Artikel über maschinelles Lernen im Handel.

In dieser Artikelserie nehmen wir klassische Strategien unter die Lupe, um zu sehen, ob wir sie mithilfe von KI verbessern können. Im heutigen Artikel werden wir die beliebte Strategie der Analyse mehrerer Zeitrahmen untersuchen, um zu beurteilen, ob die Strategie durch KI verbessert werden kann.

Heute werden wir Ihnen zeigen, wie Sie KI-gestützte Handelsanwendungen entwickeln können, die aus ihren eigenen Fehlern lernen. Wir werden eine Technik demonstrieren, die als Stacking bekannt ist und bei der wir 2 Modelle verwenden, um eine Vorhersage zu treffen. Das erste Modell ist in der Regel ein schwächerer Lerner, und das zweite Modell ist in der Regel ein leistungsfähigeres Modell, das die Residuen unseres schwächeren Lerners lernt. Unser Ziel ist es, ein Ensemble von Modellen zu erstellen, um hoffentlich eine höhere Genauigkeit zu erreichen.

In diesem Artikel stellen wir eine Methode zur Segmentierung von 3D-Objekten vor, die auf dem Superpoint Transformer (SPFormer) basiert und bei der die Notwendigkeit einer zwischengeschalteten Datenaggregation entfällt. Dadurch wird der Segmentierungsprozess beschleunigt und die Leistung des Modells verbessert.

Der Artikel stellt den Algorithmus der Afrikanische Büffel-Optimierung (ABO) vor, einen metaheuristischen Ansatz, der 2015 auf der Grundlage des einzigartigen Verhaltens dieser Tiere entwickelt wurde. Der Artikel beschreibt im Detail die Phasen der Implementierung des Algorithmus und seine Effizienz bei der Lösung komplexer Probleme, was ihn zu einem wertvollen Werkzeug im Bereich der Optimierung macht.

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.

Dieser Artikel enthält eine umfassende Anleitung zur Implementierung eines ausgeklügelten Handelssystems unter Verwendung der Kausalitätsnetzwerkanalyse (Causality Network Analysis, CNA) und der Vektorautoregression (VAR) in MQL5. Es deckt den theoretischen Hintergrund dieser Methoden ab, bietet detaillierte Erklärungen der Schlüsselfunktionen im Handelsalgorithmus und enthält Beispielcode für die Implementierung.

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.

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.

SARSA, eine Abkürzung für State-Action-Reward-State-Action, ist ein weiterer Algorithmus, der bei der Implementierung von Reinforcement Learning verwendet werden kann. Wie bei Q-Learning und DQN haben wir also untersucht, wie dies als unabhängiges Modell und nicht nur als Trainingsmechanismus in assistentengestützten Expert Advisors implementiert werden kann.

Heute werden wir die Möglichkeiten der Einbindung mehrerer Strategien in einen Expert Advisor (EA) mit MQL5 untersuchen. Expert Advisors bieten umfassendere Funktionen als nur Indikatoren und Skripte und ermöglichen anspruchsvollere Handelsansätze, die sich an veränderte Marktbedingungen anpassen können. Mehr dazu finden Sie in der Erörterung dieses Artikels.

Die Erkennung von Mustern auf den Finanzmärkten ist eine Herausforderung, denn dazu muss man sehen, was auf dem Chart zu sehen ist, und das ist in MQL5 aufgrund der Bildbeschränkungen schwierig zu bewerkstelligen. In diesem Artikel werden wir ein anständiges Modell in Python besprechen, das uns hilft, mit minimalem Aufwand Muster im Chart zu erkennen.

Die Lernrate ist eine Schrittgröße in Richtung eines Trainingsziels in den Trainingsprozessen vieler maschineller Lernalgorithmen. Wir untersuchen die Auswirkungen, die die vielen Zeitpläne und Formate auf die Leistung eines Generative Adversarial Network haben können, eine Art neuronales Netz, das wir in einem früheren Artikel untersucht haben.

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.

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.

In diesem Artikel werden wir uns den Mersenne-Twister-Zufallszahlengenerator ansehen und ihn mit dem Standardgenerator in MQL5 vergleichen. Wir werden auch herausfinden, welchen Einfluss die Qualität des Zufallszahlengenerators auf die Ergebnisse der Optimierungsalgorithmen hat.

In diesem Artikel möchte ich Ihnen eine neue komplexe Methode zur Zeitreihenprognose vorstellen, die die Vorteile von linearen Modellen und Transformer harmonisch vereint.

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.

Die Kategorientheorie ist ein vielfältiger und expandierender Zweig der Mathematik, der in der MQL-Gemeinschaft noch relativ unentdeckt ist. In dieser Artikelserie sollen einige der Konzepte vorgestellt und untersucht werden, mit dem übergeordneten Ziel, eine offene Bibliothek einzurichten, die Einblicke gewährt und hoffentlich die Nutzung dieses bemerkenswerten Bereichs für die Strategieentwicklung von Händlern fördert.

