記事、ライブラリコメント - ページ 9

新しい記事「 外国為替市場の季節性から利益を得る 」はパブリッシュされました: 例えば、冬になると新鮮な野菜の値段が上がったり、霜が降りると燃料の値段が上がったりすることはよく知られていますが、同じようなパターンが外国為替市場にもあることを知っている人は少ないです。
新しい記事「 ニューラルネットワークの実験(第7回):指標の受け渡し 」はパブリッシュされました: 指標をパーセプトロンに渡す例。この記事では、一般的な概念について説明し、最も単純な既製のエキスパートアドバイザー(EA)と、それに続く最適化とフォワードテストの結果を紹介します。 このトピックに関する多数の記事を読んでいると、ニューラルネットワークに基づく取引システムの直接的な結果に関する悲しい状況が常に観察されます。多くの優れたアイデアやアルゴリズムは、望ましい結果をもたらしません。
新しい記事「 機械学習における量子化(第2回):データの前処理、テーブルの選択、CatBoostモデルの訓練 」はパブリッシュされました: この記事では、ツリーモデルの構築における量子化の実際の応用について考察します。量子化テーブルの選択方法とデータの前処理について検討します。複雑な数式は使用しません。 Q_Error_Selectionスクリプトの機能を説明する例を使用して、実装したデータ前処理法について考えてみましょう。
新しい記事「 機械学習における量子化(第1回):理論、コード例、CatBoostでの実装解析 」はパブリッシュされました: この記事では、ツリーモデルの構築における量子化の理論的な応用を考察し、CatBoostに実装された量子化手法を紹介します。複雑な数式は使用しません。 では、量子化とは何で、何故使用されるのかを考えてみましょう。
新しい記事「 時系列マイニングのためのデータラベル(第4回):ラベルデータを使用した解釈可能性の分解 」はパブリッシュされました: この連載では、ほとんどの人工知能モデルに適合するデータを作成できる、時系列のラベル付け方法をいくつかご紹介します。ニーズに応じて的を絞ったデータのラベル付けをおこなうことで、訓練済みの人工知能モデルをより期待通りの設計に近づけ、モデルの精度を向上させ、さらにはモデルの質的飛躍を助けることができます。
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09回):K平均法とフラクタル波の組み合わせ 」はパブリッシュされました: K平均法では、まず無作為に生成されたクラスタ重心を使用するデータセットのマクロビューに焦点を当てたプロセスとしてデータポイントを集団化するアプローチを採用し、その後ズームインしてこれらの重心を調整してデータセットを正確に表現します。これを見て、その使用例をいくつか活用していきます。
新しい記事「 周波数領域でのフィルタリングと特徴抽出 」はパブリッシュされました: この記事では、予測モデルに有用な独自の特徴を抽出するために周波数領域で表現された時系列にデジタルフィルタを適用する方法を探ります。 「 初心者のためのMQL5におけるデジタルフィルタの実践的実装
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
新しい記事「 データサイエンスと機械学習(第17回):木の中のお金?外国為替取引におけるランダムフォレストの芸術と科学 」はパブリッシュされました: 金融情勢を解読する際の芸術性と正確性の融合についてガイドします。アルゴリズム錬金術の秘密を発見してください。ランダムフォレストがデータを予測能力に変換する方法を明らかにし、株式市場の複雑な地形をナビゲートするための独自の視点を提供します。金融の魔術の核心に触れ、市場の動向を形作り、収益の機会を開拓するランダムフォレストの役割を解き明かす旅にご参加ください。
新しい記事「 データサイエンスと機械学習(第16回):決定木を見直す 」はパブリッシュされました: 連載「データサイエンスと機械学習」の最新作で、決定木の複雑な世界に飛び込みましょう。戦略的な洞察を求めるトレーダーのために、この記事は包括的な総括として、市場動向の分析において決定木が果たす強力な役割に光を当てています。これらのアルゴリズム木の根と枝を探り、取引の意思決定を強化する可能性を解き明かします。決定木について新たな視点から学び、複雑な金融市場をナビゲートする上で、決定木をどのように味方にできるかを発見しましょう。 この連載で 決定木
