关于交易中机器学习的文章
创建基于AI的交易机器人：与Python的原生集成，矩阵和向量，数学和统计库等。
了解如何在交易中使用机器学习。神经元、感知器、卷积和循环网络、预测模型 — 从基础开始，逐步开发您自己的AI。您将学习如何为金融市场的算法交易训练和应用神经网络。
数据科学和机器学习（第 35 部分）：MQL5 中的 NumPy — 用更少代码制作复杂算法的艺术
NumPy 库几乎为所有 Python 语言编程的机器学习算法提供核心动力，在本文中我们即将实现一个类似的模块，其收集了所有复杂的代码，辅助我们构建各种类的复杂模型和算法。
您应当知道的 MQL5 向导技术（第 58 部分）：配以移动平均和随机振荡器形态的强化学习（DDPG）
移动平均线和随机振荡器是十分常用的指标，我们在前一篇文章中探讨了它们的共通形态，并通过监督学习网络，见识了哪些“形态能粘附”。我们自该文加以分析，进一步研究当使用该已训练网络时，强化学习的效能。读者应当注意，我们的测试时间窗口非常有限。无论如何，我们在展示这一点时，会继续追求由 MQL5 向导提供最低编码需求。
数据科学和机器学习（第 37 部分）：利用烛条形态和人工智能战胜市场
蜡条形态有助于交易者理解市场心理，并辨别金融市场趋势，令交易决策更加明智，从而带来更佳成果。在本文中，将探讨如何利用蜡条形态与 AI 模型，达成最优交易绩效。
您应当知道的 MQL5 向导技术（第 59 部分）：配以移动平均和随机振荡器形态的强化学习（DDPG）
我们继续上一篇文章中有关配以 MA 和随机振荡器指标的 DDPG 话题，探讨实现 DDPG 时其他关键的强化学习类。尽管我们大多用 Python 编码，但最终产品是把训练好的网络导出为 ONNX 格式，我们会将它集成到由向导汇编的 MQL5 智能系统中作为资源。
您应当知道的 MQL5 向导技术（第 60 部分）：推理学习（Wasserstein-VAE），配合移动平均线和随机振荡器形态
我们将目光转向 MA 与随机振荡器的互补配对，实证推理学习在后监督学习与强化学习状况中扮演的角色。显然，推理学习有多种途径可供选择，不过我们的方式是使用变分自编码器。我们先以 Python 探索这些，然后将训练好的模型以 ONNX 格式导出，可在 MetaTrader 中供向导汇编智能系统所用。
重构经典策略（第十三部分）：让我们的交叉策略迈向新维度（2）
欢迎参与讨论，一起探索移动平均线交叉策略的更多改进方法。我们将运用数据科学技能，致力于将策略的滞后性降至更低水平，从而提升其可靠性。众所周知，将数据投影到更高维度有时能提高机器学习模型的性能。我们将向交易者展示这一做法的实际意义，并说明如何利用MetaTrader 5交易终端运用这一强大原理。