取引における機械学習に関する記事

icon

AIベースの取引ロボットの作成: ネイティブPythonとの統合、行列とベクトル、数学と統計のライブラリなど

取引に機械学習を使用する方法をご覧ください。ニューロン、パーセプトロン、畳み込みネットワークと再帰型ネットワーク、予測モデルなどの基本から始めて、独自のAIの開発に取り組みます。金融市場でのアルゴリズム取引のためにニューラル ネットワークを訓練して適用する方法を学びます。

新しい記事を追加
最新 | ベスト
preview
取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(主要構成要素)

取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(主要構成要素)

GinARフレームワークの主要構成要素の新たな実装例を紹介します。GinARは、グラフ構造時系列のデータを扱うための適応型アルゴリズムです。 そのアーキテクチャに加え、順伝播と誤差逆伝播のアルゴリズムを段階的に詳しく解説します。
preview
取引におけるニューラルネットワーク:インテリジェントな予測パイプライン(Time-MoE)

取引におけるニューラルネットワーク:インテリジェントな予測パイプライン(Time-MoE)

時系列予測タスク向けに適応された最新のTime-MoEフレームワークを詳しく見ていきましょう。 アーキテクチャの主要な構成要素を段階的に実装しながら、随所で解説と実践的な例を紹介します。 このアプローチにより、モデルの仕組みを理解するだけでなく、その原理を実際の取引シナリオに応用することも可能になります。
preview
取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(GinAR)

取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(GinAR)

GinARフレームワークを用いた、欠損データを含む時系列予測への革新的なアプローチを紹介します。 本記事では、高い処理性能を実現するため、OpenCLを用いて主要な構成要素を実装する方法を解説します。 次回の記事では、これらのソリューションをMQL5に統合する方法について詳しく取り上げます。 これにより、実際の取引においてこの手法をどのように活用できるかを理解しやすくなるでしょう。
preview
取引におけるニューラルネットワーク:適応的周期セグメンテーション(最終回)

取引におけるニューラルネットワーク:適応的周期セグメンテーション(最終回)

LightGTSの刺激的な世界へぜひ飛び込んでみてください。LightGTSは、時系列予測のための軽量かつ強力なフレームワークです。適応型畳み込みやRoPEによるエンコーディングを、革新的なAttentionメカニズムと組み合わせています。 本記事では、パッチの生成からDecoder内の複雑な混合エキスパートに至るまで、MQL5プロジェクトに組み込めるすべてのコンポーネントを詳しく解説します。 LightGTSが自動売買をいかにして全く新しい次元へと引き上げるのかをぜひご覧ください。
preview
取引におけるニューラルネットワーク:Temporal Queryモデル(TQNet)

取引におけるニューラルネットワーク:Temporal Queryモデル(TQNet)

TQNetフレームワークは、モジュール性、柔軟性、高い処理性能を兼ね備え、金融時系列データのモデリングと予測に新たな可能性を切り開きます。 高度なパラメータ初期化手法も含め、大域的な相関関係を捉えるための複雑なメカニズムを実装する可能性について考察します。
preview
決闘者アルゴリズム

決闘者アルゴリズム

もし、あなたの取引戦略が、実際の格闘家のように互いに学び合えるとしたら、どうでしょうか。 決闘者アルゴリズムは、取引システムのパラメータ同士が、文字どおり「最良」と呼ばれる権利を懸けて決闘する、新しい最適化手法です。
preview
取引におけるニューラルネットワーク:確率的時系列予測(最終回)

取引におけるニューラルネットワーク:確率的時系列予測(最終回)

K²VAEフレームワークの概要と、提案された手法を取引システムにどのように統合できるかについて解説します。 Koopman–Kalman–VAEを組み合わせたハイブリッドアプローチが、適応性と解釈可能性を備えたモデルの構築にどのように役立つのかを紹介します。 最後に、実装した手法を用いて得られた実践的な成果についても取り上げます。
preview
取引におけるニューラルネットワーク:構造成分の分離(SCNN)

取引におけるニューラルネットワーク:構造成分の分離(SCNN)

データを長期成分、季節成分、短期成分、残差成分に明確に分解することで、時系列分析を新たな段階へと引き上げる革新的なSCNNフレームワークをご紹介します。 このアプローチでは、モデルが複雑かつ変化し続ける市場の動向に適応できるため、予測精度の大幅な向上が期待できます。
preview
取引におけるニューラルネットワーク:構造成分の分離(Encoder)

取引におけるニューラルネットワーク:構造成分の分離(Encoder)

柔軟性と解釈可能性を兼ね備え、時系列データの構造成分を精密に特定できるSCNN(Structured Component Neural Network:構造成分ニューラルネットワーク)フレームワークの実装に向けた次のステップを解説します。 市場環境の変化に対するモデルの頑健性を支える、適応的正規化とAttention機構の仕組みについて詳しく解説します。
preview
取引におけるニューラルネットワーク:確率的時系列予測(Encoder)

取引におけるニューラルネットワーク:確率的時系列予測(Encoder)

