記事、ライブラリコメント

新しい記事「 MQL5とPythonで自己最適化EAを構築する 」はパブリッシュされました: この記事では、市況に基づいて取引戦略を自律的に選択変更できるエキスパートアドバイザー(EA)を構築する方法について解説します。マルコフ連鎖の基本を学び、それがアルゴリズムトレードにどのように役立つかを探っていきます。 マルコフは、完全にランダムなプロセスをモデル化する必要がある数々の問題に取り組みました。これは、市場のダイナミクスにおける予測不可能性に対処する現代の課題にも通じます。彼が定式化した「マルコフ連鎖」は、ランダムな現象を扱う際に非常に有用な枠組みです。これを直感的に理解してみましょう。

新しい記事「 時系列の非定常性の指標としての2標本コルモゴロフ–スミルノフ検定 」はパブリッシュされました: この記事では、最も有名なノンパラメトリック同質性検定の1つである2標本のコルモゴロフ–スミルノフ検定について考察します。モデルデータと実際の相場の両方が分析されています。また、この記事では非定常性指標（iスミルノフ距離）の構築例も紹介しています。

新しい記事「 パラボリックSARを使ってトレーリングストップを追加する方法 」はパブリッシュされました: 取引戦略を作成する際には、さまざまな保護ストップのオプションをテストする必要があります。その中で、価格に追随してストップロスレベルをダイナミックに引き上げる方法が考えられます。その最有力候補として、パラボリックSAR指標が挙げられます。これ以上シンプルで視覚的にわかりやすい指標はないでしょう。

新しい記事「 多通貨エキスパートアドバイザーの開発（第9回）：単一取引戦略インスタンスの最適化結果の収集 」はパブリッシュされました: EA開発の主な段階を概説しましょう。最初におこなうべき重要な作業の1つは、開発した取引戦略のインスタンスを最適化することです。最適化プロセスにおいて、テスターが通過したパスに関する必要な情報を一箇所に集約してみましょう。 基本的に、保存して使用する必要があるデータの主な種類は、複数のEAの最適化結果です。ご承知のように、ストラテジーテスターはすべての最適化結果を*.opt拡張子の別個のキャッシュファイルに記録し、テスターで再度開いたり、別のMetaTrader

新しい記事「 ニューラルネットワークが簡単に（第87回）：時系列パッチ 」はパブリッシュされました: 予測は時系列分析において重要な役割を果たします。この新しい記事では、時系列パッチの利点についてお話しします。 自然言語処理( NLP )分野で開発された Transformer アーキテクチャは、コンピュータビジョン( CV )でもその優位性を発揮し、時系列解析にも成功を収めています。特に、 Self-Attention （自己注意機構）は、時系列データの要素間の関係を自動的に識別する能力があり、効果的な予測モデルを構築する基盤となっています。

新しい記事「 ニューラルネットワークが簡単に（第86回）：U字型Transformer 」はパブリッシュされました: 時系列予測アルゴリズムの研究を続けます。この記事では、もう1つの方法であるU字型Transformerについて説明します。 長期的な時系列の予測は、取引にとって特に重要です。2017年に紹介された Transformer アーキテクチャは、自然言語処理( NLP )とコンピュータービジョン( CV )の分野で優れたパフォーマンスを発揮しました。使用されている Self-Attention

新しい記事「 ニューラルネットワークが簡単に（第85回）：多変量時系列予測 」はパブリッシュされました: この記事では、線形モデルとTransformerの長所を調和的に組み合わせた、新しい複雑な時系列予測手法を紹介します。 Client アルゴリズムの主な考え方は、時間的なAttentionから変数間の依存関係の分析に移行し、これに加えて線形モジュールを統合することで、変数間の依存関係とトレンド情報をより効果的に利用する点にあります。 Client

新しい記事「 ニューラルネットワークが簡単に（第84回）：RevIN (Reversible Normalization) 」はパブリッシュされました: 入力データの前処理がモデル訓練の安定性に大きく寄与することは、すでに広く知られています。オンラインで「生」の入力データを処理するために、バッチ正規化層が頻繁に使用されますが、時には逆の手順が求められる場合もあります。この記事では、この問題を解決するための1つのアプローチについて解説します。

