Все о MQL5 Wizard: создавайте роботов без программирования. - страница 3

[Fernando Carreiro]

Я перенес эту тему в раздел "Советники и автоматическая торговля ", поскольку Мастер MQL5 - это в первую очередь инструмент для генерации кода для советников (EA).

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 07): Дендрограммы

В этой статье, которая является частью цикла статей об использовании мастера MQL5, речь пойдет о дендрограммах. Мы уже рассмотрели несколько идей, которые могут быть полезны трейдерам с помощью мастера MQL5, таких как: Линейный дискриминантный анализ, цепи Маркова, преобразование Фурье и некоторые другие, и эта статья направлена на то, чтобы продолжить это начинание и рассмотреть способы использования обширного кода ALGLIB в переводе MetaQuotes вместе с использованием встроенного мастера MQL5 для эффективного тестирования и разработки новых идей.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 08): Перцептроны

Класс Expert-Signal мастера MQL5 поставляется с большим количеством примеров в папке "Include\Expert\Signal", и каждый из них может быть использован как самостоятельно, так и в сочетании друг с другом при создании эксперта в мастере. В этой статье мы рассмотрим создание и использование одного такого файла в эксперте. Такой подход не только минимизирует предварительные усилия по кодированию, но и позволяет тестировать более одного сигнала в одном советнике, приписывая весовые коэффициенты каждому используемому сигналу.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 09). Кластеризация K-Means в паре с фрактальными волнами

Вэтой статье мы продолжаем рассматривать возможные простые идеи, которые можно реализовать и протестировать благодаря мастеру MQL5, рассмотревкластеризацию k-means. Она, как и AHC, которую мы рассматривали в предыдущей статье, представляет собой неконтролируемый подход к классификации данных.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 10). Нетрадиционная RBM

Ограничительные машины Больцмана (ОМБ) - это разновидность нейронных сетей, довольно простых по своей структуре, но не менее почитаемых в определенных кругах за то, что они способны выявлять скрытые свойства и особенности наборов данных.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 11): Стены чисел

Для некоторых временных рядов можно разработать формулу для следующего значения в последовательности, основываясь на предыдущих значениях, которые появлялись в ней. Стены чисел позволяют это сделать, предварительно сгенерировав "стену чисел" в виде матрицы с помощью так называемого правила креста. При создании этой матрицы основная цель - установить, является ли рассматриваемая последовательность сходящейся, и алгоритм "перекрестного правила" с удовольствием отвечает на этот вопрос, если после применения нескольких строк последующие строки в матрице состоят только из нулей.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 12): Полином Ньютона

Анализ временных рядов играет важную роль не только в поддержке фундаментального анализа, но и на очень ликвидных рынках, таких как форекс, он может быть основным фактором, определяющим принятие решений о позиционировании на рынке. Традиционные технические индикаторы имеют тенденцию сильно отставать от рынка, что вывело их из употребления у большинства трейдеров, что привело к появлению альтернативных вариантов, самым распространенным из которых на данный момент являются нейронные сети. Но как насчет полиномиальной интерполяции?

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 13). DBSCAN для экспертного класса сигналов

Эта серия статей, посвященная Мастеру MQL5, представляет собой экскурс в то, как часто абстрактные идеи в математике и других областях жизни могут быть оживлены в качестве торговых систем и протестированы или проверены до того, как будут приняты какие-либо серьезные обязательства по их созданию. Эта способность брать простые и не до конца реализованные или предусмотренные идеи и исследовать их потенциал в качестве торговых систем - одна из жемчужин, представленных в сборке MQL5 wizard для экспертов. В экспертных классах мастера собрано множество рутинных функций, необходимых любому советнику, особенно в части открытия и закрытия сделок, а также в таких упущенных аспектах, как выполнение решений только при формировании нового бара.

Таким образом, сохраняя эту библиотеку процессов как отдельный аспект экспертного советника, с помощью MQL5 Wizard любую идею можно не только протестировать независимо, но и сравнить на равных с любыми другими идеями (или методами), которые могут быть на рассмотрении. В этих сериях мы рассмотрели альтернативные методы кластеризации, такие как агломеративная кластеризация, а также кластеризация k-means.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (14): Многоцелевое прогнозирование временных рядов с помощью STF

Эта статья о пространственно-временном слиянии (STF) вызвала мой интерес к теме благодаря двустороннему подходу к прогнозированию. Для справки: в основе статьи лежит решение вероятностной задачи прогнозирования, которая является совместной для спроса и предложения в двухсторонних платформах, таких как Uber и Didi. Совместные отношения спроса и предложения распространены на различных двусторонних рынках, таких как Amazon, Airbnb и eBay, где, по сути, компания не только обслуживает традиционного "клиента" или покупателя, но и обслуживает поставщиков клиента.

Таким образом, двустороннее прогнозирование в случае, когда предложение частично зависит от спроса, может быть важным для этих компаний на постоянной основе. Такое двойное прогнозирование спроса и предложения, безусловно, отличается от традиционного подхода к прогнозированию конкретного значения временного ряда или набора данных. В работе также была представлена так называемая каузально-трансформационная схема, в которой причинно-следственная "совместная" связь между спросом и предложением отражалась в матрице G, а все прогнозы делались через трансформаторную сеть, и ее результаты были достойны внимания.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 15): Векторные машины с поддержкой и полиномом Ньютона

Support Vector Machines (SVM) - это алгоритм классификации в машинном обучении. Классификация отличается от кластеризации, которую мы рассматривали в предыдущих статьях здесь и здесь. Основное различие между ними заключается в том, что классификация разделяет данные на заранее определенные наборы с наблюдением, а кластеризация стремится определить, какие и сколько этих наборов существуют, без наблюдения.

В двух словах, SVM классифицирует данные, рассматривая связь каждой точки данных со всеми остальными, если к данным добавить измерение. Классификация достигается, если можно определить гиперплоскость, которая четко разделяет заданные наборы данных.

В этой статье мы рассмотрим базовый случай SVM, который работает с двумерными данными (также известный как линейный SVM), так как полный исходный код реализации должен быть общим без ссылок на какие-либо сторонние библиотеки. Обычно разделяющая гиперплоскость получается одним из двух методов: полиномиальное ядро или радиальное ядро. Последний способ более сложен и здесь не рассматривается, так как мы будем иметь дело только с первым, полиномиальным ядром.