关于交易中机器学习的文章

今天，我们将探讨如何使用MQL5将多种策略集成到一个EA中。EA不仅仅提供指标和脚本，还允许采用更复杂的交易方法，这些方法能够适应不断变化的市场条件。请阅读本文，带您了解更多。

本文介绍了人工喷淋算法（Artificial Showering Algorithm，ASHA），这是一种为解决一般优化问题而开发的新型元启发式方法。基于对水流和积聚过程的模拟，该算法构建了理想场的概念，其中要求每个资源单元（水）找到最优解。我们将了解 ASHA 如何调整流和累积原则来有效地分配搜索空间中的资源，并查看其实现和测试结果。

在本文中，我们将说道有关使用注意力方法解决点云中物体检测问题的算法。点云中的物体检测对于很多现世应用都很重要。

SARSA 是 “State-Action-Reward-State-Action” 的缩写，是另一种能在实现强化学习时运用的算法。故此，正如我们在 Q-学习 和 DQN 中看到的那样，我们考察了如何在向导汇编的智能系统中探索和实现它，将其作为独立模型，而不仅仅是一种训练机制。

在本文中，我们将深入探讨选择最具相关性、及最高品质的外汇数据，从而强化 AI 模型性能的关键层面。

预测未来状态的品质在“目标条件预测编码”方法中扮演着重要角色，我们曾在上一篇文章中讨论过。在本文中，我想向您介绍一种算法，它可以显著提高随机环境（例如金融市场）中的预测品质。

在本文中，我们将领略一个有趣的算法，它是在监督和强化学习方法的交叉点上构建的。

在这篇文章中，我们将探讨理解人工智能如何工作的挑战。人工智能模型经常会以难以解释的方式做出决策，这就是所谓的 "分歧问题"。这个问题是提高人工智能透明度和可信度的关键。

在本文中，我们将继续研究ALGLIB库中剩余的优化方法，并特别关注它们在复杂多维函数上的测试表现。这样我们不仅能够评估每种算法的效率，还能在不同条件下比较出它们的优势与不足。

鲸鱼优化算法（WOA）是一种受座头鲸行为和捕食策略启发的元启发式算法。该算法的核心思想在于模仿所谓的“气泡网”捕食方法，即鲸鱼在猎物周围制造气泡，然后以螺旋运动的方式攻击猎物。

本文探讨了一种元启发式算法——基于人工生态系统的优化（Artificial Ecosystem-based Optimization, AEO）算法。该算法通过生成初始解种群并应用自适应更新策略，模拟生态系统各组成部分之间的相互作用。文中详细阐述了AEO算法的运行阶段，包括消耗阶段与分解阶段，以及不同智能体的行为策略。文章还介绍了该算法的特点和优势。

在本文中，我们将快速了解一些方法，以获得可以在数据库中表示数据的函数。我不会详细介绍如何使用统计和概率研究来解释结果。让我们把它留给那些真正想深入研究数学方面的人。探索这些问题对于理解研究神经网络所涉及的内容至关重要。在这里，我们将非常冷静地探讨这个问题。

本文讲述开发混合交易系统的经验，即结合经典技术分析与神经网络。作者从基本形态分析、神经网络结构、到交易决策背后的机制，提供了系统架构的详细分析，并分享了真实代码和实践观察。

在这篇文章中，我们将探索特征向量和特征值在探索性数据分析中的不同应用方式，以揭示数据中的独特关系。

本文介绍了细菌趋化优化（Bacterial Chemotaxis Optimization，简称 BCO）算法的原始版本及其改进版本。我们将详细探讨所有不同之处，特别关注 BCOm 的新版本，该版本简化了细菌的移动机制，减少了对位置历史的依赖，并且使用了比原始版本计算量更小的数学方法。我们还将进行测试并总结结果。

