記事、ライブラリコメント - ページ 61

新しい記事「 パターン検索への総当たり攻撃アプローチ（第VI部）：循環最適化 」はパブリッシュされました: この記事では、MetaTrader 4および5の取引の自動化チェーン全体を完成するだけでなく、より興味深いことができるようになった改善の最初の部分を示します。今後、このソリューションにより、EAの作成と最適化の両方を完全に自動化し、効果的な取引構成を見つけるための人件費を最小限に抑えることができます。

Spectrometr_Separate : 金融資産の発振スペクトル 作者: Nikolay Kositsin

Filtered averages(フィルタ済み平均) : Filtered averages(フィルタ済み平均) 作者: Mladen Rakic

新しい記事「 ニューラルネットワークが簡単に（第71回）：目標条件付き予測符号化(GCPC) 」はパブリッシュされました: 前回の記事では、Decision Transformer法と、そこから派生したいくつかのアルゴリズムについて説明しました。さまざまな目標設定手法で実験しました。実験では、さまざまな方法で目標を設定しましたが、それ以前に通過した軌跡に関するモデルの研究は、常に私たちの関心の外にありました。この記事では、このギャップを埋める手法を紹介したいと思います。

Intraday Channel Breakout : 日中のチャネル値とそのチャネルのブレイクアウトを確認する指標です。 作者: Mladen Rakic

新しい記事「 ニューラルネットワークが簡単に（第70回）：閉形式方策改善演算子(CFPI) 」はパブリッシュされました: この記事では、閉形式の方策改善演算子を使用して、オフラインモードでエージェントの行動を最適化するアルゴリズムを紹介します。 エージェント方策の行動に制約を与えて最適化する方法は、オフライン強化学習問題の解決に有望であることが判明しました。過去の遷移を利用することで、エージェント方策は学習された価値関数を最大化するように訓練されます。

新しい記事「 ニューラルネットワークが簡単に（第69回）：密度に基づく行動方策の支持制約(SPOT) 」はパブリッシュされました: オフライン学習では、固定されたデータセットを使用するため、環境の多様性をカバーする範囲が制限されます。学習過程において、私たちのエージェントはこのデータセットを超える行動を生成することができます。環境からのフィードバックがなければ、そのような行動の評価が正しいとどうやって確信できるのでしょうか。訓練データセット内のエージェントの方策を維持することは、訓練の信頼性を確保するために重要な要素となります。これが、この記事でお話しする内容です。

新しい記事「 プロップファームから少し教訓を得よう（第1回）-導入編 」はパブリッシュされました: 今回は、プロップファーム（自己勘定取引会社）が実施するチャレンジルールから得られる教訓のいくつかを取り上げます。これは特に、初心者の方や、この取引の世界で足元を固めるのに苦労している方には重要です。次の記事では、コードの実装について説明します。 プロップファーム

Entropy : 価格変更のエントロピーのパワーを実証するインディケータです。 作者: Nikolay Kositsin

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「 Candlestick Trend Constraintモデルの構築（第2回）：ネイティブ指標の結合 」はパブリッシュされました: この記事では、トレンドから外れたシグナルを選別するために、MetaTrader 5指標を活用することに焦点を当てます。前回に引き続き、MQL5コードを使用してアイデアを最終的なプログラムに伝える方法を探っていきます。 以下は、MetaTrader 5でよく使用される組み込み指標の一部です。 移動平均, Bollinger Bands（ボリンジャーバンド）, Relative Strength index(相対力指数)

新しい記事「 知っておくべきMQL5ウィザードのテクニック（第17回）：多通貨取引 」はパブリッシュされました: ウィザードを介してEAが組み立てられた場合、デフォルトでは複数の通貨をまたいだ取引は利用できません。トレーダーが一度に複数の銘柄から自分のアイデアをテストする際に、2つの可能なトリックを検討します。

新しい記事「 GMDH (The Group Method of Data Handling)：MQL5で組合せアルゴリズムを実装する 」はパブリッシュされました: この記事では、MQL5における組合せアルゴリズムと、その改良版である組合せ選択(Combinatorial Selective)アルゴリズムの実装について、データ処理のグループ法アルゴリズムファミリーの探求を続けます。 GMDHの 組合せアルゴリズム

新しい記事「 ボラティリティベースの取引システムの構築と最適化の方法（チャイキンボラティリティ - CHV） 」はパブリッシュされました: この記事では、チャイキンボラティリティ（CHV、Chaikin Volatility）という名前の、ボラティリティに基づく後1つの指標を提供します。カスタム指標の使用方法と構築方法を確認した後、カスタム指標の構築方法を理解します。使用できるいくつかの簡単な戦略を共有し、どちらがより優れているかを理解するためにテストします。

新しい記事「 Candlestick Trend Constraintモデルの構築（第1回）：EAとテクニカル指標について 」はパブリッシュされました: この記事は初心者とプロMQL5開発者の両方を対象としています。これは、シグナルを生成する指標をより長い時間枠のトレンドに定義し、制約するためのコードの一部を提供します。このように、トレーダーはより広い市場視点を取り入れることで戦略を強化することができ、より強固で信頼性の高い売買シグナルが得られる可能性があります。

新しい記事 自動ニューストレーダーのバインディング はパブリッシュされました: これは一からシンプルなオブジェクト指向 EA を構築する方法を述べ、オブジェクト指向プログラミングのアドバイスを提供したもう一つ別の MQL5 OOP クラス記事の続編です。本稿では、ニュースをトレードすることのできる EA を開発するのに必要とされる技術の基本をお話します。目標は OOP に関する考え方を提示し続け、ファイルシステムと関連づけながらこのシリーズにおける新しいトピックを取り上げることです。 インベストペディア に

