コード
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 MetaTrader 5のため
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。
トレーダーのためのMQL5プログラミング - 書籍からのソースコード。第7部 MetaTrader 5のため
本書最後となる第7部では、MetaTrader 5のプログラムを開発する際に役立つMQL5 APIの高度な機能について説明します。これには、カスタム金融銘柄、組み込みの経済指標カレンダーイベント、およびネットワーキング、データベース、暗号化などの汎用テクノロジーが含まれます。
トレーダーのためのMQL5プログラミング - 書籍からのソースコード。第6部 MetaTrader 5のため
『トレーダーのためのMQL5プログラミング』の第6部では、MQL5言語の重要な要素である取引の自動化について学びます。まず、金融商品の仕様や取引口座の設定など、基本的なエンティティについて説明します。これらはエキスパートアドバイザー(EA)を適切に動作させるための前提条件です。
トレーダーのためのMQL5プログラミング - 書籍からのソースコード。第5部 MetaTrader 5のため
本書の第5部では、金融データの分析・処理、チャートの視覚化、自動化、ユーザーとのインタラクションなど、アルゴリズム取引に関連するAPIについて掘り下げていきます。
トレーダーのためのMQL5プログラミング - 書籍からのソースコード。第4部 MetaTrader 5のため
本書の第4部では、組み込み関数(MQL5 API)のマスターに焦点を当て、徐々に特殊なサブシステムに踏み込んでいきます。どんなMQL5プログラムでも、多くのテクノロジーと機能を利用することができます。したがって、ほとんどのプログラムで利用できる最もシンプルで便利な機能から始めるのが理にかなっています。
トレーダーのためのMQL5プログラミング - 書籍からのソースコード。第3部 MetaTrader 5のため
第3部「MQL5でのオブジェクト指向プログラミング」では、MQL5言語によるオブジェクト指向プログラミング(OOP)の世界に浸ることができます。ソフトウェア開発には、複数のエンティティの管理に関連する複雑さが伴うことが多く、プログラミングの利便性、生産性、品質を向上させる高度な技術が必要とされます。
トレーダーのためのMQL5プログラミング - 書籍からのソースコード。第2部 MetaTrader 5のため
第2部「MQL5プログラミングの基礎」では、このプログラミング言語の主要な概念を紹介します。本書のこの部分では、データ型、識別子、変数、式、および演算子について説明します。さまざまな命令を組み合わせてプログラムロジックを形成する方法を学びます。
トレーダーのためのMQL5プログラミング - 書籍からのソースコード。第1部 MetaTrader 5のため
本書の第1章では、MQL5言語と開発環境を紹介しています。MQL4（MetaTrader 4言語）と比較してMQL5言語で導入された新機能の1つは、オブジェクト指向プログラミング(OOP)のサポートです。これはC++に似ています。
Zigzag R MetaTrader 4のため
An optimized version of the Zigzag indicator, which was included in the MT4 delivery of 2005 (and in MT3.83)
ALGLIB - 数値分析ライブラリ MetaTrader 4のため
ALGLIB 算術関数ライブラリ (v. 3.5.0) MQL4に移植
記事
フリーランスサービスでトレーダーから受注して収入を得る方法 MetaTrader 5のため
MQL5フリーランスは、開発者がトレーダー顧客のために取引アプリケーションを作成して報酬を得ることができるオンラインサービスです。このサービスは2010年以来成功裏に運営されており、これまでに10万件以上のプロジェクトが完了し、その総額は700万ドルに達しています。ご覧の通り、相当な額の資金が絡んでいます。
float16およびfloat8形式のONNXモデルを扱う MetaTrader 5のため
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。
Regression models of the Scikit-learn Library and their export to ONNX MetaTrader 5のため
