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。
您应当知道的 MQL5 向导技术（第 64 部分）：运用 DeMarker 和包络通道形态，搭配白噪内核
DeMarker 振荡器和包络指标是动量和支撑/阻力工具，能够在开发智能系统时配对。我们延续上一篇文章，概述在机器学习中加入把这对指标。我们正在使用一个循环神经网络，利用白噪内核来处理来自这两个指标的向量化信号。这是在一个自定义信号类文件中完成，其与 MQL5 向导汇编的智能系统搭配工作。
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。
算法交易策略：人工智能（AI）铸就的“点金”之路
本文展示了利用机器学习创建黄金交易策略的一种方法。通过多角度考量所提出的金融时间序列分析与预测方法，相较于单纯依赖此类分析构建交易系统的其他方法，我们能够明确该方法的优势和劣势。
您应当知道的 MQL5 向导技术（第 55 部分）：配备优先经验回放的 SAC
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）。
神经类群优化算法 (NOA)
一种新的生物启发的优化元启发式算法——NOA（Neuroboids Optimization Algorithm，神经类群优化算法），结合了集体智能和神经网络的原理。与传统方法不同，该算法使用了一个由具备自学习能力的“神经类群（neuroboids）”组成的群体，每个神经类群都拥有自己的神经网络，能够实时调整其搜索策略。本文揭示了该算法的架构、代理的自学习机制，以及这种混合方法在解决复杂优化问题方面的应用前景。
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 57 部分）：搭配移动平均和随机振荡器的监督训练
移动平均线和随机振荡器是十分常用的指标，因其滞后性质，一些交易者或许较少使用。在一个三部分的“迷你序列”中，研究机器学习的三大主要形式，我们会考证对这些指标的偏见是否合理，或者它们可能占据优势。我们经由向导汇编的智能系统来进行实证。
台球优化算法(BOA)
BOA方法灵感源自经典的台球运动，它将寻求最优解的过程模拟为一场游戏：球体致力于落入代表最佳结果的球袋之中。本文将探讨BOA的基本原理、数学模型及其在解决各类优化问题中的效率。
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。
人工部落算法（ATA）
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。
成功餐饮经营者算法（SRA）
成功餐饮经营者算法（SRA）是一种受餐饮业管理原则启发的创新优化方法。与传统方法不同，SRA不会直接淘汰劣质解，而是通过融合优质解的元素对其进行改进。该算法在优化问题中展现出极具竞争力的表现，并为平衡探索与利用提供了全新视角。
交易中的神经网络：配备概念强化的多智代系统（FinCon）
我们邀您探索 FinCon 框架，这是一款基于大语言模型（LLM）的多智代系统。该框架利用概念性词汇强化来提升决策制定和风险管理，能在多种金融任务中有高效表现。
皇冠同花顺优化（RFO）
最初的皇冠同花顺优化算法提供了一种解决优化问题的新方法，受到扑克牌原则启发，以基于扇区的方式取代了传统的遗传二进制编码算法。RFO 展现出简化的基本原理如何带来高效、且实用的优化方法。文章呈现了一份详细的算法分析和测试结果。
交易中的神经网络：层次化双塔变换器（终篇）
我们继续构建 Hidformer 层次化双塔变换器模型，专为分析和预测复杂多变量时间序列而设计。在本文中，我们会把早前就开始的工作推向逻辑结局 — 我们将在真实历史数据上测试模型。
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。
交易中的神经网络：层次化双塔变换器（Hidformer）
我们邀请您来领略层次化双塔变换器（Hidmer）框架，其专为时间序列预测和数据分析而开发。框架作者提出了若干变换器架构改进方案，其成果提高了预测准确性、并降低了计算资源消耗。
交易中的神经网络：针对加密货币市场的记忆扩充上下文感知学习（终篇）
针对加密货币交易的 MacroHFT 框架采用上下文感知强化学习和记忆，以便适应动态市场条件。在本文末尾，我们将在真实历史数据上测试所实现的方式，从而评估其有效性。
计算机视觉在MQL5中的集成（第一部分）：构建基础函数
基于计算机视觉与深度学习的欧元兑美元（EURUSD）汇率预测系统。探索卷积神经网络（CNN）如何识别外汇市场中的复杂价格形态，并实现最高达54%的汇率波动预测准确率。本文将分享一种突破传统技术指标的算法设计方法 —— 通过人工智能（AI）技术对K线图进行可视化分析。作者演示了将价格数据转换为“图像”的过程、神经网络的处理流程，以及通过激活热力图和注意力热图窥视AI“思维”的独特机会。通过基于MetaTrader 5库的Python实践代码，读者可完整复现系统并将其应用于自身的交易中。
交易中的神经网络：针对加密货币市场的记忆扩充上下文感知学习（MacroHFT）
我邀请您探索 MacroHFT 框架，该框架应用了上下文感知强化学习和记忆，利用宏观经济数据和自适应智代改进加密货币高频交易决策。
您应当知道的 MQL5 向导技术（第 62 部分）：结合 ADX 与 CCI 形态的强化学习 TRPO
ADX 振荡器和 CCI 振荡器是趋势跟踪和动量指标，可在开发智能系统时配对。我们延续上一篇文章未竟的话题，实证如何得益于强化学习来实际运用训练、并更新我们已开发的模型。我们正在使用的算法尚未在本系列中涵盖，其称为可信区域政策优化。一如既往，由 MQL5 向导汇编的智能系统令我们能够更快地搭建测试模型，且可配合不同类型信号进行测试、并派发。
MetaTrader 5 机器学习蓝图（第一部分）：数据泄露与时间戳修正
在开始将机器学习用于 MetaTrader 5 交易之前，必须先处理一个常被忽视的关键问题：数据泄露。本文深入剖析了数据泄露，尤其是 MetaTrader 5 时间戳陷阱，说明它如何扭曲模型表现并导致不可靠的交易信号。通过深入研究这一问题的机理并提出预防策略，我们为构建稳健的机器学习模型铺平了道路，这些模型能够在实时交易环境中提供值得信赖的预测结果。
交易中的神经网络：配备概念强化的多智代系统（终篇）
我们继续实现 FinCon 框架作者提议的方式。FinCon 是一款基于大语言模型（LLM）的多智代系统。今天，我们将实现必要的模块，并在真实历史数据上全面测试模型。
混沌优化算法（COA）
本文介绍一种改进型混沌优化算法（COA），该算法将混沌特性与自适应搜索机制相结合。算法通过一组混沌映射与惯性分量对搜索空间进行遍历探索。文章阐述了金融优化领域中混沌方法的理论基础。
采用 CatBoost AI 预测 Renko 柱
如何将Renko柱与人工智能结合使用？我们来探讨外汇市场中的Renko交易，其预测准确率最高可达 59.27%。我们将探究Renko柱在过滤市场噪音方面的优势，了解为何成交量比价格形态更重要，以及如何为欧元 / 美元设置最优的Renko块大小。这是一份分步指南，教你整合 CatBoost、Python 与 MT5（MetaTrader 5），搭建属于自己的外汇Renko柱预测系统。对于希望突破传统技术分析框架的交易者来说，这是绝佳方案。