Artikel über maschinelles Lernen im Handel.

Die Dynamic Mode Decomposition (DMD) ist eine Technik, die in der Regel auf hochdimensionale Datensätze angewendet wird. In diesem Artikel demonstrieren wir die Anwendung der DMD auf univariate Zeitreihen und zeigen, dass sie in der Lage ist, sowohl eine Reihe zu charakterisieren als auch Prognosen zu erstellen. Dabei werden wir die in MQL5 eingebaute Implementierung der Dynamic Mode Decomposition untersuchen und dabei besonderes Augenmerk auf die neue Matrixmethode DynamicModeDecomposition() legen.

Entdecken Sie, wie Sie eine kritische Schwachstelle beim maschinellen Lernen im Finanzbereich beheben können, die zu einer Überanpassung der Modelle und einer schlechten Live-Performance führt – die Gleichzeitigkeit der Kennzeichen. Bei der Verwendung der Triple-Barrier-Methode überschneiden sich die Trainingskennzeichen zeitlich, wodurch die zentrale IID-Annahme der meisten ML-Algorithmen verletzt wird. Dieser Artikel bietet eine praktische Lösung in Form einer Stichprobengewichtung. Sie werden lernen, wie man die zeitliche Überlappung zwischen Handelssignalen quantifiziert, Stichprobengewichte berechnet, die die einzigartigen Informationen jeder Beobachtung widerspiegeln, und diese Gewichte in Scikit-Learn implementiert, um robustere Klassifikatoren zu erstellen. Das Erlernen dieser grundlegenden Techniken wird Ihre Handelsmodelle robuster, zuverlässiger und profitabler machen.

Wir laden Sie ein, die Methode Hierarchical Vector Transformer (HiVT) kennenzulernen, die für die schnelle und genaue Vorhersage von multimodalen Zeitreihen entwickelt wurde.

Wir werden uns die Preisdiskretisierungsmethoden mit Python und MQL5 ansehen. In diesem Artikel werde ich meine praktischen Erfahrungen mit der Entwicklung einer Python-Bibliothek teilen, die eine breite Palette von Ansätzen zur Balkenbildung implementiert – von klassischen Volumen- und Range Bars bis hin zu exotischeren Methoden wie Renko und Kagi. Wir werden Drei-Linien-Durchbruchskerzen und Range-Bars betrachten, ihre Statistiken analysieren und versuchen zu definieren, wie die Preise sonst noch diskret dargestellt werden können.

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.

Im vorangegangenen Artikel haben wir die theoretischen Grundlagen erforscht und mit der Umsetzung der Ansätze des Systems Multitask-Stockformer begonnen, das die Wavelet-Transformation und das Self-Attention-Multitask-Modell kombiniert. Wir fahren fort, die Algorithmen dieses Rahmens zu implementieren und ihre Effektivität anhand realer historischer Daten zu bewerten.

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.

Im vorangegangenen Artikel haben wir das adaptive Multi-Agenten-System MASA vorgestellt, das Reinforcement-Learning-Ansätze und selbstanpassende Strategien kombiniert und so ein harmonisches Gleichgewicht zwischen Rentabilität und Risiko unter turbulenten Marktbedingungen ermöglicht. Wir haben die Funktionalität der einzelnen Agenten in diesem Rahmen aufgebaut. In diesem Artikel setzen wir die begonnene Arbeit fort und bringen sie zu einem logischen Abschluss.

Wir laden Sie ein, FinAgent kennenzulernen, ein multimodales Finanzhandelsagenten-Framework zur Analyse verschiedener Datentypen, die die Marktdynamik und historische Handelsmuster widerspiegeln.

Dieser Artikel zeigt auf, wie der stochastische Oszillator, ein klassischer technischer Indikator, über seine herkömmliche Verwendung als Instrument der Rückkehr zum Mittelwert hinaus umfunktioniert werden kann. Indem wir den Indikator durch eine andere analytische Linse betrachten, zeigen wir, wie vertraute Strategien neuen Wert schaffen und alternative Handelsregeln unterstützen können, einschließlich trendfolgender Interpretationen. Letztlich zeigt der Artikel auf, wie jeder technische Indikator im Terminal MetaTrader 5 ungenutztes Potenzial birgt und wie durch aufmerksames Ausprobieren sinnvolle Interpretationen aufgedeckt werden können, die nicht sichtbar sind.

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.

In dieser Studie wird eine neuartige Methodik für die Entwicklung von Trendfolgestrategien vorgestellt. In diesem Abschnitt wird der Prozess der Annotation von Trainingsdaten und deren Verwendung zum Training von Klassifikatoren beschrieben. Dieser Prozess führt zu voll funktionsfähigen Handelssystemen, die für den MetaTrader 5 entwickelt wurden.

Dieser Beitrag schließt an Teil 84 an, in dem wir die Kombination von Stochastik und Fractal Adaptive Moving Average vorgestellt haben. Wir verlagern nun den Schwerpunkt auf das Inferenzlernen, um zu sehen, ob die im letzten Artikel unterlegenen Muster eine Trendwende erfahren könnten. Der Stochastik und der FrAMA sind eine sich ergänzende Paarung von Momentum und Trend. Für unser Inferenzlernen greifen wir auf den Beta-Algorithmus eines Variational Auto Encoders zurück. Außerdem implementieren wir, wie immer, eine nutzerdefinierte Signalklasse, die für die Integration mit dem MQL5-Assistenten entwickelt wurde.