新しい記事「 MQL5を使ったシンプルな多通貨エキスパートアドバイザーの作り方(第5回): ケルトナーチャネルのボリンジャーバンド—指標シグナル 」はパブリッシュされました: この記事の多通貨エキスパートアドバイザー(EA)は、1つの銘柄チャートからのみ複数の銘柄ペアの取引(注文を出す、注文を決済する、トレーリングストップロスとトレーリングプロフィットなどで注文を管理するなど)ができるEAまたは自動売買ロボットです。この記事では、2つの指標、この場合はケルトナーチャネルのボリンジャーバンド®からのシグナルを使用します。
新しい記事「 MQL5における修正グリッドヘッジEA(第1部):シンプルなヘッジEAを作る 」はパブリッシュされました: 古典的なグリッド戦略と古典的なヘッジ戦略を混合した、より高度なグリッドヘッジEAのベースとして、シンプルなヘッジEAを作成する予定です。この記事が終わるころには、簡単なヘッジ戦略の作り方がわかり、この戦略が本当に100%儲かるかどうかについての人々の意見も知ることができるでしょう。
新しい記事「 プログラミングパラダイムについて(第1部):プライスアクションエキスパートアドバイザー開発の手続き型アプローチ 」はパブリッシュされました: プログラミングパラダイムとMQL5コードへの応用について学びます。この記事では、手続き型プログラミングの具体的な方法について、実践的な例を通して説明します。EMA指標とローソク足の価格データを使って、プライスアクションエキスパートアドバイザー(EA)を開発する方法を学びます。さらに、この記事では関数型プログラミングのパラダイムについても紹介しています。 EMA指標によるプライスアクション戦略
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「 知っておくべきMQL5ウィザードのテクニック(第08回):パーセプトロン 」はパブリッシュされました: パー​​セプトロン(単一隠れ層ネットワーク)は、基本的な自動取引に精通していて、ニューラルネットワークを試してみようとしている人にとって、優れた入門編となります。エキスパートアドバイザー(EA)用のMQL5ウィザードクラスの一部であるシグナルクラスアセンブリでこれをどのように実現できるかを段階的に見ていきます。
新しい記事「 MQL5を使ったシンプルな多通貨エキスパートアドバイザーの作り方(第4回):三角移動平均 — 指標シグナル 」はパブリッシュされました: この記事の多通貨エキスパートアドバイザー(EA)は、1つの銘柄チャートからのみ複数の銘柄ペアの取引(注文を出す、注文を決済する、トレーリングストップロスとトレーリングプロフィットなどで注文を管理するなど)ができるEAまたは自動売買ロボットです。今回は、多時間枠または単一時間枠の「三角移動平均」という1つの指標のみを使用します。
新しい記事「 モデル解釈をマスターする:機械学習モデルからより深い洞察を得る 」はパブリッシュされました
新しい記事「 MQL5入門(第1部):アルゴリズム取引入門ガイド 」はパブリッシュされました: この初心者向けMQL5プログラミングガイドで、魅力的なアルゴリズム取引の世界へ飛び込みましょう。MetaTrader 5を動かす言語であるMQL5のエッセンスを発見し、自動売買の世界を解明します。基本を理解することからコーディングの第一歩を踏み出すことまで、この記事はプログラミングの知識がなくてもアルゴリズム取引の可能性を解き放つ鍵となります。MQL5のエキサイティングな宇宙で、一緒に、シンプルさと洗練が出会う旅に出ましょう。
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2回):構造パターン 」はパブリッシュされました: この記事では、MQL5だけでなく他のプログラミング言語でも拡張可能で信頼性の高いアプリケーションを開発するために、このトピックが開発者としてどれほど重要であるかを学んだ後、デザインパターンについての記事を続けます。デザインパターンのもう1つのタイプである構造的デザインパターンについて学び、クラスとして持っているものを使ってより大きな構造を形成することによってシステムをデザインする方法を学びます。
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。