新しい記事「 ブレインストーム最適化アルゴリズム(第2部）：マルチモーダリティ 」はパブリッシュされました: 記事の第2部では、BSOアルゴリズムの実用的な実装に移り、テスト関数のテストを実施し、BSOの効率を他の最適化手法と比較します。 第１部 では、ブレインストーミングにヒントを得たこの革新的な手法の基本原理を明らかにするブレインストーム最適化(BSO)アルゴリズムで最適化の世界を掘り下げました。その論理構造を学ぶとともに、クラスタリング手法であるK-MeansとK-Means++の議論にも踏み込みました。ブレインストーム最適化(BSO: Brain Storm

新しい記事「 多通貨エキスパートアドバイザーの開発（第8回）：新しいバーの負荷テストと処理 」はパブリッシュされました: 進歩に伴い、1つのEAでより多くの取引戦略インスタンスを同時に実行するようになりました。リソースの限界に達する前に、どのくらいのインスタンスが利用可能かを検討することが重要です。 最初の 記事 では、2つの取引戦略を備えたEAを開発しました。 2回目

新しい記事「 ブレインストーム最適化アルゴリズム(第1部）：クラスタリング 」はパブリッシュされました: この記事では、「ブレインストーミング」と呼ばれる現象にヒントを得た、BSO (Brain Storm Optimization)と呼ばれる革新的な最適化手法を見ていきます。また、BSO法が適用するマルチモーダル最適化問題を解くための新しいアプローチについても説明します。これにより、部分集団の数を事前に決定することなく、複数の最適解を見つけることができるのです。K-MeansとK-Means++のクラスタリング法も検討します。 ブレインストーム最適化(BSO: Brain Storm

新しい記事「 ニューラルネットワークが簡単に（第83回）：「Conformer」Spatio-Temporal Continuous Attention Transformerアルゴリズム 」はパブリッシュされました: この記事では、天気予報を目的に開発されたConformerアルゴリズムについて紹介します。天気の変動性や予測の難しさは、金融市場の動きとしばしば比較されます。Conformerは、Attentionモデルと常微分方程式の利点を組み合わせた高度な手法です。

新しい記事「 リプレイシステムの開発（第45回）：Chart Tradeプロジェクト(IV) 」はパブリッシュされました: この記事の主な目的は、C_ChartFloatingRADクラスの紹介と説明です。Chart Trade指標は、非常に興味深い方法で機能しています。チャート上のオブジェクトの数はまだ少ないものの、期待通りの機能を実現しています。指標の値は編集可能ですが、その実現方法については疑問が残るかもしれません。この記事を読めば、これらの疑問が解消されるでしょう。 前回の「 リプレイシステムの開発（第44回）：Chart Tradeプロジェクト(III) 」では、Chart

新しい記事「 因果推論における時系列クラスタリング 」はパブリッシュされました: 機械学習におけるクラスタリングアルゴリズムは、元データを類似した観察結果を持つグループに分けることができる重要な教師なし学習法です。これらのクラスタを用いることで、特定の市場クラスタを分析したり、新しいデータを基に最も安定したクラスタを探索したり、因果関係を推定したりすることが可能です。本稿では、Pythonによる時系列クラスタリングのための独自の手法を提案します。

新しい記事「 ニューラルネットワークが簡単に（第82回）：常微分方程式モデル(NeuralODE) 」はパブリッシュされました: この記事では、環境状態のダイナミクスを研究することを目的とした別のタイプのモデルについて説明します。

新しい記事「 DoEasy - サービス関数（第2回）：はらみ線パターン 」はパブリッシュされました: 今回は、引き続きDoEasyライブラリの価格パターンを見ていきましょう。また、プライスアクションフォーメーションのはらみ線パターンクラスも作成します。 引き続き時系列データに基づいて形成されたパターンを開発します。 パターン連載の最初の記事

新しい記事「 リプレイシステムの開発（第4４回）：Chart Tradeプロジェクト（III） 」はパブリッシュされました: 前回の記事では、OBJ_CHARTで使用するテンプレートデータの操作方法について解説しました。ただし、あの記事ではトピックの概要に焦点を当て、詳細な部分には触れていませんでした。これは、説明をよりシンプルにするために、非常に簡略化された手法を用いたからです。物事は一見シンプルに見えることが多いですが、実際にはそうではないケースもあり、全体を正確に理解するためには、まず最も基本的な部分をしっかり押さえる必要があります。 前回の「

