Artikel über maschinelles Lernen im Handel.

Wenn wir mit Zeitreihen arbeiten, verwenden wir die Quelldaten immer in ihrer historischen Reihenfolge. Aber ist das die beste Option? Es besteht die Meinung, dass eine Änderung der Reihenfolge der Eingabedaten die Effizienz der trainierten Modelle verbessern wird. In diesem Artikel lade ich Sie ein, sich mit einer der Methoden zur Optimierung der Eingabereihenfolge vertraut zu machen.

In diesem Artikel wird das neue PSformer-Framework vorgestellt, das die Architektur des einfachen Transformers an die Lösung von Problemen im Zusammenhang mit multivariaten Zeitreihenprognosen anpasst. Der Rahmen basiert auf zwei wichtigen Innovationen: dem Parameter-Sharing-Mechanismus (PS) und der Segment Attention (SegAtt).

Dies ist mein eigener Algorithmus. Der Artikel stellt den Time Evolution Travel Algorithm (TETA) vor, der vom Konzept der Paralleluniversen und Zeitströme inspiriert ist. Der Grundgedanke des Algorithmus ist, dass wir, obwohl Zeitreisen im herkömmlichen Sinne unmöglich sind, eine Abfolge von Ereignissen wählen können, die zu unterschiedlichen Realitäten führen.

In diesem Artikel stellen wir den Arithmetischen Optimierungsalgorithmus (AOA) vor, der auf einfachen arithmetischen Operationen basiert: Addition, Subtraktion, Multiplikation und Division. Diese grundlegenden mathematischen Operationen dienen als Grundlage für die Suche nach optimalen Lösungen für verschiedene Probleme.

In diesem Artikel stellen wir die Implementierung eines Algorithmus zur Auswahl von Merkmalen vor, der in einer wissenschaftlichen Arbeit mit dem Titel „FREL: A stable feature selection algorithm“ vorgestellt wurde und auch als Merkmalsgewichtung als reguliertes energiebasiertes Lernen bezeichnet werden kann.

In diesem Artikel erörtern und demonstrieren wir, wie man nominale Prädiktoren in numerische Formate umwandelt, die für Algorithmen des maschinellen Lernens geeignet sind, und zwar sowohl mit Python als auch mit MQL5.

Hier werden wir die Entwicklung des ACS-Algorithmus betrachten: drei Änderungen zur Verbesserung der Konvergenzeigenschaften und der Effizienz des Algorithmus. Umwandlung eines der führenden Optimierungsalgorithmen. Von Matrixmodifikationen bis hin zu revolutionären Ansätzen zur Bevölkerungsbildung.

Nichtlineare Regressionsmodelle an der Börse: Ist es möglich, die Finanzmärkte vorherzusagen? Betrachten wir die Erstellung eines Modells für die Vorhersage der Preise für EURUSD, und machen zwei Roboter auf der Grundlage - in Python und MQL5.

Dies ist eine Fortsetzung des vorangegangenen Artikels, der sich mit dem Konzept der sozialen Gruppen befasst. In dem Artikel wird die Entwicklung sozialer Gruppen anhand von Bewegungs- und Gedächtnisalgorithmen untersucht. Die Ergebnisse werden dazu beitragen, die Entwicklung sozialer Systeme zu verstehen und sie bei der Optimierung und Suche nach Lösungen anzuwenden.

Haben Sie schon einmal einen plötzlichen Marktanstieg verpasst oder wurden Sie von einem solchen überrascht? Der beste Weg, aktuelle Ereignisse zu antizipieren, besteht darin, aus historischen Mustern zu lernen. Mit dem Ziel, ein ML-Modell zu trainieren, zeigt Ihnen dieser Artikel zunächst, wie Sie ein Skript in MetaTrader 5 erstellen, das historische Daten aufnimmt und sie zur Speicherung an Python sendet. Lesen Sie weiter, um die einzelnen Schritte in Aktion zu sehen.

Number Walls oder Zahlenwände sind eine Variante der Linear Shift Back Registers, die Sequenzen auf ihre Vorhersagbarkeit hin überprüfen, indem sie auf Konvergenz prüfen. Wir sehen uns an, wie diese Ideen in MQL5 von Nutzen sein könnten.

In dieser Artikelserie analysieren wir klassische Handelsstrategien mit modernen Algorithmen, um festzustellen, ob wir die Strategie mithilfe von KI verbessern können. Im heutigen Artikel greifen wir einen klassischen Ansatz für den Handel mit dem SP500 auf, indem wir seine Beziehung zu den US-Staatsanleihen nutzen.

Der Artikel ist dem AMO-Algorithmus gewidmet, der die saisonale Migration von Tieren auf der Suche nach optimalen Bedingungen für Leben und Fortpflanzung modelliert. Zu den Hauptfunktionen von AMO gehören die Verwendung topologischer Nachbarschaften und ein probabilistischer Aktualisierungsmechanismus, der die Implementierung vereinfacht und die Flexibilität für verschiedene Optimierungsaufgaben gewährleistet.

