Artikel über maschinelles Lernen im Handel.
Erstellen von KI-basierten Handelsrobotern: native Integration der Bibliotheken für Python, Matrizen und Vektoren, Mathematik und Statistik und vieles mehr.
Finden Sie heraus, wie Sie maschinelles Lernen im Handel einsetzen können. Neuronen, Perzeptronen, Faltungs- und rekurrente Netze, Vorhersagemodelle – beginnen Sie mit den Grundlagen und arbeiten Sie sich bis zur Entwicklung Ihrer eigenen KI vor. Sie lernen, wie man neuronale Netze für den algorithmischen Handel auf Finanzmärkten trainiert und anwendet.
Neuer Artikel
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Integrieren Sie Ihr eigenes LLM in EA (Teil 5): Handelsstrategie mit LLMs entwickeln und testen (III) – Adapter-Tuning
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.
Algorithmus für eine auf künstlichen Ökosystemen basierende Optimierung (AEO)
Der Artikel befasst sich mit einem metaheuristischen AEO-Algorithmus (Artificial Ecosystem-based Optimization), der Interaktionen zwischen Ökosystemkomponenten simuliert, indem er eine anfängliche Lösungspopulation erstellt und adaptive Aktualisierungsstrategien anwendet, und beschreibt im Detail die Phasen des AEO-Betriebs, einschließlich der Verbrauchs- und Zersetzungsphasen, sowie verschiedene Agentenverhaltensstrategien. Der Artikel stellt die Merkmale und Vorteile dieses Algorithmus vor.
Neuronale Netze im Handel: Maskenfreier Ansatz zur Vorhersage von Preisentwicklungen
In diesem Artikel wird die Methode MAFT (Mask-Attention-Free Transformer) und ihre Anwendung im Bereich des Handels diskutiert. Im Gegensatz zu herkömmlichen Transformer, die bei der Verarbeitung von Sequenzen eine Datenmaskierung erfordern, optimiert MAFT den Aufmerksamkeitsprozess, indem es die Maskierung überflüssig macht und so die Rechenleistung erheblich verbessert.
Neuronale Netze im Handel: Kontrollierte Segmentierung (letzter Teil)
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.
Neuronale Netze leicht gemacht (Teil 97): Modelle mit MSFformer trainieren
Bei der Erforschung verschiedener Modellarchitekturen wird dem Prozess des Modelltrainings oft nicht genügend Aufmerksamkeit geschenkt. In diesem Artikel möchte ich diese Lücke schließen.
Neuronale Netze im Handel: Verringerung des Speicherverbrauchs mit der Adam-mini-Optimierung
Eine der Möglichkeiten zur Steigerung der Effizienz des Modelltrainings und des Konvergenzprozesses ist die Verbesserung der Optimierungsmethoden. Adam-mini ist eine adaptive Optimierungsmethode, die den grundlegenden Adam-Algorithmus verbessern soll.
Neuronale Netze im Handel: Punktwolkenanalyse (PointNet)
Die direkte Analyse von Punktwolken vermeidet unnötiges Datenwachstum und verbessert die Leistung von Modellen bei Klassifizierungs- und Segmentierungsaufgaben. Solche Ansätze zeigen eine hohe Leistungsfähigkeit und Robustheit gegenüber Störungen in den Originaldaten.
Wechselseitige Information als Kriterium für die schrittweise Auswahl von Merkmalen
In diesem Artikel stellen wir eine MQL5-Implementierung der schrittweisen Merkmalsauswahl vor, die auf der wechselseitigen Information zwischen einer optimalen Prädiktorenmenge und einer Zielvariablen basiert.
Artificial Showering Algorithm (ASHA)
Der Artikel stellt den Künstlichen Duschalgorithmus (ASHA) vor, eine neue metaheuristische Methode, die für die Lösung allgemeiner Optimierungsprobleme entwickelt wurde. Auf der Grundlage der Simulation von Wasserfluss- und Akkumulationsprozessen konstruiert dieser Algorithmus das Konzept eines idealen Feldes, in dem jede Einheit der Ressource (Wasser) aufgerufen ist, eine optimale Lösung zu finden. Wir werden herausfinden, wie ASHA Fließ- und Akkumulationsprinzipien anpasst, um Ressourcen in einem Suchraum effizient zuzuweisen, und seine Implementierung und Testergebnisse sehen.
Hidden Markov Modelle für trendfolgende Volatilitätsprognosen
Hidden Markov Modelle (HMM) sind leistungsstarke statistische Instrumente, die durch die Analyse beobachtbarer Kursbewegungen die zugrunde liegenden Marktzustände identifizieren. Im Handel verbessern HMM die Volatilitätsprognose und liefern Informationen für Trendfolgestrategien, indem sie Marktverschiebungen modellieren und antizipieren. In diesem Artikel stellen wir das vollständige Verfahren zur Entwicklung einer Trendfolgestrategie vor, die HMM zur Prognose der Volatilität als Filter einsetzt.
Merkmalsauswahl und Dimensionenreduktion mit Hilfe von Hauptkomponenten
Der Artikel befasst sich mit der Implementierung eines modifizierten Algorithmus der „Forward Selection Component Analysis“, der sich auf die von Luca Puggini und Sean McLoone in „Forward Selection Component Analysis: Algorithms and Applications“ vorgestellte Forschung stützt.