Wir laden Sie ein, einen Rahmen zu erkunden, der Wavelet-Transformationen und ein Multitasking-Selbstaufmerksamkeitsmodell kombiniert, um die Reaktionsfähigkeit und Genauigkeit von Prognosen unter volatilen Marktbedingungen zu verbessern. Die Wavelet-Transformation ermöglicht die Zerlegung der Renditen von Vermögenswerten in hohe und niedrige Frequenzen, wodurch langfristige Markttrends und kurzfristige Schwankungen sorgfältig erfasst werden.

Wir bestimmen den überkauften und überverkauften Zustand des Marktes nach der Chaostheorie: Wir integrieren die Prinzipien der Chaostheorie, der fraktalen Geometrie und der neuronalen Netze, um Finanzmärkte zu prognostizieren. Die Studie demonstriert die Verwendung des Lyapunov-Exponenten als Maß für die Zufälligkeit des Marktes und die dynamische Anpassung der Handelssignale. Die Methodik umfasst einen Algorithmus zur Erzeugung von fraktalem Rauschen, hyperbolische Tangentenaktivierung und Momentoptimierung.

Wir werden einen Quantencomputer von IBM einsetzen, um alle Möglichkeiten der Preisentwicklung zu ermitteln. Klingt nach Science Fiction? Willkommen in der Welt des Quantencomputers für den Handel!

Im vorangegangenen Artikel haben wir das adaptive System MASAAT der Multi-Agenten vorgestellt, das ein Ensemble von Agenten verwendet, um eine Kreuzanalyse von multimodalen Zeitreihen auf verschiedenen Datenskalen durchzuführen. Heute werden wir die Ansätze dieses Rahmens in MQL5 weiter umsetzen und diese Arbeit zu einem logischen Abschluss bringen.

Wir werden einen neuen Ansatz zur Markttrendanalyse betrachten, der auf einer dreidimensionalen Visualisierung und Tensoranalyse der Marktmikrostruktur basiert.

Bei der Erforschung verschiedener Modellarchitekturen wird dem Prozess des Modelltrainings oft nicht genügend Aufmerksamkeit geschenkt. In diesem Artikel möchte ich diese Lücke schließen.

Der Artikel beschreibt die Erfahrungen bei der Entwicklung eines hybriden Handelssystems, das die klassische technische Analyse mit neuronalen Netzen kombiniert. Der Autor liefert eine detaillierte Analyse der Systemarchitektur, von der grundlegenden Musteranalyse und der Struktur des neuronalen Netzes bis hin zu den Mechanismen, die den Handelsentscheidungen zugrunde liegen, und stellt echten Code und praktische Beobachtungen vor.

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.

Der Artikel stellt die Methode Big Bang – Big Crunch vor, die aus zwei Schlüsselphasen besteht: zyklische Erzeugung von Zufallspunkten und deren Komprimierung zur optimalen Lösung. Dieser Ansatz kombiniert Erkundung und Verfeinerung und ermöglicht es uns, schrittweise bessere Lösungen zu finden und neue Optimierungsmöglichkeiten zu erschließen.

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.

Wir setzen die Entwicklung des Modells von „Hidformer Hierarchical Dual-Tower Transformer“ fort, das für die Analyse und Vorhersage komplexer multivariater Zeitreihen entwickelt wurde. In diesem Artikel werden wir die Arbeit, die wir zuvor begonnen haben, zu einem logischen Abschluss bringen - wir werden das Modell an realen historischen Daten testen.

Der Artikel stellt den von den Gesetzen der Schwerkraft inspirierten Algorithmus Central Force Optimization (CFO) vor. Es wird untersucht, wie die Prinzipien der physikalischen Schwerkraft Optimierungsprobleme lösen können, bei denen „schwerere“ Lösungen weniger erfolgreiche Gegenstücke anziehen.

Die BOA-Methode ist vom klassischen Billardspiel inspiriert und simuliert die Suche nach optimalen Lösungen als ein Spiel, bei dem die Kugeln versuchen, in die Taschen zu fallen, die die besten Ergebnisse darstellen. In diesem Artikel werden wir die Grundlagen von BOA, sein mathematisches Modell und seine Effizienz bei der Lösung verschiedener Optimierungsprobleme betrachten.

Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorpaar des Awesome Oszillators und die Envelope-Kanäle vorstellten, indem wir uns ansehen, wie dieses Paar durch überwachtes Lernen verbessert werden kann. Der Awesome Oszillator und die Envelope-Kanäle sind eine Mischung aus Trendspotting und Unterstützung/Widerstand, die sich gegenseitig ergänzen. Unser überwachter Lernansatz ist ein CNN, der das Punktprodukt-Kernel mit Cross-Time-Attention einsetzt, um seine Kernel und Kanäle zu dimensionieren. Wie üblich erfolgt dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten zur Zusammenstellung eines Expert Advisors arbeitet.

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.

Der Black Hole Algorithm (BHA) nutzt die Prinzipien der Schwerkraft von Schwarzen Löchern, um Lösungen zu optimieren. In diesem Artikel werden wir uns ansehen, wie BHA die besten Lösungen findet und dabei lokale Extreme vermeidet, und warum dieser Algorithmus zu einem leistungsstarken Werkzeug für die Lösung komplexer Probleme geworden ist. Erfahren Sie, wie einfache Ideen zu beeindruckenden Ergebnissen in der Welt der Optimierung führen können.

In diesem Artikel wird ein innovativer Ansatz für die technische Analyse vorgestellt, der auf der Umwandlung von Kursbewegungen in Binärcodes beruht. Der Autor zeigt, wie verschiedene Aspekte des Marktverhaltens – von einfachen Preisbewegungen bis hin zu komplexen Mustern – in einer Folge von Nullen und Einsen kodiert werden können.