In diesem Artikel werden wir eine andere Art von Modellen erörtern, die auf die Untersuchung der Dynamik des Umgebungszustands abzielen.

Im letzten Artikel dieser Reihe haben wir uns mit dem Atom-Motif Contrastive Transformer (AMCT) beschäftigt, der kontrastives Lernen zur Entdeckung von Schlüsselmustern auf allen Ebenen einsetzt, von grundlegenden Elementen bis hin zu komplexen Strukturen. In diesem Artikel setzen wir die Implementierung von AMCT-Ansätzen mit MQL5 fort.

Schließen Sie sich unserer heutigen Diskussion an, wenn wir nach einem algorithmischen Verfahren suchen, mit dem wir die Gesamtzahl der Ausstiege aus Gewinngeschäften minimieren können. Das Problem, mit dem wir konfrontiert waren, ist sehr schwierig, und die meisten Lösungen, die in den Diskussionen in der Gemeinschaft genannt wurden, haben keine festen Regeln. Unser algorithmischer Ansatz zur Lösung des Problems erhöhte die Rentabilität unserer Handelsgeschäft und reduzierte den durchschnittlichen Verlust pro Handelsgeschäft. Es müssen jedoch noch weitere Fortschritte gemacht werden, um alle Handelsgeschäfte, die ausgestoppt werden, vollständig herauszufiltern, aber unsere Lösung ist ein guter erster Schritt, den jeder ausprobieren kann.

Angesichts der rasanten Entwicklung der künstlichen Intelligenz sind Sprachmodelle (language models, LLMs) heute ein wichtiger Bestandteil der künstlichen Intelligenz, sodass wir darüber nachdenken sollten, wie wir leistungsstarke LLMs in unseren algorithmischen Handel integrieren können. Für die meisten Menschen ist es schwierig, diese leistungsstarken Modelle auf ihre Bedürfnisse abzustimmen, sie lokal einzusetzen und sie dann auf den algorithmischen Handel anzuwenden. In dieser Artikelserie werden wir Schritt für Schritt vorgehen, um dieses Ziel zu erreichen.

Der Artikel beschreibt einen innovativen Ansatz zur Vorhersage von Kursbewegungen auf den Finanzmärkten mit Hilfe von Quantencomputern. Das Hauptaugenmerk liegt auf der Anwendung des Algorithmus Quantum Phase Estimation (QPE), um Prototypen von Preismustern zu finden, die es Händlern ermöglichen, die Analyse von Marktdaten erheblich zu beschleunigen.

Der Artikel stellt eine Implementierung des Levenberg-Marquardt-Algorithmus für das Training von neuronalen Feedforward-Netzen vor. Es wurde eine vergleichende Analyse der Leistung mit Algorithmen aus der scikit-learn Python-Bibliothek durchgeführt. Einfachere Lernmethoden wie Gradientenabstieg, Gradientenabstieg mit Momentum und stochastischer Gradientenabstieg werden vorläufig diskutiert.

In diesem Artikel stellen wir die Implementierung mehrerer Ensemble-Lernmethoden in MQL5 vor und untersuchen ihre Wirksamkeit in verschiedenen Szenarien.

Wir setzen die im vorigen Artikel begonnene Arbeit am Aufbau des RefMask3D-Frameworks mit MQL5 fort. Dieser Rahmen wurde entwickelt, um multimodale Interaktion und Merkmalsanalyse in einer Punktwolke umfassend zu untersuchen, gefolgt von der Identifizierung des Zielobjekts auf der Grundlage einer in natürlicher Sprache gegebenen Beschreibung.

Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorpaar TRIX und Williams Percent Range vorstellten, und überlegen, wie dieses Indikatorpaar durch maschinelles Lernen erweitert werden kann. TRIX und Williams Percent sind ein Trend- und Unterstützungs-/Widerstandspaar, das sich gegenseitig ergänzt. Unser Ansatz des maschinellen Lernens verwendet ein neuronales Faltungsnetzwerk, das bei der Feinabstimmung der Prognosen dieses Indikatorpaares den Kosinus-Kernel in seine Architektur einbezieht. Wie immer wird dies in einer nutzerdefinierten Signalklassendatei durchgeführt, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.

In diesem Artikel werden wir eine erweiterte Datenvisualisierung durchführen, indem wir über einfache Charts hinausgehen und Funktionen wie Interaktivität, geschichtete Daten und dynamische Elemente einbeziehen, die es Händlern ermöglichen, Trends, Muster und Korrelationen effektiver zu untersuchen.

In diesem Artikel werden wir ein einfaches Neuron bauen. Und obwohl es einfach aussieht und viele diesen Code für völlig trivial und bedeutungslos halten mögen, möchte ich, dass Sie Spaß beim Studium dieser einfachen Skizze eines Neurons haben. Scheuen Sie sich nicht, den Code zu ändern, denn das Ziel ist es, ihn vollständig zu verstehen.

