당사를 Facebook에서 찾아주십시오!
당사 팬 페이지에 가입하십시오

기고글 작성
당사가 200 USD를 지급합니다!

MetaTrader 5를 다운로드 및 자동으로 거래

Google에서 MQL5의 발행물을 기본 소스로 설정하세요.

트레이딩과 관련한 머신 러닝을 다룬 글

AI 기반의 트레이딩 로봇 생성: 네이티브 파이선과의 통합, 행령과 벡터, 수학과 통계 라이브러리와 이외 많은 자료.

머신 러닝을 트레이딩에 사용하는 방법을 알아보세요. 뉴런, 퍼셉트론, 컨볼루션 및 순환 신경망, 예측 모델 - 기본부터 시작해보세요 그리고 자신만의 AI를 개발하는 단계까지 진행해보세요. 금융 시장에서 알고리즘 거래를 위해 신경망을 훈련하고 적용하는 방법을 배우게 될 것입니다.

새로운 기고글 추가

최신 | 최고

1 2

모집단 최적화 알고리즘: 개미 군집 최적화(ACO)

이번에는 개미 군집 최적화 알고리즘을 분석해 보겠습니다. 이 알고리즘은 매우 흥미롭고 복잡합니다. 이 글에서는 새로운 유형의 ACO를 만들기 위한 시도를 할 것입니다.

모집단 최적화 알고리즘: 인공 꿀벌 군집(ABC)

이 글에서는 인공 꿀벌 군집의 알고리즘을 연구하고 기능적 공간을 연구하는 새로운 원칙을 더해 우리의 지식을 보완할 것입니다. 이 글에서는 고전적인 버전의 알고리즘에 대한 저의 해석을 보여드리겠습니다.

데이터 과학 및 머신 러닝(파트 06): 경사 하강법(Gradient Descent)

경사 하강법은 신경망과 여러가지 머신러닝 알고리즘을 훈련하는 데 중요한 역할을 합니다. 경사 하강법은 인상적인 작업을 하면서도 빠르고 지능적인 알고리즘입니다. 많은 데이터 과학자들이 잘못 알고 있기도 한데 경사 하강법이 무엇인지 살펴보겠습니다.

모집단 최적화 알고리즘: 회색 늑대 옵티마이저(GWO)

이번에는 최신의 최적화 알고리즘 중 하나인 그레이 울프 최적화에 대해 알아봅시다. 테스트 함수에서의 오리지널 행동은 이 알고리즘을 앞서 고려한 알고리즘 중 가장 흥미로운 알고리즘 중 하나로 만듭니다. 이 알고리즘은 신경망 훈련, 많은 변수가 있는 부드러운 함수의 훈련에 사용되는 최고의 알고리즘 중 하나입니다.

모집단 최적화 알고리즘: 파티클 스웜(PSO)

이 글에서는 널리 사용되는 파티클 스웜 최적화(PSO) 알고리즘에 대해 살펴보겠습니다. 이전에는 수렴, 수렴 속도, 안정성, 확장성과 같은 최적화 알고리즘의 중요한 특성에 대해 알아보고 테스트 스탠드를 개발했으며 가장 간단한 RNG 알고리즘에 대해 알아보았습니다.

모집단 최적화 알고리즘: 뻐꾸기 최적화 알고리즘(COA)

다음으로 살펴볼 알고리즘은 레비 비행을 사용한 뻐꾸기 검색 최적화입니다. 이는 최신의 최적화 알고리즘 중 하나이며 인기 있는 새로운 알고즘 중 하나입니다.

본문은 머신러닝의 새로운 관점에 대해 다룹니다. 딥러닝, 정확히 말하면 심층 신경망에 대한 글이죠. 2세대 신경망도 간략하게 살펴볼 겁니다. 연결 구조, 종류, 학습 메소드 및 규칙, 단점을 다룬 후 3세대 신경망 개발의 역사, 종류, 특성 및 학습 메소드에 대해 알아보겠습니다. 실제 데이터를 이용한 적층 오토인코더를 이용한 심층 신경망 구축 및 학습 실험도 할 겁니다. 인풋 데이터 선택부터 편차 메트릭까지 자세히 다룰 겁니다. 본문의 마지막 부분에서는 MQL4/R 기반 인디케이터가 탑재된 EA를 이용해 심층 신경망을 구현해 보도록 하겠습니다.

