Leakage-sichere Fraktalmerkmale für maschinelles Lernen in MQL5

Zusammenfassung

Der Artikel überträgt einen Python-Fraktalmerkmalsatz in eine ereignisgesteuerte MQL5-Engine und bewahrt dabei die kausale zeitliche Reihenfolge. Ein auf Balken c zentriertes Fraktal benötigt n nachfolgende Balken zur Bestätigung. Daher werden die Merkmalswerte erst am Bestätigungsbalken veröffentlicht und beziehen sich auf das frühere Zentrum. Chartmarkierungen können weiterhin an diesem Zentrum gesetzt werden, doch Merkmalsbuffer dürfen den Wert dort nicht offenlegen. Die Engine berechnet Hoch- und Tief-Fraktale, ihre Stärke relativ zum Mittelwert eines Fensters, schwellenwertbasierte Gültigkeit, Unterstützung und Widerstand aus jüngsten bestätigten Fraktalereignissen, Ausbruchssignale und trendbezogene Kennzahlen.

Interne Ereignis- und Ausbruchs-Ringpuffer bewahren den Zustand für die inkrementelle Verarbeitung von Balken; eine Methode für die gesamte Reihe setzt zurück und berechnet dieselben Ausgaben neu. Der Artikel berichtet über eine hohe Übereinstimmung mit der Python-Referenz für fünf Parametersätze und achtzehn Merkmalsfelder; die maximale Abweichung beträgt 1.1e-13. Das bestätigt die Übereinstimmung der Implementierungen, nicht den Vorhersagewert: Der Autor überlässt die Signalqualität ausdrücklich späteren Untersuchungen zur Merkmalswichtigkeit. Auch die Schwellenwertwahl, die ereignisbasierte Bedeutung des Rückblicks und der Umgang mit wiederholten Extremwerten beeinflussen die Interpretation.

Kernaussagen

• Ein zentriertes Fraktal wird erst bestätigt, wenn die erforderlichen Balken rechts davon geschlossen haben.
• Merkmalsbuffer veröffentlichen Werte zum Bestätigungszeitpunkt; Anzeigemarkierungen können das frühere Extrem kennzeichnen.
• Rückblicke für Unterstützung und Widerstand zählen bestätigte Fraktalereignisse statt gewöhnlicher Balken.
• Die Engine kombiniert Fraktalstärke, Gültigkeit, Ausbrüche, Niveaus und Trendmerkmale in einem zustandsbehafteten Balken-für-Balken-Ablauf.
• Die numerische Übereinstimmung mit Python bestätigt die Implementierungsparität, zeigt aber nicht, dass die Merkmale Erträge vorhersagen.

Schlagwörter

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.