关于交易中机器学习的文章

无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。

我们已经不止一次地讨论过正确选择奖励函数的重要性，我们通过为单独动作添加奖励或惩罚来刺激代理者的预期行为。但是关于由代理者解密我们的信号的问题仍旧悬而未决。在本文中，我们将探讨将单独信号传输至已训练代理者时的奖励分解。

由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。

用于表示机器学习模型的数据格式对其有效性起着至关重要的作用。近年来，出现了几种新类型的数据，专门为使用深度学习模型而设计。在本文中，我们将重点介绍两种新的数据格式，它们已在现代模型中广泛采用。

最后两篇文章研究了软性扮演者-评论者算法，该算法将熵正则化整合到奖励函数当中。这种方式在环境探索和模型开发之间取得平衡，但它仅适用于随机模型。本文提出了一种替代方式，能适用于随机模型和确定性模型两者。

随着人工智能的快速发展，大型语言模型（LLM）成为人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。

深入ONNX的世界，这是一种用于交换机器学习模型的强大的开放标准格式。了解利用ONNX如何彻底改变MQL5中的算法交易，使交易员能够无缝集成尖端的人工智能模型，并将其策略提升到新的高度。揭开跨平台兼容性的秘密，学习如何在您的MQL5交易活动中释放ONNX的全部潜力。通过这篇掌握ONNX的全面指南提升您的交易游戏

在上一篇文章中，我们实现了软性扮演者-评论者算法，但未能训练出一个可盈利的模型。在此，我们将优化先前创建的模型，以期获得所需的结果。

本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

我们继续讨论解决连续动作空间问题的强化学习算法。在本文中，我将讲演软性扮演者-评论者（SAC）算法。SAC 的主要优点是拥有查找最佳策略的能力，不仅令预期回报最大化，而且拥有最大化的动作熵（多样性）。

本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

在上一篇文章中，我们概述了 DDPG 方法，它允许在连续动作空间中训练模型。然而，与其它 Q-学习方法一样，DDPG 容易高估 Q-函数的数值。这个问题往往会造成训练代理者时选择次优策略。在本文中，我们将研究一些克服上述问题的方式。

在本文中，我们要看看另一种强化学习方式。 它被称为条件导向目标强化学习（GCRL）。 按这种方式，代理者经过训练，可以在特定场景中达成不同的目标。

本文是以 MQL5 实现范畴论系列的延续。 在这里，我们继续将“幺半群 — 动作”当为幺半群变换的一种手段，如上一篇文章所涵盖的内容，从而增加了应用。

回归是一项依据未标记样本预测真实数值的任务。 所谓的回归衡量度则是用来评估回归模型的预测准确性。

在本文中，我们将讨论在频域中分析时间序列的相关方法。 构建预测模型时，强调检验时间序列功率谱的效用 在本文中，我们将讨论运用离散傅里叶变换（dft）在频域中分析时间序列获得的一些实用观点。

强化学习的问题在于需要定义奖励函数。 它可能很复杂，或难以形式化。 为了定解这个问题，我们正在探索一些基于行动和基于环境的方式，无需明确的奖励函数即可学习技能。

在强化学习的背景下，模型拖延症可能由多种原因引起。 本文研究了模型拖延症的一些可能原因，以及克服它们的方法。

本文讨论 Go-Explore 算法覆盖长周期训练的运用，因为随着训练时间的增加，随机动作选择策略也许不会导致可盈利验算。

我们继续在强化学习模型中研究环境。 在本文中，我们将见识到另一种算法 — Go-Explore，它允许您在模型训练阶段有效地探索环境。

在此，我们将只讲述机器学习的一个方面 — 激活函数。 在人工神经网络中，神经元激活函数会根据一个或一组输入信号的数值，计算输出信号值。 我们将深入研究该过程的内部运作。

面向对象编程可以创建更紧凑、易于阅读和修改的代码。 在此，我们将会看到三个 ONNX 模型的示例。

强化学习中的一个关键问题是环境探索。 之前，我们已经见识到基于内在好奇心的研究方法。 今天我提议看看另一种算法：凭借分歧进行探索。

本文提供了一个的示例，运用感知器作为自给自足的价格预测工具，展示其一般概念和最简单的已制备智能系统，然后是其优化结果。