LSTM Library

アルゴリズム取引のためのプロフェッショナル神経ネットワークライブラリ

LSTM Libraryは、MQL5の取引戦略にリカレントニューラルネットワークのパワーをもたらします。このプロフェッショナルレベルの実装には、通常は専門的な機械学習フレームワークでしか見られない高度な機能を備えたLSTM、BiLSTM、GRUネットワークが含まれています。

主な機能

• LSTM、BiLSTM、GRUの完全実装
• より良い一般化のためのリカレントドロップアウト
• 複数の最適化アルゴリズム（Adam、AdamW、RAdam）
• 高度な正規化テクニック
• 包括的な評価指標システム
• トレーニング進捗の可視化
• クラス重みによる不均衡データのサポート

技術仕様

• 純粋なMQL5実装 - 外部依存なし
• トレーディングアプリケーション向けに最適化
• 包括的なエラー処理と検証
• トレーニング済みモデルの保存/読み込みの完全サポート
• 広範なドキュメント

統合手順

LSTM LibraryをExpert Advisorに統合するには、次の手順に従ってください：

1. ライブラリの完全インポート

#import "LSTM_Library.ex5"
   // ライブラリ情報
   void GetLibraryVersion(string &version);
   void GetLibraryInfo(string &info);
   
   // モデル管理
   int CreateModel(string name);
   int DeleteModel(int handle);
   
   // レイヤー構築
   int AddLSTMLayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddLSTMLayerEx(int handle, int units, int input_size, int seq_len, bool return_seq, double recurrent_dropout);
   int AddGRULayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddBiLSTMLayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddBiLSTMLayerEx(int handle, int units, int input_size, int seq_len, bool return_seq, double recurrent_dropout);
   int AddDenseLayer(int handle, int input_size, int units, int activation);
   int AddDropoutLayer(int handle, double rate);
   int AddBatchNormLayer(int handle, int size);
   int AddLayerNormLayer(int handle, int size);
   
   // コンパイルとトレーニング
   int CompileModel(int handle, int optimizer, double lr, int loss);
   int SetClassWeights(int handle, double &weights[], int n_classes);
   int EnableConfusionMatrixTracking(int handle, int n_classes);
   int GetConfusionMatrix(int handle, int &confusion_matrix[]);
   int FitModel(int handle, double &X_train[], double &y_train[], int n_train, int input_dim,
             double &X_val[], double &y_val[], int n_val, int epochs, int batch);
   
   // 予測と評価
   int PredictSingle(int handle, double &input_data[], int input_size, double &output_data[]);
   int PredictBatch(int handle, double &X[], int n_samples, int input_dim, double &predictions[]);
   double EvaluateModel(int handle, double &X[], double &y[], int n_samples, int input_dim);
   double CalculateClassificationMetrics(double &y_true[], double &y_pred[], int n_samples, int n_classes,
                               double &precision[], double &recall[], double &f1[]);
   
   // データ前処理
   int CreateScaler();
   int DeleteScaler(int handle);
   int FitScaler(int handle, double &data[], int samples, int features);
   int TransformData(int handle, double &data[], double &transformed[], int samples, int features);
   int InverseTransform(int handle, double &transformed[], double &original[], int samples, int features);
   int FitTransformData(int scaler, double &data[], double &transformed[], int samples, int features);
   
   // コールバックとスケジューラ
   int AddEarlyStopping(int handle, int patience, double min_delta);
   int AddProgressBar(int handle, int epochs);
   int AddCosineScheduler(int handle, double base_lr, int T_0, int T_mult);
   int AddOneCycleLR(int handle, double max_lr, int total_steps);
   
   // ユーティリティ
   int PrintModelSummary(int handle);
   int SetModelTrainingMode(int handle, int training);
   int GetModelTrainingMode(int handle);
   int SaveModel(int handle, string filename);
   int LoadModel(int handle, string filename);
   int SaveHistory(int handle, string filename);
   void CleanupAll();
   int GetActiveModelsCount();
   int GetActiveScalersCount();
#import

