمین می‌کند که بینش‌های حاصل از یادگیری ماشینی به‌طور یکپارچه در سناریوهای معاملات زنده اعمال می‌شوند.

این راه حل توانایی OverSeer را در استفاده از مدل های پیشرفته یادگیری ماشین در حالی که عملی بودن و کارایی مورد نیاز برای تجارت بلادرنگ در MT5 را حفظ می کند، برجسته می کند.

پیوند به OverSeer: https://www.mql5.com/en/market/product/120625