記事、ライブラリコメント - ページ 79

新しい記事「 ケルトナーチャネル取引システムの構築とテスト 」はパブリッシュされました: この記事では、金融市場において非常に重要な概念であるボラティリティを利用した取引システムを紹介します。ケルトナーチャネル指標を理解し、それをどのようにコードし、どのように簡単な取引戦略に基づいて取引システムを作成し、様々な資産でテストすることができるかを理解した上で、ケルトナーチャネル指標に基づく取引システムを提供します。 ケルトナーチャネルは、1960年代にチェスター・ケルトナーが著書「How to Make Money in

新しい記事「 自動で動くEAを作る（第15回）：自動化(VII) 」はパブリッシュされました: 自動化に関するこの連載を完結させるために、前回に引き続きトピックについて説明しましょう。EAを時計仕掛けのように動かすために、すべてがどのように組み合わされるかを見ていきます。 自動的に機能するEAを作成する際にプログラマーの作業に影響するような主な失敗、問題、困難について説明しましたが、それが多くの知識をもたらし、実際の市場観察の方法を変える可能性があることもお見せしました。

新しい記事「 エキスパートアドバイザー(EA)に指標を追加するための既製のテンプレート（第3部）：トレンド指標 」はパブリッシュされました: この参考記事では、トレンド指標カテゴリから標準的な指標を取り上げます。パラメータの宣言と設定、指標の初期化と解除、EAの指標バッファからのデータとシグナルの受信など、EAで指標を使用するためのすぐに使えるテンプレートを作成します。 この記事では、EAで指標を使用するための既製のテンプレートについての話題を続けます。 オシレーター と 出来高指標、ビルウィリアムズの指標 をEAに接続するためのテンプレートについては、すでに検討しました。

新しい記事「 アルーン（Aroon）取引システムの構築とテスト 」はパブリッシュされました: この記事では、指標の基本を学んだ後、どのようにアルーンの取引システムを構築できるかを学び、アルーンの指標に基づいた取引システムを構築するために必要なステップを紹介します。この取引システムを構築した後、利益が出るのかさらに最適化が必要なのかをテストします。

新しい記事「 PythonとMetaTrader5 Pythonパッケージを使用した深層学習による予測と注文とONNXモデルファイル 」はパブリッシュされました: このプロジェクトでは、金融市場における深層学習に基づく予測にPythonを使用します。平均絶対誤差(MAE)、平均二乗誤差(MSE)、R二乗(R2)などの主要なメトリクスを使用してモデルのパフォーマンスをテストする複雑さを探求し、すべてを実行ファイルにまとめる方法を学びます。また、そのEAでONNXモデルファイルを作成します。 現在、MetaQuotesの「 MQL5でONNXモデルを使用する方法

新しい記事「 MetaTrader 5用のMQTTクライアントの開発：TDDアプローチ（第5回） 」はパブリッシュされました: この記事は、MQTT 5.0プロトコルのネイティブMQL5クライアントの開発ステップを説明する連載の第5回です。今回は、PUBLISHパケットの構造、Publishフラグの設定方法、Topic Name文字列のエンコード方法、必要な場合のPacket Identifierの設定方法について説明します。

新しい記事 任意のインジケータの計算部分をEAのコードに転送する方法 はパブリッシュされました: インジケータコードをEAに転送する理由は様々です。しかし、このアプローチの長所と短所はどのように評価するべきでしょうか？この記事では、インジケータコードをEAに転送する技術をご紹介します。EAの動作スピードを評価するためにいくつかの実験を行いました。 私たちは4つの別々のEAを作成します。 標準で、関数を実行しない空のEA。これは相場の履歴選別する為に、ターミナル自体が費やす時間の評価に役立ちます。, インジケータクラスで値を計算することでデータを受け取るEA。

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「 知っておくべきMQL5ウィザードのテクニック（第12回）：ニュートン多項式 」はパブリッシュされました: ニュートン多項式は、数点の集合から二次方程式を作るもので、時系列を見るには古風だが興味深いアプローチです。この記事では、このアプローチをトレーダーがどのような面で役立てることができるかを探るとともに、その限界についても触れてみたいと思います。