時系列解析における、従来の手法と最新のニューラルネットワークを融合した新たなアプローチを紹介します。 K²VAEモデルのアーキテクチャと動作原理について詳しく解説します。
preview
取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(HimNet)

取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(HimNet)

時空間適応の柔軟性と高い計算効率を兼ね備えたHimNetフレームワークをご紹介します。このフレームワークは、金融時系列データの高精度かつ安定した予測を可能にします。 主要な構成要素がどのように連携し、複雑なアルゴリズムを実用的で扱いやすいアーキテクチャへと落とし込んでいるのかを詳しく解説します。
preview
取引におけるニューラルネットワーク:スケーリングの代わりに分解する(最終回)

取引におけるニューラルネットワーク:スケーリングの代わりに分解する(最終回)

時系列データを意味のある層に分解し、それらを活用して簡潔なモデルを構築するアルゴリズムをご紹介します。 そのアーキテクチャからMQL5/OpenCLによる具体的な実装、過去の市場データを用いた実証テストまで、体系的に解説します。
preview
取引におけるニューラルネットワーク:構造成分の分離(最終回)

取引におけるニューラルネットワーク:構造成分の分離(最終回)

SCNNアーキテクチャについて詳しく解説するとともに、MQL5を用いた実装方法の一例を紹介します。 特に、時系列分解をニューラルネットワークの手法やAttention機構と組み合わせる方法について説明します。
preview
取引におけるニューラルネットワーク:スケーリングの代わりに分解する(SSCNN)

取引におけるニューラルネットワーク:スケーリングの代わりに分解する(SSCNN)

精度、構造化された設計、高い計算効率を兼ね備えた、時系列分析のための最新アーキテクチャであるSSCNNフレームワークについて解説します。 理論的な側面を体系的に検討し、従来の手法との主な相違点を明らかにした上で、MQL5環境における基本コンポーネントの実装に着手します。
preview
取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(最終回)

取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(最終回)

時系列予測のためのニューラルネットワークフレームワークであるGinARフレームワークに関する連載の最終回です。 新たなデータを用いたモデルのテスト結果を分析し、実際の市場環境における頑健性を評価します。
preview
取引におけるニューラルネットワーク:インテリジェントな予測パイプライン(最終回)

取引におけるニューラルネットワーク:インテリジェントな予測パイプライン(最終回)

SwiGLU埋め込みによって隠れた市場パターンがどのように明らかになるのか、また、Decoder専用Transformer内のスパースな混合エキスパート(MoE)によって、妥当な計算コストを維持しながら予測精度をどのように高められるのかを詳しく紹介します。 Time-MoEのMQL5およびOpenCLへの統合について掘り下げ、モデルの設定と学習の手順を順を追って解説します。
preview
取引におけるニューラルネットワーク:適応的周期セグメンテーション(トークンの生成)

取引におけるニューラルネットワーク:適応的周期セグメンテーション(トークンの生成)

金融時系列の適応的な分析という刺激的な世界へ、ぜひ一緒に踏み出しましょう。複雑なスペクトル解析や柔軟な畳み込みを、実際の売買シグナルへと変換する方法を紹介します。 LightGTSが可変ウィンドウのストライドを通じて市場のリズムを捉え、その変化にどのように適応するのか、そしてOpenCLによる高速化が、計算処理を収益につながる意思決定への近道に変える仕組みを見ていきます。
preview
取引におけるニューラルネットワーク:スケーリングの代わりに分解する(構成モジュール)

取引におけるニューラルネットワーク:スケーリングの代わりに分解する(構成モジュール)

断片化された時系列データを処理できる次世代アーキテクチャ、SSCNNについて、引き続き実践的な検証を進めていきます。 やみくもに規模を拡大するのではなく、適切なモジュール化、細部への配慮、そして目的に応じた正規化を重視します。 MQL5環境で計算ブロックを一つずつ構築し、信頼性の高い予測分析の基盤を築いていきます。
preview
取引におけるニューラルネットワーク:あらゆる相場環境におけるロバストな売買シグナル(ST-Expert)

取引におけるニューラルネットワーク:あらゆる相場環境におけるロバストな売買シグナル(ST-Expert)

時系列データにおける局所的および全体的な依存関係を考慮することで、市場の不確実性下においても予測の頑健性を確保するST-Expertフレームワークについて解説します。 その柔軟なアーキテクチャにより、モデルの適応性が向上し、予測の精度が高まります。
preview
取引におけるニューラルネットワーク:あらゆる市場レジームで頑健な売買シグナル(Attentionモジュール)

取引におけるニューラルネットワーク:あらゆる市場レジームで頑健な売買シグナル(Attentionモジュール)

この記事では、ST-Expertフレームワークの手法の実装を継続し、MQL5を用いた実践的な適用方法に焦点を当てていきます。 これまで、このモデルの理論的基礎と主要な構成要素について検討してきましたが、ここからは、Graph Attentionのアルゴリズムと、局所Attention分布および大域Attention分布を実際に扱っていきます。 本稿の主な目的は、ST-Expertの概念的なアイデアが、金融時系列の分析および予測に向けた実用的なソリューションへとどのように具現化されるかを示すことです。