新しい記事「 ニューラルネットワークが簡単に（第65回）：Distance Weighted Supervised Learning (DWSL) 」はパブリッシュされました: この記事では、教師あり学習法と強化学習法の交差点で構築された興味深いアルゴリズムに触れます。
新しい記事「 ニューラルネットワークが簡単に（第64回）：ConserWeightive Behavioral Cloning (CWBC)法 」はパブリッシュされました: 以前の記事でおこなったテストの結果、訓練された戦略の最適性は、使用する訓練セットに大きく依存するという結論に達しました。この記事では、モデルを訓練するための軌道を選択するための、シンプルかつ効果的な手法を紹介します。
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「 ソフトウェア開発におけるデザインパターンとMQL5（第4回）：振る舞いに関するパターン2 」はパブリッシュされました: デザインパターンには、創造デザインパターン、構造デザインパターン、振る舞いに関するデザインパターンの3種類があることを説明しました。オブジェクト間の相互作用の方法を、コードをクリーンにする方法で設定するのに役立つ、残りの振る舞いに関するタイプのパターンを完成させます。 メメント
Schaff Trend Cycle : Schaff Trend Cycle（STC）は、MACDよりずっと前に上昇/下降トレンドを検出します。これは、同じ指数移動平均（EMA）を使用しながら通貨サイクルトレンドを要因とするサイクル要素が追加することで行われます。通貨サイクルトレンドは一定の日数に基づいて動くので、これはSTC指標の式に考慮され、MACDよりも高い精度と信頼性が提供されます。 作者: Mladen Rakic
新しい記事「 MetaTrader 5におけるバイナリーオプション戦略のテストと最適化 」はパブリッシュされました: 今回は、MetaTrader5でのバイナリーオプション戦略の確認と最適化をおこないます。 平均化した場合のテスト結果です。ようやく成功しました。 次は、平均化した最適化結果です。 作者: Roman Poshtar
新しい記事「 Scikit-Learnライブラリの分類器モデルとONNXへの書き出し 」はパブリッシュされました: この記事では、Scikit-Learnライブラリで利用可能なすべての分類器モデルを適用して、フィッシャーのIrisデータセットの分類タスクを解決する方法について説明します。これらのモデルをONNX形式に変換し、その結果得られたモデルをMQL5プログラムで利用してみます。さらに、完全なIrisデータセットで元のモデルとONNXバージョンの精度を比較します。 プレスリリース「 ONNX Runtime is now open source
TrendChannel : この指標は、最も近い価格の両極端のための2つのトレンドラインを描画します。 作者: Nikolay Kositsin
リミットストップ注文のスクリプト : 手動取引のためのスクリプト：限界価格が実現されたときにスクリプトがストップ注文を設定してログアウトします。 作者: Serhii Ivanenko
KDJ_Averages : KDJ Averagesオシレータでは、いつ市場にエントリする条件検索する必要があるかが定義されます。KDJと異なって、計算は標準的な平滑化法を使って行われます。デフォルト設定の場合、Jラインは少し速いです。 作者: Scriptor
ハースト指数 : ハースト指数は、「依存インデックス」または「長距離依存インデックス」と呼ばれます。時系列の相対的な傾向は、平均的に強く回帰するか、ある方向に集中するかのどちらかとして定量化されます。 作者: Mladen Rakic
新しい記事「 CatBoostモデルにおける交差検証と因果推論の基本、ONNX形式への書き出し 」はパブリッシュされました: この記事では、機械学習を使用してボットを作成する方法を提案しています。 結論が間違っていることが多く、検証する必要があるように、機械学習モデルによる予測結果も再確認する必要があります。再確認のプロセスを自分に向ければ、自制心が生まれます。機械学習モデルの自己制御は、異なるが似たような状況で何度も予測に誤りがないか確認することに尽きます。モデルのミスが平均的に少なければ過学習ではないことを意味しますが、頻繁にミスをする場合は、そのモデルに何か問題があることを意味します。
新しい記事「 MLモデルとストラテジーテスターの統合（結論）：価格予測のための回帰モデルの実装 」はパブリッシュされました: この記事では、決定木に基づく回帰モデルの実装について説明します。モデルは金融資産の価格を予測しなければなりません。すでにデータを準備し、モデルを訓練評価し、調整最適化しました。ただし、このモデルはあくまで研究用であり、実際の取引に使用するものではないことに留意する必要があります。 以上の基準に基づいて、この記事では、終値を予測するために決定木回帰モデルを使用することにしました。このモデルの選択は、以下の理由から正当化されます。 パフォーマンス
Simple ZZ 保合領域 : これは Simple ZigZag 指標を利用したさらなる実験です。この小規模なアップグレードでは、指標は価格の統合領域を見つけて色付きの長方形でマークすることができるようになりました。 作者: Oleg Shenker
新しい記事「 自己適応アルゴリズム(第IV部)：その他の機能とテスト 」はパブリッシュされました: 引き続き、必要最小限の機能でアルゴリズムを実装して結果をテストします。収益性は非常に低いですが、連載では、完全に自動化された、根本的に異なる市場で取引される完全に異なる商品で収益性の高い取引モデルを示しています。