新しい記事「 母集団最適化アルゴリズム:Mind Evolutionary Computation (MEC)アルゴリズム 」はパブリッシュされました: この記事では、Simple Mind Evolutionary Computation(Simple MEC, SMEC)アルゴリズムと呼ばれる、MECファミリーのアルゴリズムを考察します。このアルゴリズムは、そのアイデアの美しさと実装の容易さで際立っています。
新しい記事「 MQL5を使ったシンプルな多通貨エキスパートアドバイザーの作り方(第3回):銘柄名のプレフィックスおよび/またはサフィックスと取引時間セッションを追加しました 」はパブリッシュされました: 数人のトレーダー仲間から、プレフィックスやサフィックスを持つ銘柄名を持つブローカーでこの多通貨EAを使用する方法、およびこの多通貨EAで取引タイムゾーンや取引タイムセッションを実装する方法についてメールやコメントをいただきました。 前回の 記事 で、この多通貨エキスパートアドバイザー(EA)は、プレフィックスまたはサフィックスを持つ銘柄名またはペア名を持つブローカーでは機能しないと述べました。
新しい記事「 ニューラルネットワークが簡単に(第26部):強化学習 」はパブリッシュされました: 機械学習の手法の研究を続けます。今回からは、もう1つの大きなテーマである「強化学習」を始めます。この方法では、モデルは問題を解決するためのある種の戦略を設定することができます。この強化学習の特性は、取引戦略を構築する上で新たな地平を切り開くものと期待されます。 私たちは常に周りを見渡し、触って物を評価し、音を聞いています。私たちは感覚を通して、刻々と世界を評価しているのです。心の中ではその状態を固定してしまいます。 同様に、 環境 はその エージェント によって評価される 状態 を生成します。
書籍「MQL5を使用したアルゴリズム取引のためのニューラルネットワーク」からの例 : 本書「MQL5を使用したアルゴリズム取引のためのニューラルネットワーク」は、人工知能とニューラルネットワークの理論的基礎と、MQL5プログラミング言語を使った金融取引への応用の実践的側面の両方を網羅した包括的なガイドブックです。 作者: MetaQuotes
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4回) 」はパブリッシュされました: この記事は、MQTT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4回です。このセクションでは、MQTT v5.0のプロパティとは何か、そのセマンティクス、いくつかのプロパティの読み方について説明し、プロトコルを拡張するためにプロパティをどのように使用できるかの簡単な例を示します。 プロパティは、MQTT
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「 母集団最適化アルゴリズム:Shuffled Frog-Leaping (SFL) アルゴリズム 」はパブリッシュされました: 本稿では、Shuffled Frog-Leaping (SFL)アルゴリズムの詳細な説明と、最適化問題を解く上でのその能力を紹介します。SFLアルゴリズムは、自然環境におけるカエルの行動から着想を得ており、関数最適化への新しいアプローチを提供します。SFLアルゴリズムは、効率的で柔軟なツールであり、様々な種類のデータを処理し、最適解を得ることができます。 Shuffled Frog Leaping Algorithm
新しい記事「 ニューラルネットワークが簡単に(第58回):Decision Transformer (DT) 」はパブリッシュされました: 強化学習の手法を引き続き検討します。この記事では、一連の行動を構築するパラダイムでエージェントの方策を考慮する、少し異なるアルゴリズムに焦点を当てます。 本連載では、すでにかなり幅広い種類の強化学習アルゴリズムを検証してきました。どれも基本的なアプローチを採用しています。 エージェントは環境の現状を分析します。 (学習した方策-行動戦略の枠内で)最適な行動をとります。 環境の新しい状態に移行します。
新しい記事「 データサイエンスと機械学習(第15回):SVM、すべてのトレーダーのツールボックスの必須ツール 」はパブリッシュされました
新しい記事「 ビジュアルプログラミング言語DRAKON:MQL開発者と顧客のコミュニケーションツール 」はパブリッシュされました