有关MQL5数据分析和统计的文章

在本文中，我将研究萤火虫算法（FA）优化方法。 致谢优化修订，该算法已从局外人变成了评级表上的真正领先者。

岭回归是一种简单的技术，可降低模型复杂度，并防止简单线性回归可能导致的过度拟合。

矩阵作为机器学习算法和计算机的基础，因为它们能够有效地处理大型数学运算，标准库拥有所需的一切，但让我们看看如何在实用工具文件中引入若干个函数来扩展它，这些函数在标准库中尚未提供。

范畴论是数学的一个多样化和不断扩展的分支，到目前为止，在 MQL 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念，其总体目标是建立一个开放的函数库，吸引评论和研讨，同时希望在交易者的策略开发中进一步在运用这一非凡的领域。

鱼群搜索（FSS）是一种新的优化算法，其灵感来自鱼群中鱼的行为，其中大多数（高达 80%）游弋在有组织的亲属群落中。 经证明，鱼类的聚集在觅食效率和保护捕食者方面起着重要作用。

我将研究的下一个算法是 Levy 飞行正在使用的杜鹃搜索优化。 这是最新的优化算法之一，也是排行榜的新领导者。

我们来研究一种最新的现代优化算法 — 灰狼优化。 测试函数的原始行为令该算法成为以前研究过的算法中最有趣的算法之一。 这是训练神经网络的顶级算法之一，具有许多变量的平滑函数。

我们继续研究分布式 Q-学习算法。 在之前的文章中，我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中，我们训练了给定数值范围的概率。 在第二种算法中，我们用给定的概率训练了范围。 在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。 在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。

今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。 这些系列文章将提出 MQL5 向导应该是交易者在此领域努力的中流砥柱。

这是一种惰性算法，它不是基于训练数据集学习，而是以存储数据集替代，并在给定新样本时立即采取行动。 尽管它很简单，但它能用于各种实际应用。

这次我将分析蚁群优化算法。 该算法非常有趣且复杂。 在本文中，我尝试创建一种新型的 ACO。

在本文中，我将研究流行的粒子群优化（PSO）算法。 之前，我们曾讨论过优化算法的重要特征，如收敛性、收敛率、稳定性、可伸缩性，并开发了一个测试台，并研究了最简单的 RNG 算法。

与线性回归不同，多项式回归是一种很灵活的模型，旨在更好地执行线性回归模型无法处理的任务，我们来找出如何在 MQL5 中制作多项式模型，并据其做出积极东西。

今天我们将再次用到 Chart Trade，但这回它作为一个图表上的指标，或许也可能不在图表上出现。

在我们透彻之前，还有一些涵盖前馈神经网络的次要事情，设计就是其中之一。 针对我们的输入，看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。

在最晚的两篇文章中，我们开发了一个创建和编辑神经网络模型的工具。 现在是时候通过实践示例来评估迁移学习技术的潜在用途了。

许多人喜欢它们，但却只有少数人理解神经网络背后的整个操作。 在本文中，我尝试用淳朴的语言来解释前馈多层感知，解密其封闭大门背后的一切。

我们继续研究无监督学习算法。 这次我建议我们讨论自动编码器应用于递归模型训练时的特性。

梯度下降在训练神经网络和许多机器学习算法中起着重要作用。 它是一种快速而智能的算法，尽管它的工作令人印象深刻，但它仍然被许多数据科学家误解，我们来看看有关它的全部。

我们继续研究无监督学习算法。 一些读者可能对最近发表的与神经网络主题的相关性有疑问。 在这篇新文章中，我们回到了对神经网络的研究。

本文研究的是概率价格域演化方程，与即将到来的价格尖峰准则。 它还揭示了图表上价格数值的本质，以及这些数值随机游走的发生机制。

我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。

作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。 这种问题类型首先用于零售业，即超市等，来分析市场篮子。 在本文中，我们将讨论这些算法在交易中的适用性。

决策树模仿人类的方式针对数据进行分类。 我们看看如何构建这棵树，并利用它们来分类和预测一些数据。 决策树算法的主要目标是将含有杂质的数据分离成纯节点或靠近节点。

今天的交易者都是一位哲学家，他几乎总是（有意识地或无意识地）寻找新的思路，尝试它们，选择修改或抛弃它们；这是一个需要付出相当勤奋程度的探索过程。 这显然会花费交易者高昂的时间，且需要避免错误。 本系列文章将提出，MQL5 向导应该是交易者的支柱。 为什么呢？ 因为交易者不仅经由 MQL5 向导组装他的新想法来节省时间，而且大大减少了重复编码的错误；他最终会把精力集中在交易哲学的几个关键领域。

机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。

在本部分中，我们将继续讨论人工智能模型。 即，我们研究无监督学习算法。 我们已经讨论了众多聚类算法之一。 在本文中，我将分享一种解决与降维相关问题的方法。

本文提供了数学上严格的价格运动和市场功能理论的基础。 到目前为止，我们还没有任何经过严格数学论证的价格走势理论。 取而代之的是，我们不得不基于经验假设进行处理，即价格在某种形态之后以某种方式移动。 当然，这些假设既没有得到统计数据的支持，也没有得到理论的支持。

在本文中，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。

在本文中，我们将继续研究如何从 web 获取数据，并在智能系统中使用它。 这次我们将着手开发一个替代系统。

在上一篇文章中，我们为数据聚类创建了一个类。 在本文中，我想分享在解决实际交易任务时应用所获结果会遇到的可能变体。