Bei der Analyse der Marktsituation unterteilen wir den Markt in einzelne Segmente und ermitteln die wichtigsten Trends. Herkömmliche Analysemethoden konzentrieren sich jedoch oft auf einen Aspekt und schränken so die richtige Wahrnehmung ein. In diesem Artikel lernen wir eine Methode kennen, die die Auswahl mehrerer Objekte ermöglicht, um ein umfassenderes und vielschichtigeres Verständnis der Situation zu gewährleisten.

Der Artikel untersucht die Möglichkeit, die Preisprognose auf der Grundlage der Analyse des Handelsvolumens zu verbessern, indem die Prinzipien der technischen Analyse mit der Architektur des neuronalen Netzes LSTM integriert werden. Besonderes Augenmerk wird auf die Erkennung und Interpretation anomaler Volumina, die Verwendung von Clustern und die Erstellung von Merkmalen auf der Grundlage von Volumina und deren Definition im Rahmen des maschinellen Lernens gelegt.

Nachrichten treiben die Finanzmärkte an, insbesondere wichtige Veröffentlichungen wie die Non-Farm Payrolls (NFP, Beschäftigung außerhalb der Landwirtschaft). Wir alle haben schon erlebt, wie eine einzige Schlagzeile starke Kursbewegungen auslösen kann. In diesem Artikel befassen wir uns mit der leistungsstarken Schnittmenge von Nachrichtendaten und künstlicher Intelligenz.

In dieser Artikelserie haben wir mehrere verschiedene Möglichkeiten zur Ermittlung der besten Periodenlänge für die Verwendung unserer technischen Indikatoren untersucht. Heute werden wir dem Leser zeigen, wie er stattdessen die umgekehrte Logik anwenden kann, d. h., anstatt die beste Periodenlänge auszuwählen, werden wir dem Leser zeigen, wie er alle verfügbaren Periodenlängen effektiv nutzen kann. Dieser Ansatz reduziert die Menge der verworfenen Daten und bietet alternative Anwendungsmöglichkeiten für Algorithmen des maschinellen Lernens, die über die normale Preisvorhersage hinausgehen.

Die „Proximal Policy Optimization“ ist ein weiterer Algorithmus des Reinforcement Learning, der die „Policy“, oft in Form eines Netzwerks, in sehr kleinen inkrementellen Schritten aktualisiert, um die Stabilität des Modells zu gewährleisten. Wir untersuchen, wie dies in einem von einem Assistenten zusammengestellten Expert Advisor von Nutzen sein könnte, wie wir es in früheren Artikeln getan haben.

Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorenpaar Ichimoku und ADX vorstellten, und untersuchen, wie dieses Duo durch überwachtes Lernen verbessert werden kann. Ichimoku und ADX sind ein Unterstützungs-/Widerstands- und komplementäres Paar bezüglich eines Trends. Unser überwachter Lernansatz verwendet ein neuronales Netzwerk, das den Deep Spectral Mixture Kernel einsetzt, um die Prognosen dieses Indikatorpaares zu verfeinern. Wie üblich erfolgt dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten zur Zusammenstellung eines Expert Advisors arbeitet.

In diesem Artikel wird ein Algorithmus für ein künstliches elektrisches Feld (AEFA) vorgestellt, der durch das Coulombsche Gesetz der elektrostatischen Kraft inspiriert ist. Der Algorithmus simuliert elektrische Phänomene, um komplexe Optimierungsprobleme mit Hilfe geladener Teilchen und ihrer Wechselwirkungen zu lösen. AEFA weist im Zusammenhang mit anderen Algorithmen, die sich auf Naturgesetze beziehen, einzigartige Eigenschaften auf.

Der Artikel stellt die Umwandlung des bekannten und beliebten ADAM-Gradientenoptimierungsverfahrens in einen Populationsalgorithmus und dessen Modifikation durch die Einführung hybrider Individuen vor. Der neue Ansatz ermöglicht die Schaffung von Agenten, die Elemente erfolgreicher Entscheidungen mit Hilfe von Wahrscheinlichkeitsverteilungen kombinieren. Die wichtigste Innovation ist die Bildung hybrider Populationen, die adaptiv Informationen aus den vielversprechendsten Lösungen sammeln und so die Effizienz der Suche in komplexen mehrdimensionalen Räumen erhöhen.

Das Deep-Q-Network ist ein Reinforcement-Learning-Algorithmus, der neuronale Netze bei der Projektion des nächsten Q-Wertes und der idealen Aktion während des Trainingsprozesses eines maschinellen Lernmoduls einsetzt. Wir haben bereits einen alternativen Verstärkungslernalgorithmus, Q-Learning, in Betracht gezogen. Dieser Artikel stellt daher ein weiteres Beispiel dafür vor, wie ein mit Reinforcement Learning trainierter MLP in einer nutzerdefinierten Signalklasse verwendet werden kann.

In diesem Artikel werden wir Methoden zur Bewertung der Modellqualität erforschen und implementieren, die einen einzigen Datensatz sowohl als Trainings- als auch als Validierungssatz verwenden.