記事、ライブラリコメント - ページ 15

新しい記事「 MetaTrader 5をPostgreSQLに接続する方法 」はパブリッシュされました: この記事では、MQL5コードをPostgresデータベースに接続するための4つの方法について説明し、そのうちの1つであるREST APIの開発環境をWindows Subsystem For Linux (WSL)を使用して設定するためのステップバイステップのチュートリアルを提供します。APIのデモアプリが、データを挿入してそれぞれのテーブルにクエリを実行するための対応MQL5コード、このデータを使用するためのデモエキスパートアドバイザー(EA)とともに提供されます。 MetaTrader

新しい記事「 MQL5の圏論（第6回）：単射的引き戻しと全射的押し出し 」はパブリッシュされました: 圏論は、数学の多様かつ拡大を続ける分野であり、最近になってMQL5コミュニティである程度取り上げられるようになりました。この連載では、その概念と原理のいくつかを探索して考察することで、トレーダーの戦略開発におけるこの注目すべき分野の利用を促進することを目的としたオープンなライブラリを確立することを目指しています。 これを説明するために、積始域Y、因子始域X、因子始域A、引き戻し始域を持つ 錐

新しい記事「 MQL5を使用してローソク足パターンを検出する方法 」はパブリッシュされました: MQL5によって価格のローソク足パターンを自動的に検出する方法を学ぶ新しい記事です。 切り込み線パターン これは強気のローソク足であり、最初のローソク足が弱気で、続いて強気のローソク足が弱気のローソク足よりも低く開いてから上昇し、最初の弱気のローソク足の中点を超えて閉じるため、2本のローソク足で構成されています。次の図は、それを説明するグラフです。

新しい記事「 MQL5の圏論（第5回）等化子 」はパブリッシュされました: 圏論は、数学の多様かつ拡大を続ける分野であり、最近になってMQL5コミュニティである程度取り上げられるようになりました。この連載では、その概念と原理のいくつかを探索して考察することで、トレーダーの戦略開発におけるこの注目すべき分野の利用を促進することを目的としたオープンなライブラリを確立することを目指しています。 圏理論では、等化子は、2つの領域間の並列射のペア（またはそれ以上）の「共通の動作」を表す圏内の領域として定義されます。より正確には、2つの平行射(f, g):A -->

新しい記事「 母集団最適化アルゴリズム：電磁気的アルゴリズム(ЕМ) 」はパブリッシュされました: この記事では、様々な最適化問題において、電磁気的アルゴリズム（EM、electroMagnetism-like Algorithm）を使用する原理、方法、可能性について解説しています。EMアルゴリズムは、大量のデータや多次元関数を扱うことができる効率的な最適化ツールです。 電磁気的(ЕМ)アルゴリズムは、物理空間における電磁粒子の挙動のシミュレーションに基づく比較的新しいメタヒューリスティクス探索アルゴリズムで、 2003年にI. BirbilとS.С.Fang

新しい記事「 MQL5の圏論（第4回）：スパン、実験、合成 」はパブリッシュされました: 圏論は数学の一分野であり、多様な広がりを見せていますが、MQL5コミュニティでは今のところ比較的知られていません。この連載では、その概念のいくつかを紹介して考察することで、トレーダーの戦略開発におけるこの注目すべき分野の利用を促進することを目的としたオープンなライブラリを確立することを目指しています。

新しい記事「 自動で動くEAを作る（第12回）：自動化(IV) 」はパブリッシュされました: 自動化されたシステムをシンプルだと思う方はおそらく、それを作るために必要なことを十分に理解していないのでしょう。今回は、多くのエキスパートアドバイザー(EA)を死に至らしめる問題点についてお話します。この問題を解決するために、無差別に注文をトリガーすることが考えられます。 下の動画では、現在のシステムの構成を見ることができます。 作者: Daniel Jose

新しい記事「 自動で動くEAを作る（第11回）：自動化(III) 」はパブリッシュされました: 自動化されたシステムは、適切なセキュリティなしでは成功しません。ただし、いくつかのことをよく理解していなければ、セキュリティは保証されません。この記事では、自動化されたシステムで最大のセキュリティを達成することがなぜそれほど難しいのかを探ります。

新しい記事「 データサイエンスと機械学習（第13回）：主成分分析(PCA)で金融市場分析を改善する 」はパブリッシュされました: 主成分分析（Principal component