2. OnInit()での初期化

int model_handle = 0;

int OnInit()
{
   // LSTMモデルを作成
   model_handle = CreateModel("TradingModel");
   if(model_handle <= 0)
      return INIT_FAILED;
      
   // レイヤーを追加
   if(AddLSTMLayer(model_handle, 32, 5, 10, false) <= 0)
      return INIT_FAILED;
      
   if(AddDropoutLayer(model_handle, 0.2) <= 0)
      return INIT_FAILED;
      
   if(AddDenseLayer(model_handle, 32, 1, 1) <= 0)
      return INIT_FAILED;
   
   // モデルをコンパイル（Adamオプティマイザ、MSE損失）
   if(CompileModel(model_handle, 1, 0.001, 0) <= 0)
      return INIT_FAILED;
   
   // 既存のモデルが利用可能な場合は読み込み
   if(FileIsExist("model.bin"))
      LoadModel(model_handle, "model.bin");
   
   return INIT_SUCCEEDED;
}

3. OnDeinit()でのクリーンアップ

void OnDeinit(const int reason)
{
   if(model_handle > 0)
   {
      SaveModel(model_handle, "model.bin");
      DeleteModel(model_handle);
   }
   
   CleanupAll();
}

4. OnTick()での使用

void OnTick()
{
   // 特徴量の準備
   double features[50];  // 例えば、5特徴 * 10シーケンス長
   
   // 市場データで特徴量配列を埋める
   // ...
   
   // 予測を行う
   double prediction[];
   if(PredictSingle(model_handle, features, ArraySize(features), prediction) > 0)
   {
      if(prediction[0] > 0.5)
      {
         // 強気シグナル - 買い注文を出す
      }
      else
      {
         // 弱気シグナル - 売り注文を出す
      }
   }
}

利用可能な高度な機能

リカレントレイヤーのバリアント

• AddLSTMLayerEx() - より良い一般化のためのリカレントドロップアウトを備えたLSTM
• AddBiLSTMLayerEx() - リカレントドロップアウトを備えた双方向BiLSTM

正規化と正則化

• AddBatchNormLayer() - 安定したトレーニングのためのバッチ正規化
• AddLayerNormLayer() - レイヤー正規化

不均衡データの処理

• SetClassWeights() - マイノリティクラスの重みを設定
• EnableConfusionMatrixTracking() - クラス別の詳細なパフォーマンス監視

高度な最適化

• AddCosineScheduler() - ウォームリスタート付きの周期的学習率
• AddOneCycleLR() - One-Cycle学習率の実装

総合的な評価

• PredictBatch() - 効率性向上のためのバッチ予測
• EvaluateModel() - テストデータでの完全評価
• CalculateClassificationMetrics() - 詳細な指標（精度、再現率、F1）

データ前処理

• CreateScaler/FitScaler - 入力データの正規化
• TransformData/InverseTransform - スケール間の変換

要件

• MetaTrader 5
• 機械学習の概念の基本的な理解
• MQL5での中級プログラミングスキル

トレーディングシステムをパワーアップ

MQL5で直接機械学習の力を活用して、既存の戦略やインジケータを変革しましょう。この直接的な統合は、外部接続、Python依存関係、APIの複雑さを必要とせず、あなたのトレーディングプラットフォーム内で純粋な予測力を提供します。

価格予測システム、ボラティリティ予測、または高度なパターン認識を開発する場合でも、LSTM Libraryは変化する市場条件に適応する真に知的なトレーディング決定のための基盤を提供します。

キーワード：LSTM株価予測、LSTM価格予測、ニューラルネットワークトレーディング、MQL5ディープラーニング、時系列予測、外国為替機械学習、暗号通貨AIトレーディング、市場パターン認識、BiLSTMトレーディングシステム、GRU市場分析、AIアルゴリズムトレーディング、MQL5ディープラーニング、価格方向予測、HFT用機械学習