新しい記事「 MQL5における一般化ハースト指数と分散比検定の実装 」はパブリッシュされました: 本稿では、一般化ハースト指数と分散比検定が、MQL5における価格系列の挙動を分析するためにどのように利用できるかを調査します。

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10回）：型破りなRBM 」はパブリッシュされました: 制限ボルツマンマシン（Restrictive Boltzmann Machine、RBM）は、基本的なレベルでは、次元削減による教師なし分類に長けた2層のニューラルネットワークです。その基本原理を採用し、常識にとらわれない方法で設計し直して訓練すれば有用なシグナルフィルタが得られるかどうかを検証します。

新しい記事「 過去のポジションをチャート上に損益図として表示する 」はパブリッシュされました: 今回は、取引履歴に基づいて、過去のポジションの情報を入手するオプションについて考えてみたいと思います。その他、各バーにおけるポジションのおおよその損益を図として表示する簡単な指標を作成します。 この関数は、ポジションの利益ポイント数を取得する相対価格（バーの終了）と、ポジションの存在を確認する時間（バーの開始時間）を取得します。次に、過去ポジションの各オブジェクトから受け取ったすべてのポジションの利益を合計して返します。

新しい記事「 float16およびfloat8形式のONNXモデルを扱う 」はパブリッシュされました: 機械学習モデルの表現に使用されるデータ形式は、その有効性に決定的な役割を果たします。近年、深層学習モデルを扱うために特別に設計された新しい型のデータがいくつか登場しています。この記事では、現代のモデルで広く採用されるようになった2つの新しいデータ形式に焦点を当てます。

Widescreenshooter : ワイドスクリーンショットを作成するスクリプトです。 作者: Olegs Kucerenko

ZigZag : 動作速度によって最適化されたジグザグインディケータのバリアントです。 作者: Nikolay Kositsin

新しい記事「 データサイエンスと機械学習（第18回）：市場複雑性を極める戦い - 打ち切りSVD v.s. NMF 」はパブリッシュされました: 打ち切り特異値分解(Truncated SVD)と非負行列因子分解(NMF)は次元削減技法です。両者とも、データ主導の取引戦略を形成する上で重要な役割を果たしています。次元削減、洞察の解明、定量分析の最適化など、複雑な金融市場をナビゲートするための情報満載のアプローチをご覧ください。

新しい記事「 データサイエンスと機械学習(第20回)：アルゴリズム取引の洞察、MQL5でのLDAとPCAの対決 」はパブリッシュされました: MQL5取引環境での適用を解剖しながら、これらの強力な次元削減テクニックに隠された秘密を解き明かしていきます。線形判別分析(LDA)と主成分分析(PCA)のニュアンスを深く理解し、戦略開発と市場分析への影響を深く理解します。 LDAは 教師あり 汎化機械学習アルゴリズムで、データセットのクラスを最もよく分ける特徴の線形結合を見つけることを目的としています。 主成分分析(PCA)

新しい記事「 データサイエンスと機械学習（第19回）：AdaBoostでAIモデルをパワーアップ 」はパブリッシュされました: AdaBoostは、AIモデルのパフォーマンスを向上させるために設計された強力なブースティングアルゴリズムです。AdaBoostはAdaptive Boostingの略で、弱い学習機をシームレスに統合し、その集合的な予測力を強化する洗練されたアンサンブル学習技法です。 AdaBoostとは、Adaptive Boostingの略で、弱い分類器から強い分類器を構築しようとするアンサンブル機械学習モデルです。 仕組み

新しい記事「 MQL5入門（第4部）：構造体、クラス、時間関数をマスターする 」はパブリッシュされました: 最新記事でMQL5プログラミングの秘密を解き明かしましょう。構造体、クラス、時間関数の本質に迫り、コーディングの旅に力を与えます。初心者から経験豊富な開発者まで、個のガイドは、MQL5をマスターするための貴重な洞察を提供し、複雑な概念を簡素化します。プログラミングのスキルを高め、アルゴリズム取引の世界で一歩先を行きましょう 。 MQL5の旅の第4部へようこそ。構造体、クラス、時間関数のシンプルさを掘り下げながら、複雑な概念をより親しみやすくすることに重点を置いています。