In der Welt der Big Data gibt es Millionen von alternativen Datensätzen, die das Potenzial haben, unsere Handelsstrategien zu verbessern. In dieser Artikelserie werden wir Ihnen helfen, die informativsten öffentlichen Datensätze zu finden.

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.

Die künstliche, kooperative Suche (Artificial Cooperative Search, ACS) ist eine innovative Methode, bei der eine binäre Matrix und mehrere dynamische Populationen auf der Grundlage von wechselseitigen Beziehungen und Kooperation verwendet werden, um schnell und genau optimale Lösungen zu finden. Der einzigartige Ansatz von ACS in Bezug auf Räuber und Beute ermöglicht es, hervorragende Ergebnisse bei numerischen Optimierungsproblemen zu erzielen.

Dieser Teil befasst sich mit fortgeschrittenen Techniken zur Integration von MQL5 mit leistungsstarken Datenverarbeitungswerkzeugen und konzentriert sich auf den effizienten Umgang mit Big Data zur Verbesserung der Handelsanalyse und Entscheidungsfindung.

Wir fahren fort mit der Analyse und Vorhersage von Zeitreihen im Frequenzbereich. In diesem Artikel machen wir uns mit einer neuen Methode zur Vorhersage von Daten im Frequenzbereich vertraut, die zu vielen der bisher untersuchten Algorithmen hinzugefügt werden kann.

In diesem Artikel werden wir den Künstlichen Bienenstockalgorithmus (ABHA) weiter erforschen, indem wir in den Code eintauchen und die übrigen Methoden betrachten. Wie Sie sich vielleicht erinnern, wird jede Biene in diesem Modell als individueller Agent dargestellt, dessen Verhalten von internen und externen Informationen sowie von seinem Motivationszustand abhängt. Wir werden den Algorithmus an verschiedenen Funktionen testen und die Ergebnisse in der Bewertungstabelle zusammenfassen.

Die Entdeckung einer neuen Welt des automatisierten Handels mit 3D-Bars. Wie sieht ein Handelsroboter auf mehrdimensionalen Preisbalken aus? Sind „gelbe“ Cluster von 3D-Balken in der Lage, Trendumkehrungen vorherzusagen? Wie sieht der multidimensionale Handel aus?

Das Verständnis des Agentenverhaltens ist in vielen verschiedenen Bereichen wichtig, aber die meisten Methoden konzentrieren sich nur auf eine der Aufgaben (Verstehen, Rauschunterdrückung oder Vorhersage), was ihre Effektivität in realen Szenarien verringert. In diesem Artikel werden wir uns mit einem Modell vertraut machen, das sich an die Lösung verschiedener Probleme anpassen lässt.

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 stellen wir eine modifizierte Version der schrittweisen Merkmalsauswahl vor, die in MQL5 implementiert ist. Dieser Ansatz basiert auf den Techniken, die in „Modern Data Mining Algorithms in C++ and CUDA C“ von Timothy Masters beschrieben sind.

Long Short-Term Memory (LSTM) ist eine Art rekurrentes neuronales Netz (RNN), das für die Modellierung sequenzieller Daten entwickelt wurde, indem es langfristige Abhängigkeiten effektiv erfasst und das Problem des verschwindenden Gradienten löst. In diesem Artikel werden wir untersuchen, wie LSTM zur Vorhersage zukünftiger Trends eingesetzt werden kann, um die Leistung von Trendfolgestrategien zu verbessern. Der Artikel behandelt die Einführung von Schlüsselkonzepten und die Motivation hinter der Entwicklung, das Abrufen von Daten aus dem MetaTrader 5, die Verwendung dieser Daten zum Trainieren des Modells in Python, die Integration des maschinellen Lernmodells in MQL5 und die Reflexion der Ergebnisse und zukünftigen Bestrebungen auf der Grundlage von statistischem Backtesting.

Fibonacci-Retracements sind ein beliebtes Instrument der technischen Analyse, das Händlern hilft, potenzielle Umkehrzonen zu identifizieren. In diesem Artikel werden wir untersuchen, wie diese Retracement-Levels in Zielvariablen für maschinelle Lernmodelle umgewandelt werden können, damit diese den Markt mit Hilfe dieses leistungsstarken Tools besser verstehen können.

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.

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.

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).

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.

Dieser Artikel befasst sich mit der leistungsfähigen Rolle der Matrixfaktorisierung im algorithmischen Handel, insbesondere in MQL5-Anwendungen. Von Regressionsmodellen bis hin zu Multi-Target-Klassifikatoren gehen wir durch praktische Beispiele, die zeigen, wie einfach diese Techniken mit Hilfe von integrierten MQL5-Funktionen integriert werden können. Ganz gleich, ob Sie die Kursrichtung vorhersagen oder das Verhalten von Indikatoren modellieren wollen, dieser Leitfaden schafft eine solide Grundlage für den Aufbau intelligenter Handelssysteme mit Hilfe von Matrixmethoden.

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.

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.