新しい記事「 ニューラルネットワークが簡単に（第28部）：方策勾配アルゴリズム 」はパブリッシュされました: 強化学習法の研究を続けます。前回は、Deep Q-Learning手法に触れました。この手法では、特定の状況下でとった行動に応じて、これから得られる報酬を予測するようにモデルを訓練します。そして、方策と期待される報酬に応じた行動がとられます。ただし、Q関数を近似的に求めることは必ずしも可能ではありません。その近似が望ましい結果を生み出さないこともあります。このような場合、効用関数ではなく、行動の直接的な方針（戦略）に対して、近似的な手法が適用されます。その1つが方策勾配です。

新しい記事「 ニューラルネットワークが簡単に（第27部）：DQN (Deep Q-Learning) 」はパブリッシュされました: 強化学習の研究を続けます。今回は、「Deep Q-Learning」という手法に触れてみましょう。この手法を用いることで、DeepMindチームはアタリ社のコンピューターゲームのプレイで人間を凌駕するモデルを作成することができました。取引上の問題を解決するための技術の可能性を評価するのに役立つと思います。 Deep

Trend direction and force - DSEMA平滑化済み : Trend direction and force - 二重平滑EMA平滑化済み 作者: Mladen Rakic

新しい記事「 データサイエンスと機械学習(第22回)：オートエンコーダニューラルネットワークを活用してノイズからシグナルへと移行することで、よりスマートな取引を実現する 」はパブリッシュされました

新しい記事「 ニューラルネットワークが簡単に（第22部）：回帰モデルの教師なし学習 」はパブリッシュされました: モデルと教師なし学習アルゴリズムの研究を続けます。今回は、回帰モデルの学習に適用した場合のオートエンコーダの特徴について提案します。 モデルテストのパラメータは同じでした（EURUSD、H1、過去15年、指標のデフォルト設定）。エンコーダに過去10回分のローソク足に関するデータを入力します。デコーダは、過去40個のローソク足をデコードするように訓練されます。テスト結果は下のチャートのとおりです。新しいローソク足の形成が完了するたびに、エンコーダにデータが入力されます。

新しい記事「 Volumes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、Volumes指標について紹介します。出来高という概念は、金融市場の取引において非常に重要な要素の1つであり、注意を払う必要があります。この記事では、Volumes指標を使用した簡単な取引システムの設計方法について説明します。

新しい記事「 MQL5における組合せ対称交差検証法 」はパブリッシュされました: この記事では、ストラテジーテスターの低速&完全アルゴリズムを使用してストラテジーを最適化した後に過剰学習が発生する可能性の程度を測定するために、純粋なMQL5における組合せ対称交差検証法の実装を紹介します。

リスクマネージャー : Expert Advisor は口座の全体的な損失、およびすべての取引の損失を制御して制限します。それは口座のトレーリングストップを含みます。 作者: Анатолий Сергеев

新しい記事「 ニューラルネットワークが簡単に(第11部): GPTについて 」はパブリッシュされました: GPT-3は現在存在する言語ニューラルネットワークの中でおそらく最も高度なモデルの1つであり、その最大バリアントには1,750億個のパラメータが含まれています。もちろん、家庭にあるようなPCでそのような怪物を作成するつもりはありませんが、どのアーキテクチャソリューションを作業に使用し、それらからどのように利益を得ることができるかは確認することができます。

新しい記事「 知っておくべきMQL5ウィザードのテクニック（第15回）：ニュートンの多項式を用いたサポートベクトルマシン 」はパブリッシュされました: サポートベクトルマシンは、データの次元を増やす効果を調べることで、あらかじめ定義されたクラスに基づいてデータを分類します。これは教師あり学習法で、多次元のデータを扱う可能性を考えるとかなり複雑です。この記事では、2次元データの非常に基本的な実装であるニュートンの多項式が、価格とアクションを分類する際にどのように効率的に実行できるかを検討します。 サポートベクトルマシン (SVM)は機械学習の分類アルゴリズムです。分類は、 こちら と こちら

新しい記事「 ニュース取引が簡単に（第1回）：データベースの作成 」はパブリッシュされました: ニュース取引は複雑で圧倒されるかもしれませんが、この記事ではニュースデータを入手する手順を説明し、さらに、MQL5経済指標カレンダーとその特徴についても学びます。 この記事では、MQL 5経済指標カレンダーのデータを格納するデータベースの作成方法について説明します。このデータは後に次回の記事で、ニュースの取引に使用することができます。また、このデータベースから特定の整理された情報を取得するために、基本的なSQLクエリを実行する方法を探ります。すべてのプロセスはMQL5のIDEでおこなわれます。

XWPR_Histogram_Vol_Direct : XWPR_Histogram_Vol インジケータ足の色のアイコンを使用して、ヒストグラムの足の動きの方向を示します。 作者: Nikolay Kositsin

XWPR_Histogram_Vol : ヒストグラムの加算平均 WPR_Histogram_Vol インジケータ 作者: Nikolay Kositsin

新しい記事「 MQL5入門（第6部）：MQL5における配列関数の入門ガイド 」はパブリッシュされました: MQL5の旅の次の段階を始めましょう。この洞察に満ちて初心者に優しい記事では、残りの配列関数について調べ、複雑な概念を解明し、効率的な取引戦略を作成できるようにします。ArrayPrint、ArrayInsert、ArraySize、ArrayRange、ArrarRemove、ArraySwap、ArrayReverse、ArraySortについて説明します。アルゴリズム取引の専門知識を、これらの必要不可欠な配列関数で高めてください。一緒にMQL5マスターへの道を歩みましょう。