Swingchart : ギャンのスイングチャートとハイブリッドジグザグの実装です。 作者: Andre Enger

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3回）：振る舞いに関するパターン1 」はパブリッシュされました: デザインパターンの新しい記事として、その種類の1つである振る舞いに関するパターンを取り上げ、作成されたオブジェクト間の通信を効果的に構築する方法について説明します。これらの振る舞いに関するパターンを完成させることで、私たちは、再利用可能で、拡張可能で、テストされたソフトウェアをどのように作成し、構築できるかを理解できるようになります。

新しい記事「 母集団最適化アルゴリズム：スマート頭足類（SC、Smart Cephalopod）を使用した変化する形状、確率分布の変化とテスト 」はパブリッシュされました: この記事では、確率分布の形状を変えることが最適化アルゴリズムの性能に与える影響について検証します。最適化問題の文脈における様々な確率分布の効率を評価するために、スマート頭足類（SC、Smart Cephalopod）テストアルゴリズムを用いた実験をおこないます。

新しい記事「 母集団最適化アルゴリズム：等方的焼きなまし（Simulated Isotropic Annealing、SIA）アルゴリズム（第2部） 」はパブリッシュされました: 第１部では、よく知られた一般的なアルゴリズムである焼きなまし法について説明しました。その長所と短所を徹底的に検討しました。第2部では、アルゴリズムを抜本的に改良し、新たな最適化アルゴリズムである等方的焼きなまし（Simulated Isotropic Annealing、SIA）法を紹介します。 結果は印象的です。その上、パラメータの数も1つ減っています。

新しい記事「 MQL5での定量分析：有望なアルゴリズムの実装 」はパブリッシュされました: 定量分析とは何なのか、また、主要プレーヤーがどのように定量分析を使用しているのかを分析します。MQL5言語で定量分析アルゴリズムの1つを作成します。

新しい記事「 PythonとMQL5を使用して初めてのグラスボックスモデルを作る 」はパブリッシュされました

新しい記事 MQL5 プログラミング基礎：配列 はパブリッシュされました: 配列は変数や関数と共にほとんどすべてのプログラム言語に欠くことのできないものです。本稿はまず MQL5 初心者プログラマーに関心を持ってもらえる内容であり、経験あるプログラマーにとっては知識をまとめ体系化するのによい機会となるはずです。 作者: Dmitry Fedoseev

新しい記事 アルゴリズムトレードにおける Kohonen ニューラルネットワークの実用的利用 パートI ツール はパブリッシュされました: 本稿では、MetaTrader5 で Kohonen マップを使用します。 改善および拡張されたクラスは、アプリケーションタスクを解決するためのツールになります。 継承されたソースコードでは、インプットデータの正規化は行われません。 ただし、インプットベクトルの異なるコンポーネント (フィーチャ) の値の範囲が異なる場合は、重要です。 そして、EAの最適化結果と異なるインジケータのデータをプーリングする場合です。

新しい記事 f()10分でできるMQL5 のためのDLL (パート II): Visual Studio 2017で作成 はパブリッシュされました: 元の基本となる記事との関連性は失われていませんが、このトピックに興味がある場合は、まず最初の記事を読んでください。 しかし、前回の記事から時間が経過しているので、現在の Visual Studio 2017 には、更新されたインターフェイスがあります。 また、MetaTrader5プラットフォームにも新しい機能が追加されました。 この記事では、DLLのプロジェクト開発、およびセットアップと MetaTrader5

新しい記事「 母集団最適化アルゴリズム：ネルダー–ミード法、またはシンプレックス（NM）検索法 」はパブリッシュされました: この記事では、ネルダー–ミード法の完全な探求を提示し、最適解を達成するために各反復でシンプレックス（関数パラメータ空間）がどのように修正され、再配置されるかを説明し、この方法がどのように改善されるかを説明します。

新しい記事「 ニューラルネットワークが簡単に（第66回）：オフライン学習における探索問題 」はパブリッシュされました: モデルは、用意された訓練データセットのデータを使用してオフラインで訓練されます。一定の利点がある反面、環境に関する情報が訓練データセットのサイズに大きく圧縮されてしまうというマイナス面もあります。それが逆に、探求の可能性を狭めています。この記事では、可能な限り多様なデータで訓練データセットを埋めることができる方法について考えます。