今天，我们将展示如何构建能够从自身错误中学习的AI驱动的交易应用程序。我们将展示一种称为堆叠（stacking）的技术，我们使用2个模型来做出1个预测。第一个模型通常是较弱的学习器，而第二个模型通常是更强大的模型，它学习较弱学习器的残差。我们的目标是创建一个模型集成，以期获得更高的准确性。

我们继续探索时间序列在频域中的分析和预测。在本文中，我们将领略一种在频域中预测数据的新方法，它可被加到我们之前研究过的众多算法当中。

批量归一化是把数据投喂给机器学习算法（如神经网络）之前对数据进行预处理。始终要留意算法所用的激活类型，完成该操作。因此，我们探索在向导组装的智能系统帮助下，能够采取的不同方式，并从中受益。

基于变换器架构的模型展现出高效率，但由于在训练阶段、及运行期间都资源成本高昂，故它们的使用变得复杂。在本文中，我提议领略那些能够降低此类模型内存占用的算法。

这篇文章与我以前发表的有些不同。在本文中，我们将谈谈时间序列的另类表示。时间序列的分段线性表示是一种利用涵盖小间隔的线性函数逼近时间序列的方法。

本文介绍了将广为人知且广受欢迎的ADAM梯度优化方法转变为群体算法的过程，并介绍了通过引入混合个体对其进行改进的方案。这种新方法能够利用概率分布创建融合了成功决策要素的智能体。关键创新点在于形成了群体混合个体，这些个体能够自适应地积累来自最具潜力解决方案的信息，从而提高了在复杂多维空间中的搜索效率。

在以前的工作中，我们总是评估环境的当前状态。与此同时，指标变化的动态始终保持在“幕后”。在本文中，我打算向您介绍一种算法，其允许您评估 2 个连续环境状态数据之间的直接变化。

预测在时间序列分析中扮演重要角色。在新文章中，我们将谈谈时间序列补片化的益处。

符号回归是一种回归形式，它从最小、甚或没有假设开始，而底层模型看起来应当映射所研究数据集。尽管它可以通过贝叶斯（Bayesian）方法、或神经网络来实现，但我们看看如何使用遗传算法实现，从而有助于在 MQL5 向导中使用自定义的智能信号类。

在分析市场状况时，我们将其切分为不同的段落，标识关键趋势。然而，传统的分析方法往往只关注一个层面，从而限制了正确的感知。在本文中，我们将学习一种方法，可选择多个对象，以确保对形势进行更全面、及多层次的理解。

正如 HypDIff 框架所提议，使用各向异性扩散过程针对双曲潜在空间中的初始数据进行编码，助力保留当前市场状况的拓扑特征，并提升其分析品质。在上一篇文章中，我们开始利用 MQL5 实现所提议的方式。今天，我们将继续我们已开始的工作，并得出合乎逻辑的结论。

在本文中，我们介绍一个在MQL5中实现的逐步特征选择算法的改进版本。这种方法基于Timothy Masters在其著作《C++和CUDA C中的现代数据挖掘算法》中概述的技术。

本文研究了改变概率分布形状对优化算法性能的影响。我们将进行的实验，会用到智能头足类生物（SC）测试算法，从而评估优化问题背景下各种概率分布的效能。

在上一篇文章中，我们探索了理论基础，并开始实现多任务-Stockformer 框架的方式，其结合了小波变换和自注意力多任务模型。我们继续实现该框架的算法，并评估其在真实历史数据上的有效性。

“时空融合”就是在数据建模中同时使用“空间”和“时间”度量值，主要用在遥感，和一系列其它基于视觉的活动，以便更好地了解我们的周边环境。归功于一篇已发表的论文，我们通过验证它对交易者的潜力，采取一种新颖的方式来运用它。

我们将为时间序列预测建立一个生物学上正确的神经元系统。在神经网络架构中引入类似等离子体的环境创造了一种“集体智能”，其中每个神经元不仅通过直接连接，还通过长距离电磁相互作用影响系统的运行。让我们看看神经大脑建模系统在市场上的表现。