모집단 최적화 알고리즘: 박쥐 알고리즘(BA)

이 기사에서는 부드러운 함수에서 좋은 수렴을 보이는 박쥐 알고리즘(BA)에 대해 알아볼 것입니다.

모집단 최적화 알고리즘: 반딧불이 알고리즘(FA)

이 글에서는 반딧불이 알고리즘(FA) 최적화 방법에 대해 살펴보겠습니다. 수정을 통해 알고리즘은 주변부의 존재에서평점 테이블의 실제 리더가 되었습니다.

MQL5에서 ONNX 모델을 사용하는 방법

ONNX(Open Neural Network Exchange)는 머신 러닝 모델을 나타내기 위해 구축된 개방형 형식입니다. 이 기사에서는 금융 시계열을 예측하기 위해 CNN-LSTM 모델을 만드는 방법에 대해 살펴보겠습니다. 또한 MQL5 Expert Advisor에서 생성된 ONNX 모델을 사용하는 방법도 보여드리겠습니다.

Scikit-learn 라이브러리의 회귀 모델과 이 모델을 ONNX로 내보내기

이 글에서는 Scikit-learn 패키지의 회귀 모델을 적용하고 이를 ONNX 형식으로 변환하고 결과 모델을 MQL5 프로그램 내에서 사용하는 방법에 대해 살펴봅니다. 또한 부동 소수점 및 배정밀도 모두에서 오리지널 모델의 정확도를 ONNX 버전과 비교할 것입니다. 이후 더 나아가 회귀 모델의 내부 구조와 작동 원리를 더 잘 이해하기 위해 회귀 모델의 ONNX 표현을 살펴볼 것입니다.

MetaTrader 5를 이용한 Python 고빈도 차익 거래 시스템

이 글에서 우리는 브로커의 시각에서 합법적인 차익거래 시스템을 만들고 외환 시장에서 수천 개의 합성 가격을 생성하고 이를 분석하고 성공적으로 수익을 창출하는 거래를 만들어 보겠습니다.

데이터 과학 및 머신 러닝(파트 03): 행렬 회귀(Matrix Regressions)

이번에는 우리의 모델이 행렬로 만들어지고 있습니다. 그러므로 유연성이 있으면서 컴퓨터의 계산 한계 내에서 유지되는 한 5개의 독립 변수 뿐만 아니라 많은 변수를 처리할 수 있는 강력한 모델을 만들 수 있습니다. 이 기사가 흥미로울 것이라 확실합니다.

모집단 최적화 알고리즘: 물고기 떼 검색(FSS)

물고기 떼 검색(FSS)은 대부분의 물고기(최대 80%)가 친척들로 구성된 집단인 물고기 떼에서 물고기의 행동에서 영감을 얻은 새로운 최적화 알고리즘입니다. 물고기의 떼가 먹이 사냥의 효율성과 포식자로부터 보호하는 데 중요한 역할을 한다는 것은 이미 입증된 사실입니다.

모집단 최적화 알고리즘: 침입성 잡초 최적화(IWO)

다양한 조건에서 살아남는 잡초의 놀라운 능력은 강력한 최적화 알고리즘을 만들기 위한 아이디어가 되었습니다. IWO는 앞서 검토한 알고리즘 중 가장 우수한 알고리즘 중 하나입니다.

회귀 메트릭을 사용하여 ONNX 모델 평가하기

회귀는 레이블이 지정되지 않은 예제에서 실제의 값을 예측하는 작업입니다. 회귀 메트릭은 회귀 모델 예측의 정확도를 평가하는 데 사용됩니다.

