Discussão do artigo "Construindo uma rede neural profunda do zero em linguagem MQL"
Olá, seu artigo foi excepcional, muito inteligente e atrativo, mais quando fui compilar para testar em conta apresentou erros. poderia verificar o que houve? estou muito ansioso para testes de EA de seu artigo. Muito Obrigado.
Olá Anddy, ótimo trabalho que você fez!!!
Estou analisando seu código para se adaptar à minha estratégia e até agora posso afirmar que seu DNN é incrível! Obrigado por compartilhar.
Só tenho uma dúvida: não reconheço o uso de "yValues[2]>0.6" em nenhuma situação. Após diversas tentativas com ativos diferentes, nenhuma negociação foi fechada por esta condição. Está certo?
Obrigado!
Melhor,
Alexandre
Neste fórum, por favor comentar em português. Utilize a ferramenta de tradução automática ou comente num dos fóruns doutro idioma.
- Aplicativos de negociação gratuitos
- VPS Forex grátis por 24 horas
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Construindo uma rede neural profunda do zero em linguagem MQL foi publicado:
Neste artigo, vou apresentar a vocês uma rede neural profunda implementada em linguagem MQL com suas diferentes funções de ativação, entre elas estão a função tangente hiperbólica para as camadas ocultas e a função Softmax para a camada de saída. Avançaremos do primeiro passo até o final para formar completamente a rede neural profunda.
Vamos começar com a unidade básica de toda rede neural, o neurônio. No artigo, consideraremos as várias partes do neurônio que usaremos em nossa rede neural profunda. Estritamente falando, a diferença entre o nosso tipo de neurônio e os outros reside na função de ativação.
O neurônio artificial, modelado a partir de um protótipo biológico, como o é um neurônio do cérebro humano, simplesmente realiza cálculos matemáticos. Como nossos neurônios, ele é acionado quando encontra estímulos suficientes. O neurônio combina os dados de entrada com um conjunto de coeficientes ou pesos que reforçam ou enfraquecem esses dados de entrada. Isto dá valor aos dados de entrada para a tarefa que o algoritmo está tentando aprender. A imagem abaixo mostra como funcionam as diferentes partes de um neurônio:
Autor: Anddy Cabrera