新しい記事「 データサイエンスと機械学習（第12回）：自己学習型ニューラルネットワークは株式市場を凌駕することができるのか？ 」はパブリッシュされました

新しい記事「 キャンバスベースのインジケーター：チャネル内を透明にする 」はパブリッシュされました: この記事では、標準ライブラリのCCanvasクラスを使用して描画されるカスタムインジケーターを作成して、座標変換のチャートプロパティを確認する方法を紹介します。特に、2本の線の間の領域を透明にする必要があるインジケーターに取り組みます。 次に、機能させるためにいくつかの小さな更新を追加します。 Redraw関数を更新して、前のインジケーターに追加されたパラメータを削除し、DrawFilling関数を追加する

新しい記事「 母集団最適化アルゴリズム：SSG（Saplings Sowing and Growing up、苗木の播種と育成） 」はパブリッシュされました: SSG（Saplings Sowing and Growing up、苗木の播種と育成）アルゴリズムは、様々な条件下で優れた生存能力を発揮する、地球上で最も回復力のある生物の1つからインスピレーションを得ています。

新しい記事「 フィボナッチによる取引システムの設計方法を学ぶ 」はパブリッシュされました: 最も人気のあるテクニカル指標を使用して取引システムを設計する方法についての連載を続けます。今回の新しいテクニカルツールはフィボナッチです。このテクニカル指標に基づいて取引システムを設計する方法を学びます。

新しい記事「 MQL5の圏論（第3回） 」はパブリッシュされました: 圏論は数学の一分野であり、多様な広がりを見せていますが、MQL5コミュニティでは今のところ比較的知られていません。この連載では、その概念のいくつかを紹介して考察することで、トレーダーの戦略開発におけるこの注目すべき分野の利用を促進することを目的としたオープンなライブラリを確立することを目指しています。

新しい記事「 MQL5行列を使用した誤差逆伝播法によるニューラルネットワーク 」はパブリッシュされました: この記事では、行列を使用してMQL5で誤差逆伝播法（バックプロパゲーション）アルゴリズムを適用する理論と実践について説明します。スクリプト、インジケータ、エキスパートアドバイザー(EA)の例とともに、既製のクラスが提示されます。 以下で説明するように、MQL5には組み込み活性化関数の大規模なセットがあります。関数は、特定の問題（回帰、分類）に基づいて選択する必要があります。通常、いくつかの関数を選択し、実験的に最適なものを見つけることができます。 良く知られている活性化関数

新しい記事「 母集団最適化アルゴリズム：ハーモニーサーチ(HS) 」はパブリッシュされました: 今回は、完璧な音のハーモニーを見つける過程に着想を得た、最も強力な最適化アルゴリズムであるハーモニーサーチ(HS)を研究し、検証してみます。私たちの評価でトップになるのはどのアルゴリズムでしょうか。

新しい記事「 MQL5でONNXモデルをアンサンブルする方法の例 」はパブリッシュされました: ONNX (Open Neural Network eXchange)は、ニューラルネットワークを表現するために構築されたオープンフォーマットです。この記事では、1つのエキスパートアドバイザー(EA)で2つのONNXモデルを同時に使用する方法を示します。

新しい記事「 MQL5でONNXモデルを使用する方法 」はパブリッシュされました: ONNX (Open Neural Network Exchange)は、機械学習モデルを表現するために構築されたオープンフォーマットです。この記事では、CNN-LSTMモデルを作成して金融時系列を予測する方法を検討します。MQL5エキスパートアドバイザー(EA)で作成されたONNXモデルを使用する方法も示します。 モデルを作成するには、次の2つの方法があります。 OnnxCreate を使用してonnxファイルからモデルを作成するか、 OnnxCreateFromBuffer

新しい記事「 ニューラルネットワークが簡単に（第36回）：関係強化学習 」はパブリッシュされました: 前回の記事で説明した強化学習モデルでは、元のデータ内のさまざまなオブジェクトを識別できる畳み込みネットワークのさまざまなバリアントを使用しました。畳み込みネットワークの主な利点は、場所に関係なくオブジェクトを識別できることです。同時に、畳み込みネットワークは、オブジェクトやノイズのさまざまな変形がある場合、常にうまく機能するとは限りません。これらは、関係モデルが解決できる問題です。

新しい記事「 ビル・ウィリアムズのMFIによる取引システムの設計方法を学ぶ 」はパブリッシュされました: これは、人気のあるテクニカル指標に基づいて取引システムを設計する方法を学ぶための連載の新しい記事です。今回はビル・ウィリアムズの「マーケット・ファシリテーション・インデックス(BW MFI、Bill Williams' Market Facilitation Index)」を取り上げます。 戦略1：BW MFI - Movement Status この戦略では、ティックごとに4つの値を比較してすべての位置を決定するという指標の性質に従って指標のバーの色が決定され、それに基づいて、BW