MQL5에서 행렬 및 벡터: 활성화 함수

여기서는 머신 러닝에서의 활성화 함수에 대해서만 설명하겠습니다. 인공 신경망에서 뉴런 활성화 함수는 입력 신호 또는 입력 신호 세트의 값을 기반으로 출력 신호의 값을 계산합니다. 우리는 이 프로세스의 내부의 작동 방식에 대해 자세히 살펴볼 것입니다.

Scikit-Learn 라이브러리의 분류 모델 및 ONNX로 내보내기

이 글에서는 피셔의 붓꽃 데이터 세트의 분류 작업을 해결하기 위해서 Scikit-Learn 라이브러리에서 사용할 수 있는 모든 분류 모델을 적용하는 방법을 살펴봅니다. 우리는 이러한 모델을 ONNX 형식으로 변환하고 그 결과 모델을 MQL5 프로그램에서 활용하려고 합니다. 또한 전체 붓꽃 데이터 세트에서 원래 모델의 정확도를 ONNX 버전과 비교합니다.

데이터 과학 및 머신 러닝(파트 04): 현재 주식 시장 붕괴 예측

이 기사에서는 로지스틱 모델을 사용하여 미국 경제의 펀더멘털을 기반으로 주식 시장 폭락을 예측하려고 합니다. NETFLIX와 APPLE은 우리가 집중해서 볼 주식입니다. 이전의 2019년과 2020년의 시장 폭락을 통해 우리 모델이 현재의 암울한 상황에서 어떻게 작동하는지를 알아 봅시다.

클래스에서 ONNX 모델 래핑하기

객체 지향 프로그래밍을 사용하면 읽기 쉽고 수정하기 쉬운 보다 간결한 코드를 작성할 수 있습니다. 여기서는 세개의 ONNX 모델에 대한 예제를 살펴보겠습니다.

경제 예측: 파이썬의 잠재력 살펴보기

세계 은행 경제 데이터를 예측에 어떻게 사용할 수 있을까요? AI 모델과 경제학을 결합하면 어떤 일이 일어날까요?

MQL5에서 ONNX 모델을 앙상블하는 방법의 예시

ONNX(Open Neural Network eXchange)는 신경망을 위해 만들어진 개방형 형식입니다. 이 글에서는 하나의 Expert Advisor에서 두 개의 ONNX 모델을 동시에 사용하는 방법을 소개하겠습니다.

MQL5에서 행렬 및 벡터

특수한 데이터 유형인 '매트릭스' 및 '벡터'를 사용하여 수학적 표기법에 매우 가까운 코드를 생성할 수 있습니다. 이러한 메서드를 사용하면 중첩된 루프를 만들거나 계산시 배열의 올바른 인덱싱을 염두에 둘 필요가 없습니다. 따라서 행렬 및 벡터 메서드를 사용하면 복잡한 프로그램을 개발할 때 안정성과 속도가 향상됩니다.

MQL 언어를 사용하여 아무것도 없는 상태에서 심층 신경망(Deep Neural Network) 프로그래밍 하기

이 기사는 MQL4/5 언어를 사용하여 심층 신경망을 만드는 방법을 열려주는 것을 목표로 합니다.

데이터 과학 및 머신 러닝(파트 05): 의사 결정 트리

의사 결정 트리는 인간이 데이터를 분류하기 위해 생각하는 방식을 모방합니다. 트리를 구축하고 트리를 사용하여 데이터를 분류하고 예측하는 방법에 대해 알아보겠습니다. 의사 결정 트리 알고리즘의 주요 목표는 불순물이 있는 데이터를 순수한 것으로 분리하거나 노드에 가깝게 분리하는 것입니다.

데이터 과학 및 머신 러닝 - 신경망(1부): 피드 포워드 신경망에 대한 이해

많은 사람들이 신경망을 좋아하지만 신경망의 전체 작동 원리를 이해하는 사람은 많지 않습니다. 이 글에서 저는 피드 포워드 멀티 레이어 인식의 이면에 있는 모든 것을 평이하게 설명하려고 합니다.

모집단 최적화 알고리즘: 박테리아 먹이 채집 최적화(BFO)

대장균 박테리아 먹이 채집 전략은 과학자들이 BFO 최적화 알고리즘을 개발하는 데 영감을 주었습니다. 이 알고리즘에는 최적화에 대한 독창적인 아이디어와 유망한 접근 방식이며 앞으로 더 연구해 볼 만한 가치가 있습니다.