In this article, we will explore the application of regression models from the Scikit-learn package, attempt to convert them into ONNX format, and use the resultant models within MQL5 programs. Additionally, we will compare the accuracy of the original models with their ONNX versions for both float
初めてのMetaTrader VPS：ステップバイステップ MetaTrader 5のため
自動売買ロボットやコピー取引を利用していると必ず、遅かれ早かれ、取引プラットフォーム用に信頼できる24時間365日のホスティングサーバーをレンタルする必要性を認識するようになります。様々な理由から、MetaTrader VPSの使用が推奨されます。このサービスの支払いとサブスクリプションはMQL5.communityのアカウントで管理できます。
Scikit-Learnライブラリの分類器モデルとONNXへの書き出し MetaTrader 5のため
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。
MQL5のALGLIB数値解析ライブラリ MetaTrader 5のため
この記事では、ALGLIB3.19数値分析ライブラリ、その応用、金融データ分析の効率を向上させる新しいアルゴリズムについて簡単に説明します。
回帰指標を用いたONNXモデルの評価 MetaTrader 5のため
回帰とは、ラベル付けされていない例から実際の値を予測するタスクのことです。いわゆる回帰メトリクスは、回帰モデルの予測精度を評価するために使用されます。
MQL5における行列とベクトル：活性化関数 MetaTrader 5のため
ここでは、機械学習の一側面である活性化関数についてのみ説明します。人工ニューラルネットワークでは、ニューロンの活性化関数は、入力シグナルまたは入力シグナルのセットの値に基づいて出力シグナル値を計算します。その内幕に迫ります。
ONNXモデルをクラスでラップする MetaTrader 5のため
オブジェクト指向プログラミングは、読みやすく修正しやすい、よりコンパクトなコードの作成を可能にします。ここでは3つのONNXモデルの例を見てみましょう。
MQL5でONNXモデルをアンサンブルする方法の例 MetaTrader 5のため
ONNX (Open Neural Network eXchange)は、ニューラルネットワークを表現するために構築されたオープンフォーマットです。この記事では、1つのエキスパートアドバイザー(EA)で2つのONNXモデルを同時に使用する方法を示します。
フォーラム
リアルタイムナスダックデータの購読
ナスダックの詳細データを活用し、より正確な意思決定と効率的なリスク管理を通じて、お客様の取引戦略を強化しましょう。成績向上を目指すトレーダーにとって、絶好の機会です。従来の分単位や時間単位のバーとは異なり、サブスクリプションではティックデータにアクセスでき、価格変動のたびにリアルタイムの情報が提供されるため、より深い市場分析が可能となります。 サブスクリプションで得られるメリット 正確性: 価格変動ごとに高品質なデータを取得できるため、ストラテジーテストの精度が向上し、エラーのリスクを最小限に抑えることができます。
記事「MQL5とPythonで自己最適化EAを構築する」についてのディスカッション
新しい記事「 MQL5とPythonで自己最適化EAを構築する 」はパブリッシュされました: この記事では、市況に基づいて取引戦略を自律的に選択変更できるエキスパートアドバイザー(EA)を構築する方法について解説します。マルコフ連鎖の基本を学び、それがアルゴリズムトレードにどのように役立つかを探っていきます。 マルコフは、完全にランダムなプロセスをモデル化する必要がある数々の問題に取り組みました。これは、市場のダイナミクスにおける予測不可能性に対処する現代の課題にも通じます。彼が定式化した「マルコフ連鎖」は、ランダムな現象を扱う際に非常に有用な枠組みです。これを直感的に理解してみましょう。
記事「時系列の非定常性の指標としての2標本コルモゴロフ–スミルノフ検定」についてのディスカッション
新しい記事「 時系列の非定常性の指標としての2標本コルモゴロフ–スミルノフ検定 」はパブリッシュされました: この記事では、最も有名なノンパラメトリック同質性検定の1つである2標本のコルモゴロフ–スミルノフ検定について考察します。モデルデータと実際の相場の両方が分析されています。また、この記事では非定常性指標（iスミルノフ距離）の構築例も紹介しています。
