Artikel über maschinelles Lernen im Handel.

In der vorangegangenen Arbeit haben wir die theoretischen Aspekte des PSformer-Rahmens erörtert, der zwei wichtige Neuerungen in der klassischen Transformer-Architektur beinhaltet: den Parameter-Shared (PS)-Mechanismus und die Berücksichtigung von räumlich-zeitlichen Segmenten (SegAtt). In diesem Artikel setzen wir die Arbeit fort, die wir bei der Implementierung der vorgeschlagenen Ansätze mit MQL5 begonnen haben.

Soft Actor Critic ist ein Reinforcement Learning-Algorithmus, den wir bereits in einem früheren Artikel vorgestellt haben, in dem wir auch Python und ONNX als effiziente Ansätze für das Training von Netzwerken vorgestellt haben. Wir überarbeiten den Algorithmus mit dem Ziel, Tensoren, Berechnungsgraphen, die häufig in Python verwendet werden, zu nutzen.

Möchten Sie wissen, wie Sie von den unterschiedlichen Zinssätzen profitieren können? Dieser Artikel befasst sich mit der Frage, wie man Swap-Arbitrage auf dem Forex-Markt nutzen kann, um jede Nacht einen stabilen Gewinn zu erzielen und ein Portfolio aufzubauen, das gegen Marktschwankungen resistent ist.

Sie haben vielleicht nicht bemerkt, dass die Matrixmodellierung etwas seltsam war, da nur Spalten und nicht Zeilen und Spalten angegeben wurden. Das sieht sehr seltsam aus, wenn man den Code liest, der die Matrixfaktorisierung durchführt. Wenn Sie erwartet haben, die Zeilen und Spalten aufgelistet zu sehen, könnten Sie beim Versuch, zu faktorisieren, verwirrt werden. Außerdem ist diese Matrixmodellierungsmethode nicht die beste. Denn wenn wir Matrizen auf diese Weise modellieren, stoßen wir auf einige Einschränkungen, die uns zwingen, andere Methoden oder Funktionen zu verwenden, die nicht notwendig wären, wenn die Modellierung auf eine angemessenere Weise erfolgen würde.

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.

Wir setzen unseren letzten Artikel über DDPG mit MA und stochastischen Indikatoren fort, indem wir andere Schlüsselklassen des Reinforcement Learning untersuchen, die für die Implementierung von DDPG entscheidend sind. Obwohl wir hauptsächlich in Python kodieren, wird das Endprodukt, ein trainiertes Netzwerk, als ONNX nach MQL5 exportiert, wo wir es als Ressource in einen von einem Assistenten zusammengestellten Expert Advisor integrieren.

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.

Im zweiten Teil des Artikels werden wir die Entwicklung einer modifizierten Version des AOS-Algorithmus (Atomic Orbital Search) fortsetzen und uns dabei auf bestimmte Operatoren konzentrieren, um seine Effizienz und Anpassungsfähigkeit zu verbessern. Nach einer Analyse der Grundlagen und der Mechanik des Algorithmus werden wir Ideen zur Verbesserung seiner Leistung und seiner Fähigkeit, komplexe Lösungsräume zu analysieren, diskutieren und neue Ansätze zur Erweiterung seiner Funktionalität als Optimierungswerkzeug vorschlagen.

SAMformer bietet eine Lösung für die wichtigsten Nachteile von Transformer-Modellen in der langfristigen Zeitreihenprognose, wie z. B. die Komplexität des Trainings und die schlechte Generalisierung auf kleinen Datensätzen. Die flache Architektur und die auf Schärfe ausgerichtete Optimierung helfen, suboptimale lokale Minima zu vermeiden. In diesem Artikel werden wir die Umsetzung von Ansätzen mit MQL5 fortsetzen und ihren praktischen Wert bewerten.

Wir stellen das Multi-Agent Self-Adaptive Portfolio Optimization Framework (MASAAT) vor, das Aufmerksamkeitsmechanismen und Zeitreihenanalyse kombiniert. MASAAT generiert eine Reihe von Agenten, die Preisreihen und Richtungsänderungen analysieren und so die Identifizierung signifikanter Fluktuationen in Vermögenspreisen auf verschiedenen Detailebenen ermöglichen.

In diesem Artikel implementieren wir den ARIMA-Prognose-Indikator in MQL5. Es wird untersucht, wie das ARIMA-Modell Prognosen erstellt und wie es sich auf den Devisenmarkt und den Aktienmarkt im Allgemeinen anwenden lässt. Außerdem wird erklärt, was AR-Autoregression ist, wie autoregressive Modelle für Prognosen verwendet werden und wie der Autoregressionsmechanismus funktioniert.

Wir laden Sie ein, sich mit der NAFS-Methode (Node-Adaptive Feature Smoothing) vertraut zu machen, einem nicht-parametrischen Ansatz zur Erstellung von Knotenrepräsentationen, der kein Parametertraining erfordert. NAFS extrahiert Merkmale jedes Knotens anhand seiner Nachbarn und kombiniert diese Merkmale dann adaptiv, um eine endgültige Darstellung zu erstellen.

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.

In diesem Artikel wird eine Methode zur Analyse komplexer multimodaler Interaktionen und zum Verstehen von Merkmalen erörtert.

Wir erforschen weiterhin den innovativen Chimera-Rahmen – ein zweidimensionales Zustandsraummodell, das neuronale Netzwerktechnologien zur Analyse mehrdimensionaler Zeitreihen nutzt. Diese Methode bietet eine hohe Vorhersagegenauigkeit bei geringen Rechenkosten.