新しい記事「 ニューラルネットワークの実験（第4回）：テンプレート 」はパブリッシュされました: この記事では、実験と非標準的な方法を使用して収益性の高い取引システムを開発し、ニューラルネットワークがトレーダーに役立つかどうかを確認します。ニューラルネットワークを取引に活用するための自給自足ツールとしてMetaTrader 5を使用します。簡単に説明します。

新しい記事「 自動で動くEAを作る（第10回）：自動化(II) 」はパブリッシュされました: 自動化は、そのスケジュールを制御できなければ意味がありません。1日24時間働く効率的な労働者はいません。しかし、多くの人は、自動化されたシステムは24時間稼働するべきだと考えています。しかし、EAの稼働時間範囲を設定する手段を持つことは常に良いことです。この記事では、このような時間範囲を適切に設定する方法を検討します。 ほとんどの場合、これは見かけよりもはるかに一般的な事実です。少し改善して、中間にとどまるようにします。 MetaTrader 5

新しい記事「 自動で動くEAを作る（第09回）：自動化(I) 」はパブリッシュされました: 自動EAの作成はそれほど難しい作業ではありませんが、必要な知識がないと多くの間違いを犯す可能性があります。この記事では、ブレイクイーブンとトレーリングストップレベルを作動させるトリガーの作成からなる自動化の最初のレベルを構築する方法について見ていきます。 下の動画は、このシステムが動作する様子を示したものです。何か違う、機能がない、と想像している方は、動画を見て結論を出してみてください。ただし、何が起こっているかを理解するためにおこなう最善のことは、EAをコンパイルし、 デモ口座

新しい記事「 母集団最適化アルゴリズム：モンキーアルゴリズム(MA) 」はパブリッシュされました: 今回は、最適化アルゴリズムであるモンキーアルゴリズム（MA、Monkey Algorithm）について考えてみたいと思います。この動物が難関を乗り越え、最もアクセスしにくい木のてっぺんまで到達する能力が、MAアルゴリズムのアイデアの基礎となりました。

新しい記事「 アラン・アンドリュースとその時系列分析手法 」はパブリッシュされました

新しい記事「 総合的なフクロウ取引戦略を構築する 」はパブリッシュされました: 私の戦略は、古典的な取引の基礎と、あらゆる種類の市場で広く使用されているインジケータの改良に基づいています。これは既製のツールで、提案された新しい収益性の高い取引戦略に従うことができます。

新しい記事 取引口座モニタリングは不可欠なトレーダーツールです。 はパブリッシュされました: 取引口座モニタリングでは、完了したすべての取引に関する詳細なレポートが提供されます。すべての取引統計は自動的に収集され、わかりやすい図やグラフとして提供されます。 作者: MetaQuotes Software Corp.

新しい記事「 母集団最適化アルゴリズム：重力探索アルゴリズム(GSA) 」はパブリッシュされました: GSAは、無生物から着想を得た母集団最適化アルゴリズムです。アルゴリズムに実装されたニュートンの重力の法則のおかげで、その物体の相互作用をモデル化する高い信頼性によって、惑星系や銀河団の魅惑的なダンスを観察することができます。今回は、最も興味深く、独創的な最適化アルゴリズムの1つを考えてみます。また、宇宙物体の移動シミュレータも提示されています。

新しい記事「 取引における道徳的期待値 」はパブリッシュされました: この記事は、道徳的期待値についてです。取引でのその使用のいくつかの例と、その助けを借りて達成できる結果を見ていきます。 これは理論でした。それでは、実際に何ができるか見てみましょう。それには、取引の実行をシミュレートするスクリプトを作成します。同時に、固定損切りと利食い、フローティング損切りとフローティング利食いの3つのオプションをチェックします。 一見すると、損切りと利食いが固定されたオプション（青い線）が勝ちです。

新しい記事「 ニューラルネットワークが簡単に（第35回）：ICM（Intrinsic Curiosity Module、内発的好奇心モジュール） 」はパブリッシュされました: 強化学習アルゴリズムの研究を続けます。これまで検討してきたすべてのアルゴリズムでは、あるシステム状態から別の状態への遷移ごとに、エージェントがそれぞれの行動を評価できるようにするための報酬方策を作成する必要がありました。しかし、この方法はかなり人工的なものです。実際には、行動と報酬の間には、ある程度の時間差があります。今回は、行動から報酬までの様々な時間の遅れを扱うことができるモデル訓練アルゴリズムに触れてみましょう。