关于交易中机器学习的文章

这是我自己的算法。本文表阐述受平行宇宙和时间流概念启发的时间演化旅行算法（TETA）。该算法的基本思路是，尽管传统意义上的时间旅行是不可能的，但我们能够选择一系列事件来导致不同的现实。

在本文中，我们将讨论另一种模型类型，它们旨在研究环境状态的动态。

这是上一篇研究社群概念文章的延续。本文使用迁徙和记忆算法探讨社群的演化。结果将有助于理解社区系统的演化，并将其应用于优化和寻找解。

本文介绍了非洲水牛优化（ABO）算法，这是一种于2015年开发的元启发式方法，基于这些动物的独特行为。文章详细描述了算法实现的各个阶段及其在解决复杂问题时的效率，这使得它成为优化领域中一个有价值的工具。

本文深入探讨了改进型前向选择成分分析（Forward Selection Component Analysis，FSCA）算法的实现，该算法灵感源自Luca Puggini和Sean McLoone在《前向选择成分分析：算法与应用》一文中所提出的研究。

在本文中，我们概述一种基于“超点变换器”（SPFormer） 的三维物体分段方法，其剔除了对中间数据聚合的需求。这加快了分段过程，并提高了模型的性能。

在本文中，我们将了解适用于MQL5的ALGLIB库的优化方法。本文包含了使用ALGLIB解决优化问题的简单且清晰的示例，旨在使读者能够尽可能轻松地掌握这些方法。我们将详细探讨BLEIC、L-BFGS和NS等算法的连接方式，并使用它们来解决一个简单的测试问题。

强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。

SAMformer 为长期时间序列预测中变换器模型的主要缺点，譬如训练复杂性，及小型数据集的普适能力差，提供了解决方案。其浅层架构和锐度感知优化有助于避免次优的局部最小值。在本文中，我们将继续利用 MQL5 实现方式，并评估其实用价值。

本文提出了一种新的群体优化算法——循环孤雌生殖算法（CPA），其灵感源自蚜虫独特的生殖策略。该算法融合了两种生殖机制：孤雌生殖（无性繁殖）与有性生殖，并借助蚜虫的群体结构以及群体间的迁徙能力。算法的核心特点包括：在不同生殖策略之间自适应切换和通过“迁飞”机制实现群体间的信息交换。

本文讲述新的 PSformer 框架，其适配雏形变换器架构，解决与多元时间序列预测相关的问题。该框架基于两项关键创新：参数共享（PS）机制，和区段注意力（SegAtt）。

我们概述多智代自适应投资组合优化框架（MASAAT），其结合了注意力机制和时间序列分析。MASAAT 生成一组智代，分析价格序列和方向变化，能够在不同细节层次识别资产价格的明显波动。

“深度-Q-网络” 是一种强化学习算法，在机器学习模块的训练过程中，神经网络参与预测下一个 Q 值和理想动作。我们曾研究过另一种强化学习算法 “Q-学习”。本文因此出示了另一个如何配以强化学习训练 MLP 的示例，可于自定义信号类中所用。

LSEAttention 框架改进变换器架构。它是专为长期多变量时间序列预测而设计。该方法作者提议的方法能应用于解决雏形变换器经常遇到的熵坍缩、及学习不稳定问题。

在本文中，我们讨论定向扩散模型，其利用数据相关的各向异性、和定向噪声，在前向扩散过程中捕获有意义的图形表征。

我们持续开发 FinAgent 算法，其是一款多模态金融交易智代，旨在分析多模态市场动态数据，以及历史交易形态。

达瓦斯箱体突破策略由尼古拉斯·达瓦斯（Nicolas Darvas）提出，是一种技术交易方法：当股价突破预设的"箱体"区间上沿时，视为潜在买入信号，表明强劲的上升动能。本文将以该策略为例，探讨三种高级机器学习技术的应用。其中包括：利用机器学习模型直接生成交易信号（而非仅过滤交易）；采用连续型信号（而非离散型信号）；使用基于不同时间框架训练的模型进行交易验证。

本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。

在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。

本文介绍了最初是为天气预报而开发的“构象（Conformer）”算法，其变化多端之处可与金融市场相提并论。“构象（Conformer）”是一种复杂的方法。它结合了关注度模型和常微分方程的优点。

在本文的第二部分，我们将继续开发一种改进版的原子轨道搜索（AOS）算法，重点聚焦于特定操作符的优化设计，以提升算法的效率和适应性。在分析了该算法的基本原理和运行机制之后，我们将探讨提升其性能以及分析复杂解空间能力的方法，并提出新的思路以扩展其作为优化工具的功能。

在嘈杂的条件下有效识别和预存市场数据的局部结构是交易中的一项关键任务。运用自注意力机制在处理这类数据方面展现出可喜的结果；不过，经典方式并未考虑底层结构的局部特征。在本文中，我将引入一种能够协同这些结构依赖关系的算法。

本文介绍了一种在交易 EA 中使用神经网络的简单且易于实现的方法，该方法不需要深厚的机器学习知识。该方法免除了对目标函数进行归一化的步骤，同时克服了“权重爆炸”和“网络停滞”等问题，并提供了直观的训练过程和结果的可视化控制。

我们继续研究层次化向量变换器方法。在本文中，我们将完成模型的构造。我们还会在真实历史数据上对其进行训练和测试。

在本文中，我们将使用二元分类来预测未来的极端波动。此外，我们将利用机器学习开发极端波动预测指标。

在本文中，我们将讨论并演示如何使用Python和MQL5将名义预测变量转换为适合机器学习算法的数值格式。

时态差异是强化学习中的另一种算法，它基于智顾训练期间预测和实际奖励之间的差异更新 Q-值。它专门驻守更新 Q-值，而不介意它们的状态-动作配对。因此，我们考察如何在向导汇编的智能系统中应用这一点，正如我们在之前文章中所做的那样。

本文实现了一个快速策略测试器，它使用Numba对机器学习模型进行快速策略测试。它的速度比纯 Python 策略回测器快 50 倍。作者推荐使用该库来加速数学计算，尤其是那些涉及循环的计算。

我们将向之前发布的文章中的三个例子里加入深度学习，并与之前的版本进行比较。目标是学习如何将深度学习（DL）应用于其他EA。

许多人，尤其是非程序员，发现在 MetaTrader 5 和其他程序之间传输信息非常困难。其中一个程序就是 Excel。许多人使用 Excel 作为管理和维护风险控制的一种方式。这是一个优秀的程序，易于学习，即使对于那些不是 VBA 程序员的人来说也是如此。在这里，我们将看看如何在 MetaTrader 5 和 Excel 之间建立连接（一种非常简单的方法）。

训练变换器模型需要大量数据，并且往往很困难，因为模型不擅长类推到小型数据集。SAMformer 框架通过避免糟糕的局部最小值来帮助解决这个问题。即使在有限的训练数据集上，也能提升模型的效率。

软性参与者-评论者是一种强化学习算法，我们曾在之前的系列文章中考察过 Python 和 ONNX，作为高效的网络训练方式。我们重新审视该算法，意在利用张量，即 Python 中常用的计算图形。