記事「パラボリックSARを使ってトレーリングストップを追加する方法」についてのディスカッション
新しい記事「 パラボリックSARを使ってトレーリングストップを追加する方法 」はパブリッシュされました: 取引戦略を作成する際には、さまざまな保護ストップのオプションをテストする必要があります。その中で、価格に追随してストップロスレベルをダイナミックに引き上げる方法が考えられます。その最有力候補として、パラボリックSAR指標が挙げられます。これ以上シンプルで視覚的にわかりやすい指標はないでしょう。
MetaTrader 5プラットフォームベータ版ビルド4540：MQL5のWebバージョンとOpenBLAS統合の強化
2024年9月13日（金）に、MetaTrader 5プラットフォームの新しいベータ版をリリースします。 このアップデートでは、Webプラットフォームに多くの新機能と改善を導入しました。クロスヘアモードを追加し、チャート上の距離測定や正確な値の確認が可能に。また、新しい折れ線チャートタイプも追加しました。モバイル版では、気配値表示に追加情報を表示する機能が提供され、チャート操作を効率化するために、サポートされるホットキーリストも拡張されています。
記事「多通貨エキスパートアドバイザーの開発（第9回）：単一取引戦略インスタンスの最適化結果の収集」についてのディスカッション
新しい記事「 多通貨エキスパートアドバイザーの開発（第9回）：単一取引戦略インスタンスの最適化結果の収集 」はパブリッシュされました: EA開発の主な段階を概説しましょう。最初におこなうべき重要な作業の1つは、開発した取引戦略のインスタンスを最適化することです。最適化プロセスにおいて、テスターが通過したパスに関する必要な情報を一箇所に集約してみましょう。 基本的に、保存して使用する必要があるデータの主な種類は、複数のEAの最適化結果です。ご承知のように、ストラテジーテスターはすべての最適化結果を*.opt拡張子の別個のキャッシュファイルに記録し、テスターで再度開いたり、別のMetaTrader
記事「ニューラルネットワークが簡単に（第87回）：時系列パッチ」についてのディスカッション
新しい記事「 ニューラルネットワークが簡単に（第87回）：時系列パッチ 」はパブリッシュされました: 予測は時系列分析において重要な役割を果たします。この新しい記事では、時系列パッチの利点についてお話しします。 自然言語処理( NLP )分野で開発された Transformer アーキテクチャは、コンピュータビジョン( CV )でもその優位性を発揮し、時系列解析にも成功を収めています。特に、 Self-Attention （自己注意機構）は、時系列データの要素間の関係を自動的に識別する能力があり、効果的な予測モデルを構築する基盤となっています。
記事「ニューラルネットワークが簡単に（第86回）：U字型Transformer」についてのディスカッション
新しい記事「 ニューラルネットワークが簡単に（第86回）：U字型Transformer 」はパブリッシュされました: 時系列予測アルゴリズムの研究を続けます。この記事では、もう1つの方法であるU字型Transformerについて説明します。 長期的な時系列の予測は、取引にとって特に重要です。2017年に紹介された Transformer アーキテクチャは、自然言語処理( NLP )とコンピュータービジョン( CV )の分野で優れたパフォーマンスを発揮しました。使用されている Self-Attention
記事「ニューラルネットワークが簡単に（第85回）：多変量時系列予測」についてのディスカッション
新しい記事「 ニューラルネットワークが簡単に（第85回）：多変量時系列予測 」はパブリッシュされました: この記事では、線形モデルとTransformerの長所を調和的に組み合わせた、新しい複雑な時系列予測手法を紹介します。 Client アルゴリズムの主な考え方は、時間的なAttentionから変数間の依存関係の分析に移行し、これに加えて線形モジュールを統合することで、変数間の依存関係とトレンド情報をより効果的に利用する点にあります。 Client
記事「ニューラルネットワークが簡単に（第84回）：RevIN (Reversible Normalization)」についてのディスカッション
新しい記事「 ニューラルネットワークが簡単に（第84回）：RevIN (Reversible Normalization) 」はパブリッシュされました: 入力データの前処理がモデル訓練の安定性に大きく寄与することは、すでに広く知られています。オンラインで「生」の入力データを処理するために、バッチ正規化層が頻繁に使用されますが、時には逆の手順が求められる場合もあります。この記事では、この問題を解決するための1つのアプローチについて解説します。