关于交易中机器学习的文章

当与机器学习模型共事时，确保用于训练、验证和测试的数据一致性必不可少。在本文中，我们将创建我们自己的 MQL5 版本 Pandas 函数库，确保使用统一方式来处理机器学习数据；这样做是为确保在 MQL5 内部和外部应用相同的数据，其中大部分发生在训练阶段。

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。

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。

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。

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。

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。

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。

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。

本文提出一种基于圆几何特性的新型元启发式优化算法——圆搜索算法（CSA）。该算法通过模拟切线方向上的点移动机制，在解空间中实现全局探索与局部开发的协同优化。

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。

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。

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。

在本文中，我介绍了一种创新的交易算法，其针对外汇交易结合了进化算法与深度强化学习。该算法利用低效个体灭绝机制来优化交易策略。

在本系列文章中，我们已经探讨了多种确定技术指标最佳使用周期的方法。今天，我们将向读者展示如何反其道而行之，也就是我们不再局限于挑选一个最佳时间周期，而是演示如何有效地利用所有可用周期。这种方法减少了被剔除的数据量，并为机器学习算法提供了常规价格预测以外的应用场景。

在本文中，我们将利用生成式对抗网络（GAN）创建一个合成品种，涉及生成逼真的财经数据，即模仿真实市场金融产品（例如 EURUSD）的行为。GAN 模型从历史市场数据中学习形态和波动性，并创建拥有相似特征的合成价格数据。

在之前的工作中，我们讨论了 PSformer 框架的理论层面，其中包括经典变换器架构的两大创新：参数共享（PS）机制，以及时空区段注意力（SegAtt）。在本文中，我们继续实现所提议方式的 MQL5 版本。

我们将用Python构建一个远程外汇风险管理系统，并逐步将其部署到服务器上。在本文中，我们将学习如何通过编程管理外汇风险，以及如何避免外汇账户资金再次损失殆尽。

损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。

基于 ResNeXt 的多任务学习框架，优化了金融数据分析，可参考其高维度、非线性、和时间依赖性。使用分组卷积和专用头，令模型能有效从输入数据中提取关键特征。

在本文中，我们将构建一个基本神经元。虽然它看起来很简单，许多人可能会认为这段代码完全微不足道，毫无意义，但我希望你在学习这个简单的神经元草图时能玩得开心。不要害怕修改代码，完全理解它才是目标。

在本文中，我们继续探讨集成模型，重点讨论“门控”的概念，尤其是门控如何通过整合模型输出来提升预测准确性或模型泛化能力。

本文介绍了辩证算法（DA），这是一种受辩证法哲学概念启发的新的全局优化方法。该算法利用了人口中独特的划分，将其分为投机思想者和实践思想者。测试表明，在低维问题上，性能令人印象深刻，高达 98%，整体效率为 57.95%。本文解释了这些度量，并详细描述了算法和不同类型函数的实验结果。

从 ChatGPT 到自动驾驶汽车，这些占据头条的 AI 突破并非基于孤立模型，而是从各种模型或共同领域积累的知识转化而成。现在，同样“学一次，随处应用”的方式也可帮助我们在算法交易中变换人工智能模型。在本文中，我们会将探讨如何利用从各种工具获取的信息，帮助提升迁移学习的预测效果。

本文探讨了即便使用相同的策略和金融标的，不同经纪商的交易结果为何仍会存在显著差异，原因在于定价的分散化以及数据差异。本文有助于MQL5开发者理解为何他们的产品在MQL5市场上的评价褒贬不一，并敦促开发者针对特定经纪商调整方法，以确保结果透明且可重复。如果这一做法能被广泛地采用，将有望成为我们社区重要的特定领域最佳实践。

本文研究了在神经网络训练背景下，不同激活函数与优化算法之间的相互作用。我们特别关注了经典的 ADAM 算法及其种群版本在处理多种激活函数（包括振荡的 ACON 和 Snake 函数）时的表现。通过使用一个极简的 MLP (1-1-1) 架构和单个训练样本，我们将激活函数对优化的影响与其他因素隔离开来。文章提出了一种通过激活函数边界来管理网络权重的方法，以及一种权重反射机制，这有助于避免训练中的饱和和停滞问题。

金融市场非是完美平衡。有些市场看涨，有些看跌，有些市场展现范围起伏行为，表明无论哪个方向都不确定，这些不平衡的信息在训练机器学习模型时可能会误导，在于市场频繁变化。在本文中，我们将讨论若干种途径来应对该问题。

我们继续探索基于 ResNeXt 的多任务学习框架，其特征是模块化、高计算效率、及识别数据中稳定形态的能力。使用单一编码器和专用“头”可降低模型过度拟合风险，提升预测品质。

强化学习中的回放缓冲区对于像 DQN 或 SAC 这样的无政策算法尤为重要。这样就会聚光在该记忆缓冲区的抽样过程。举例，SAC 默认选项从该缓冲区随机选择，而优先经验回放缓冲区则基于 TD 分数从缓冲区中抽样对其优调。我们回顾强化学习的重要性，并一如既往，在由向导汇编的智能系统中验证这一假设（而‘非交叉验证）。

在这篇文章中，我们将在 MQL5 环境中实现一个 ARIMA 预测指标。文章深入探讨了 ARIMA 模型生成预测的机制，并分析了其在外汇市场乃至整个证券市场的适用性。此外，文章还详细阐释了什么是 AR 自回归模型，如何利用自回归模型进行预测，以及自回归机制的具体运作原理。

本文将探讨并实现一种方法：利用单一数据集同时作为训练集和验证集，来评估模型质量。

在一个充斥着杂乱且不可预测数据的世界里，识别有意义的形态可能颇具挑战性。在本文中，我们将探讨季节性分解，这是一种强力分析技术，有助于把数据拆分为关键成分：趋势、季节性形态、和噪声。以该途径拆解数据，我们能够揭示隐藏的洞见，并配以更清晰、更易解读的信息工作。

文章提供了 ATA 优化算法关键组成部分和创新的详细讨论，其为一种进化方法，具有独特的双重行为系统，可根据状况进行调整。ATA 结合了个体和社会学习，同时使用交叉进行探索和迁徙，从而在陷入局部最优时找到解。