Atmosphere Clouds Model Optimization (ACMO): Die Praxis
In diesem Artikel werden wir uns weiter mit der Implementierung des ACMO-Algorithmus (Atmospheric Cloud Model Optimization) beschäftigen. Wir werden insbesondere zwei Schlüsselaspekte erörtern: die Bewegung von Wolken in Tiefdruckgebiete und die Regensimulation, einschließlich der Initialisierung von Tröpfchen und ihrer Verteilung auf die Wolken. Wir werden uns auch mit anderen Methoden befassen, die eine wichtige Rolle bei der Verwaltung des Zustands von Wolken und der Gewährleistung ihrer Interaktion mit der Umwelt spielen.
Neuronales Netz in der Praxis: Das erste Neuron
In diesem Artikel beginnen wir damit, etwas Einfaches und Bescheidenes zu bauen: ein Neuron. Wir werden es mit einer sehr kleinen Menge an MQL5-Code programmieren. Das Neuron hat in meinen Tests hervorragend funktioniert. Gehen wir in dieser Artikelserie über neuronale Netze ein wenig zurück, um zu verstehen, wovon ich spreche.
Gating-Mechanismen beim Ensemblelernen
In diesem Artikel setzen wir unsere Untersuchung von Ensemblemodellen fort, indem wir das Konzept der Gates erörtern, insbesondere wie sie bei der Kombination von Modellergebnissen nützlich sein können, um entweder die Vorhersagegenauigkeit oder die Modellgeneralisierung zu verbessern.
Neuronale Netze im Handel: Hierarchisches Lernen der Merkmale von Punktwolken
Wir untersuchen weiterhin Algorithmen zur Extraktion von Merkmalen aus einer Punktwolke. In diesem Artikel werden wir uns mit den Mechanismen zur Steigerung der Effizienz der PointNet-Methode vertraut machen.
Ensemble-Methoden zur Verbesserung von Klassifizierungsaufgaben in MQL5
In diesem Artikel stellen wir die Implementierung mehrerer Ensemble-Klassifikatoren in MQL5 vor und erörtern ihre Wirksamkeit in verschiedenen Situationen.
Atmosphere Clouds Model Optimization (ACMO): Theorie
Der Artikel ist dem metaheuristischen Algorithmus der Optimierung des Atmosphärenwolkenmodells (ACMO) gewidmet, der das Verhalten von Wolken simuliert, um Optimierungsprobleme zu lösen. Der Algorithmus nutzt die Prinzipien der Wolkenerzeugung, -bewegung und -ausbreitung und passt sich den „Wetterbedingungen“ im Lösungsraum an. Der Artikel zeigt, wie die meteorologische Simulation des Algorithmus optimale Lösungen in einem komplexen Möglichkeitsraum findet, und beschreibt detailliert die Phasen des ACMO-Betriebs, einschließlich der Vorbereitung des „Himmels“, der Wolkenentstehung, der Wolkenbewegung und der Regenkonzentration.
Generative Adversarial Networks (GANs) für synthetische Daten in der Finanzmodellierung (Teil 2): Erstellen eines synthetischen Symbols für Tests
In diesem Artikel erstellen wir ein synthetisches Symbol mit Hilfe eines Generative Adversarial Network (GAN), das realistische Finanzdaten generiert, die das Verhalten tatsächlicher Marktinstrumente, wie z. B. EURUSD, nachahmen. Das GAN-Modell lernt Muster und Volatilität aus historischen Marktdaten und erstellt synthetische Preisdaten mit ähnlichen Merkmalen.
Neuronale Netze im Handel: Transformer für die Punktwolke (Pointformer)
In diesem Artikel geht es um Algorithmen für die Verwendung von Aufmerksamkeitsmethoden zur Lösung von Problemen bei der Erkennung von Objekten in einer Punktwolke. Die Erkennung von Objekten in Punktwolken ist für viele reale Anwendungen wichtig.
Anwendung der lokalisierten Merkmalsauswahl in Python und MQL5
In diesem Artikel wird ein Algorithmus zur Merkmalsauswahl untersucht, der in dem Artikel „Local Feature Selection for Data Classification“ von Narges Armanfard et al. Der Algorithmus ist in Python implementiert, um binäre Klassifizierungsmodelle zu erstellen, die in MetaTrader 5-Anwendungen für Inferenzen integriert werden können.
Tabu Search (TS)
Der Artikel behandelt den Algorithmus Tabu Search, eine der ersten und bekanntesten metaheuristischen Methoden. Wir werden die Funktionsweise des Algorithmus im Detail durchgehen, beginnend mit der Auswahl einer Anfangslösung und der Untersuchung benachbarter Optionen, wobei der Schwerpunkt auf der Verwendung einer Tabu-Liste liegt. Der Artikel behandelt die wichtigsten Aspekte des Algorithmus und seine Merkmale.
Neuronale Netze im Handel: Hierarchische Vektortransformer (HiVT)
Wir laden Sie ein, die Methode Hierarchical Vector Transformer (HiVT) kennenzulernen, die für die schnelle und genaue Vorhersage von multimodalen Zeitreihen entwickelt wurde.
Optimierung mit der bakteriellen Chemotaxis (BCO)
Der Artikel stellt die ursprüngliche Version des Algorithmus zur Optimierung der bakteriellen Chemotaxis (BCO) und seine modifizierte Version vor. Wir werden uns alle Unterschiede genauer ansehen, mit besonderem Augenmerk auf die neue Version von BCOm, die den Mechanismus der bakteriellen Bewegung vereinfacht, die Abhängigkeit von der Positionsgeschichte verringert und einfachere mathematische Verfahren verwendet als die rechenintensive Originalversion. Wir werden auch die Tests durchführen und die Ergebnisse zusammenfassen.