ZigZag : ジグザグは、特定の天井と底の価格を線で結んだものです。 新しい"ジグ"、"ザグ"を成形するために、最小の価格変化パラメーターは、価格が動く比率を決定します。このインジケーターは、特定の値よりも少ない変化は考慮に入れません。したがって、ジグザグは重要な変化局面のみを反映します。 多くの場合、ジグザグが重要な変化や転換のみを反映するように、ジグザグの比率を設定します。ジグザグを使えば、エリオット波動や様々な波形を発見することができます。 最新のインジケーターのサインは変わる可能性があるということを認識しておくことが重要です。株価の変化がインジケーターの直近の値を変化させてし
新しい記事 クロスプラットフォームグラインドEAの開発 はパブリッシュされました: この記事では、MetaTrader4 と MetaTrader5 の両方で稼働する Expert Advisor (EA) の作成方法を扱います。 そのために、グリッドオーダーを構築するEAを開発していきます。 グラインダーズ(グリッドトレード)は、現在の価格の上に複数の指値オーダーを配置し、同時に現在の価格の下にリミットオーダーを同じ数オーダーするEAです。 EAのテスト EAの準備が整いました。 テストし、トレード戦略のパフォーマンスに関する結論を引き出す必要があります。 このEAは MetaTrader4
Close All Windows : このスクリプトは選択したシンボルの全てのウィンドウを閉じる、または全てのウィンドウを閉じます。 作者: Daniel Osuna de la Rosa
新しい記事 安くて楽しいニューラルネットワーク - MetaTrader 5 でNeuroPro へリンク はパブリッシュされました: トレード用の特定のニューラルネットワークプログラムが高価で複雑そうであったら、反対にシンプル過ぎると思えたら、NeuroPro をお試しください。それは無料でアマチュア用の最適な機能セットが備えられています。本稿では MetaTrader 5 と連携してそれを利用する方法をお伝えします。 NeuroPro プログラムは1988年にロシアのある研究所で作成され、今でも現役です。 それは Windows XP、Vista、Windows 7
新しい記事 強化学習におけるランダム決定フォレスト はパブリッシュされました: バギングを使用するランダムフォレスト（RF）は最も強力な機械学習方法の1つですが、グラジエントブースティングには若干劣ります。本稿では、市場との相互作用から得られた経験に基づいて意思決定を行う自己学習型取引システムの開発を試みます。
新しい記事「 ニューラルネットワークが簡単に（第63回）：Unsupervised Pretraining for Decision Transformer (PDT) 」はパブリッシュされました: 引き続き、Decision Transformer法のファミリーについて説明します。前回の記事から、これらの手法のアーキテクチャの基礎となるTransformerの訓練はかなり複雑なタスクであり、訓練のために大規模なラベル付きデータセットが必要であることにすでに気づきました。この記事では、ラベル付けされていない軌跡をモデルの予備訓練に使用するアルゴリズムについて見ていきます。
新しい記事「 ニューラルネットワークが簡単に（第62回）：階層モデルにおけるDecision Transformerの使用 」はパブリッシュされました: 最近の記事で、Decision Transformerを使用するためのいくつかの選択肢を見てきました。この方法では、現在の状態だけでなく、以前の状態の軌跡や、その中でおこなわれた行動も分析することができます。この記事では、階層モデルにおけるこの方法の使用に焦点を当てます。
新しい記事「 ニューラルネットワークが簡単に（第61回）：オフライン強化学習における楽観論の問題 」はパブリッシュされました: オフライン訓練では、訓練サンプルデータに基づいてエージェントの方策を最適化します。その結果、エージェントは自分の行動に自信を持つことができます。しかし、そのような楽観論は必ずしも正当化されるとは限らず、模型の操作中にリスクを増大させる可能性があります。今日は、こうしたリスクを軽減するための方法の1つを紹介しましょう。
新しい記事「 ニューラルネットワークが簡単に（第60回）：Online Decision Transformer (ODT) 」はパブリッシュされました: 最後の2つの記事は、望ましい報酬の自己回帰モデルの文脈で行動シーケンスをモデル化するDecision Transformer法に費やされました。この記事では、この方法の別の最適化アルゴリズムについて見ていきます。 Online Decision Transformerアルゴリズムは、Decision
新しい記事「 ニューラルネットワークが簡単に（第59回）：コントロールの二分法（DoC） 」はパブリッシュされました: 前回の記事では、Decision Transformerを紹介しました。しかし、外国為替市場の複雑な確率的環境は、提示した手法の可能性を完全に実現することを許しませんでした。今回は、確率的環境におけるアルゴリズムの性能向上を目的としたアルゴリズムを紹介します。 DoC（dichotomy of
取引の機会を逃しています。
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
新規登録
ログイン