Der Successful Restaurateur Algorithm (SRA) ist eine innovative Optimierungsmethode, die sich an den Prinzipien des Restaurantbetriebs orientiert. Im Gegensatz zu traditionellen Ansätzen werden bei der SRA schwache Lösungen nicht verworfen, sondern durch die Kombination mit Elementen erfolgreicher Lösungen verbessert. Der Algorithmus zeigt konkurrenzfähige Ergebnisse und bietet eine neue Perspektive für das Gleichgewicht zwischen Erkunden und Nutzen bei Optimierungsproblemen.

Dieser Artikel wirft einen neuen Blick auf eine verborgene, geometrische Fehlerquelle, die im Stillen jede Vorhersage Ihrer Modelle beeinflusst. Indem wir die Messung und Anwendung von Prognosen des maschinellen Lernens im Handel überdenken, zeigen wir, wie diese übersehene Perspektive schärfere Entscheidungen, höhere Renditen und einen intelligenteren Umgang mit Modellen, die wir bereits zu verstehen glaubten, ermöglichen kann.

In diesem Artikel werden die wichtigsten Komponenten und Innovationen des ATA-Optimierungsalgorithmus ausführlich besprochen. Dabei handelt es sich um eine evolutionäre Methode mit einem einzigartigen dualen Verhaltenssystem, das sich je nach Situation anpasst. ATA kombiniert individuelles und soziales Lernen und nutzt Crossover für Erkundungen und Migration, um Lösungen zu finden, wenn sie in lokalen Optima stecken.

Der Artikel befasst sich mit einem neuen Populationsoptimierungsalgorithmus – dem Cyclic Parthenogenesis Algorithm (CPA), der von der einzigartigen Fortpflanzungsstrategie von Blattläusen inspiriert ist. Der Algorithmus kombiniert zwei Fortpflanzungsmechanismen – Parthenogenese und sexuelle Fortpflanzung – und nutzt auch die koloniale Struktur der Population mit der Möglichkeit der Migration zwischen Kolonien. Die wichtigsten Merkmale des Algorithmus sind der adaptive Wechsel zwischen verschiedenen Fortpflanzungsstrategien und ein System des Informationsaustauschs zwischen den Kolonien durch den Flugmechanismus.

Der gleitende Durchschnitt und der Stochastik-Oszillator sind sehr gebräuchliche Indikatoren, deren kollektive Muster wir im vorangegangenen Artikel mittels eines überwachten Lernnetzwerks untersucht haben, um zu sehen, welche „Muster haften bleiben“ würden. Wir gehen mit unseren Analysen aus diesem Artikel noch einen Schritt weiter, indem wir die Auswirkungen des Reinforcement Learnings auf die Leistung untersuchen, wenn es mit diesem trainierten Netz eingesetzt wird. Die Leser sollten beachten, dass sich unsere Tests auf ein sehr begrenztes Zeitfenster beziehen. Nichtsdestotrotz nutzen wir weiterhin die minimalen Programmieranforderungen, die der MQL5-Assistent bietet, um dies zu zeigen.

Im letzten Beitrag haben wir die Paarung von Gator-Oszillator und Akkumulations-/Distributions-Oszillator in ihrer typischen Einstellung der von ihnen erzeugten Rohsignale betrachtet. Diese beiden Indikatoren sind als Trend- bzw. Volumenindikatoren zu verstehen. Im Anschluss an diesen Teil untersuchen wir die Auswirkungen, die das überwachte Lernen auf die Verbesserung einiger der von uns untersuchten Merkmalsmuster haben kann. Unser überwachter Lernansatz ist ein CNN, der mit Kernelregression und Skalarproduktähnlichkeit arbeitet, um seine Kernel und Kanäle zu dimensionieren. Wie immer tun wir dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.

Der LSEAttention-Rahmen bietet Verbesserungen der Transformer-Architektur. Es wurde speziell für langfristige multivariate Zeitreihenprognosen entwickelt. Die von den Autoren der Methode vorgeschlagenen Ansätze können angewandt werden, um Probleme des Entropiekollapses und der Lerninstabilität zu lösen, die bei einem einfachen Transformer häufig auftreten.

Replay-Puffer sind beim Reinforcement Learning besonders wichtig bei Off-Policy-Algorithmen wie DQN oder SAC. Damit wird das Sampling-Verfahren dieses Speicherpuffers in den Mittelpunkt gerückt. Während bei den Standardoptionen von SAC beispielsweise eine zufällige Auswahl aus diesem Puffer verwendet wird, wird bei den priorisierten Erfahrungswiederholungspuffern eine Feinabstimmung vorgenommen, indem eine Auswahl aus dem Puffer auf der Grundlage eines TD-Scores erfolgt. Wir gehen auf die Bedeutung des Reinforcement Learning ein und untersuchen wie immer nur diese Hypothese (nicht die Kreuzvalidierung) in einem von einem Assistenten zusammengestellten Expert Advisor.

In dieser Diskussion stellen wir den klassischen Ansatz der Zeitreihen-Kreuzvalidierung modernen Alternativen gegenüber, die seine Grundannahmen in Frage stellen. Wir zeigen die wichtigsten blinden Flecken der traditionellen Methode auf – insbesondere ihr Versagen, die sich verändernden Marktbedingungen zu berücksichtigen. Um diese Lücken zu schließen, führen wir die Effective Memory Cross-Validation (EMCV) ein, einen domänenspezifischen Ansatz, der die lange gehegte Annahme in Frage stellt, dass mehr historische Daten immer die Leistung verbessern.