新しい記事「 行列分解：基本 」はパブリッシュされました: ここでの目的は教訓を得ることなので、できるだけシンプルに話を進めたいと思います。具体的には、必要な行列の乗算だけを実装します。行列とスカラーの乗算をシミュレートするにはこれで十分であることが今日わかるでしょう。行列分解を実装する際に多くの人が直面する最大の課題は、スカラーの分解と異なり、因子の順序が結果に影響を与えるため、行列の場合はその点に注意が必要だということです。 皆さん、教育的な内容の私の新しい記事へようこそ。

新しい記事「 MQL5でのもみ合いレンジブレイクアウト戦略に基づくエキスパートアドバイザー(EA)の開発 」はパブリッシュされました: この記事では、もみ合い期間後の価格ブレイクアウトを活用したエキスパートアドバイザー(EA)の作成手順を説明します。トレーダーは、もみ合いレンジを特定し、ブレイクアウトレベルを設定することで、この戦略に基づいて取引判断を自動化できます。EAは、誤ったブレイクアウトを回避しつつ、明確なエントリポイントとエグジットポイントを提供することを目的としています。 Strategy Blueprint To easily understand the concept

新しい記事「 MQL5入門（第8回）：初心者のためのEA構築ガイド(II) 」はパブリッシュされました: この記事では、MQL5フォーラムでよく見られる初心者からの質問を取り上げ、実践的な解決策を紹介します。売買やローソク足の価格取得、取引限度額の設定、取引期間や利益/損失の閾値の管理といった基本的なタスクを自動売買で実行する方法を学びます。MQL5でのこれらの概念の理解と実装を強化するため、ステップごとのガイダンスも提供します。

新しい記事「 初心者のためのMQL5におけるファンダメンタル分析とテクニカル分析戦略の組み合わせ 」はパブリッシュされました: この記事では、トレンドフォローとファンダメンタル分析の原則を1つのエキスパートアドバイザー(EA)にシームレスに統合し、より強固な取引戦略を構築する方法について説明します。MQL5を活用して、誰でも簡単にカスタマイズされた取引アルゴリズムを作成できることを紹介します。

新しい記事「 PythonとMQL5によるポートフォリオ最適化 」はパブリッシュされました: この記事では、MetaTrader 5を使ったPythonとMQL5による高度なポートフォリオ最適化技術を紹介します。データ分析、資産配分、売買シグナル生成のためのアルゴリズム開発方法を示し、現代の金融管理やリスク軽減におけるデータ主導の意思決定の重要性を強調します。

新しい記事「 MQL5でインタラクティブなグラフィカルユーザーインターフェイスを作成する（第2回）：コントロールと応答性の追加 」はパブリッシュされました: ダイナミックな機能でMQL5のGUIパネルを強化することで、ユーザーの取引体験を大幅に向上させることができます。インタラクティブな要素、ホバー効果、リアルタイムのデータ更新を取り入れることで、パネルは現代のトレーダーにとって強力なツールとなるでしょう。

新しい記事「 データサイエンスと機械学習(第26回)：時系列予測における究極の戦い - LSTM対GRUニューラルネットワーク 」はパブリッシュされました: 前回の記事では、データの長期的な依存関係をうまく捉えられないにもかかわらず、利益を上げる戦略を構築できる単純RNNについて説明しました。この記事では、LSTM (Long-Short Term Memory)とGRU (Gated Recurrent Unit)の両方について説明します。この2つは、単純RNNの欠点を克服し、それを凌駕するために紹介されました。 LSTM (Long Short-Term Memory) とGRU

新しい記事「 MetaTrader 5のEMAクロスオーバーに基づくカスケード注文取引戦略 」はパブリッシュされました: この記事は、MetaTrader 5のEMAクロスオーバーに基づく自動化アルゴリズムのデモをガイドしています。価格帯の動作分析からリスク管理まで、MQL5のエキスパートアドバイザー(EA)を示し、MetaTrader 5でテストするためのあらゆる側面に関する詳細情報を含みます。 以下は、移動平均線と価格データをプロットしたグラフです。プロットには、価格シリーズ、高速移動平均（10日EMA）、低速移動平均（20日EMA）が含まれます。