랜덤 포레스트로 추세 예측하기

본문은 Rattle 패키지를 이용한 외환 시장 내 롱 또는 숏 포지션 예측 패턴 자동 검색에 대해 다룹니다. 모든 투자자에게 도움이 될만 한 글입니다.

모집단 최적화 알고리즘: 원숭이 알고리즘(MA)

이 글에서는 원숭이 알고리즘(MA) 최적화 알고리즘에 대해 알아보겠습니다. 원숭이들이 어려운 장애물을 극복하고 가장 접근하기 어려운 나무 꼭대기에 도달하는 능력은 MA 알고리즘의 아이디어의 기초가 되었습니다.

모집단 최적화 알고리즘: 중력 검색 알고리즘(Gravitational Search Algorithm;GSA)

GSA는 무생물에서 영감을 얻은 모집단 최적화 알고리즘입니다. 알고리즘에 구현된 뉴턴의 중력 법칙과 그리고 물리적 객체의 상호 작용을 모델링하는 높은 신뢰성 덕분에 우리로 하여금 행성계와 은하단의 매혹적인 춤을 관찰하게 해 줍니다. 이 기사에서는 가장 흥미롭고 독창적인 최적화 알고리즘 중 하나를 살펴볼 것입니다. 우주의 객체의 움직임에 대한 시뮬레이터도 있습니다.

모집단 최적화 알고리즘: 전자기 유사 알고리즘(ЕМ)

이 문서에서는 다양한 최적화 문제에서 전자기 알고리즘을 사용하는 원리, 방법 및 그 가능성에 대해 알아봅니다. EM 알고리즘은 대량의 데이터와 다차원 함수를 다룰 수 있는 효율적인 최적화 도구입니다.

데이터 과학 및 기계 학습(파트 02): 로지스틱 회귀

데이터 분류는 알고리즘 트레이더와 프로그래머에게 중요합니다. 이 기사에서 우리는 예 또는 아니오, 상방 또는 하방, 매수 또는 매도를 식별하는 데 도움이 될 수 있는 분류 로지스틱 알고리즘 중 하나에 초점을 맞출 것입니다.

3차원 반전 패턴에 기반한 알고리즘 트레이딩

3차원 바를 활용한 자동 트레이딩의 새로운 세계를 만나보세요. 다차원의 가격 바에서 트레이딩 로봇은 어떤 모습일까요? 3차원 바에서 "노란색" 클러스터들이 추세의 반전을 예측할 수 있을까요? 다차원 트레이딩이란 어떤 모습일까요?

신경망 네트워크: 이론에서 실전까지

요즘, 모든 거래자들은 신경망에 대해 들어봤을 것이고, 신경망을 사용하는 것이 얼마나 멋진지 알고 있을 것입니다. 대다수는 신경망을 다룰 수 있는 사람들이 일종의 초인적인 존재라고 믿습니다. 이 기사에서는 신경 네트워크 아키텍처를 설명하고, 그 적용 사례를 설명하며, 실제 사용 사례를 보여 드리겠습니다.

머신 러닝: 트레이딩에서 서포트 벡터 머신을 사용하는 방법

Support Vector Machine은 복잡한 데이터 세트를 평가하고 데이터를 분류하는 데 사용할 수 있는 유용한 패턴을 추출하기 위해 생물정보학 및 응용 수학과 같은 분야에서 오랫동안 사용되어 왔습니다. 이 글에서는 서포트 벡터 머신이 무엇인지, 어떻게 작동하는지, 왜 복잡한 패턴을 추출하는 데 유용할 수 있는지 살펴봅니다. 그런 다음 시장에 적용할 수 있는 방법과 잠재적으로 거래에 조언하는 데 사용할 수 있는 방법을 조사합니다. Support Vector Machine Learning Tool을 사용하여 이 글은 독자가 자신의 거래를 실험할 수 있는 작업 예제를 제공합니다.