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。
MQL5 中的范畴论 (第 5 部分)：均衡器
范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。
基于预测的统计套利
我们将探讨统计套利，使用Python搜索具有相关性和协整性的交易品种，为皮尔逊（Pearson）系数制作一个指标，并编制一个用于交易统计套利的EA，该系统将使用Python和ONNX模型进行预测。
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLMs 开发和测试交易策略（一）- 微调
随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
彗星尾算法（CTA）
在这篇文章中，我们将探讨彗星尾优化算法（CTA），该算法从独特的太空物体——彗星及其接近太阳时形成的壮观尾部中汲取灵感。该算法基于彗星及其尾部运动的概念设计而成，旨在寻找优化问题中的最优解。
神经网络变得轻松（第五十二部分）：研究乐观情绪和分布校正
由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。
MQL5 中的范畴论 (第 2 部分)
范畴论是数学的一个多样化和不断扩展的分支，到目前为止，在 MQL5 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念，其总体目标是建立一个开放的函数库，提供洞察力，同时希望在交易者的策略开发中进一步运用这一非凡的领域。
基于隐马尔可夫模型的趋势跟踪波动率预测
隐马尔可夫模型（HMMs）是强大的统计工具，可通过分析可观测的价格波动来识别潜在的市场状态。在交易领域，隐马尔可夫模型通过建模和预测市场状态的转变，可提升波动率预测的准确性，并为趋势跟踪策略提供依据。在本文中，我们将完整介绍一种趋势跟踪策略的开发流程，该策略利用隐马尔可夫模型预测波动率，并将其作为交易信号的过滤条件。
开发具有 RestAPI 集成的 MQL5 强化学习代理（第 1 部分）：如何在 MQL5 中使用 RestAPI
在本文中，我们将讨论 API（Application Programming Interface，应用程序编程接口）对于不同应用程序和软件系统之间交互的重要性。我们将看到 API 在简化应用程序间交互方面的作用，使它们能够有效地共享数据和功能。
神经网络变得简单（第 62 部分）：在层次化模型中运用决策转换器
在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。
神经网络变得简单（第 89 部分）：频率增强分解变换器（FEDformer）
到目前为止，我们研究过的所有模型在分析环境状态时都将其当作时间序列。不过，时间序列也能以频率特征的形式表示。在本文中，我将向您介绍一种算法，即利用时间序列的频率分量来预测未来状态。
重塑经典策略（第四部分）：标普500指数与美国国债
在本系列文章中，我们使用现代算法分析经典交易策略，以确定是否可以利用人工智能改进这些策略。在今天的文章中，我们将重新审视一种利用标普500指数与美国国债之间关系的经典交易方法。
矩阵实用工具，扩展矩阵和向量的标准库功能
矩阵作为机器学习算法和计算机的基础，因为它们能够有效地处理大型数学运算，标准库拥有所需的一切，但让我们看看如何在实用工具文件中引入若干个函数来扩展它，这些函数在标准库中尚未提供。
MQL5 中的范畴论 (第 4 部分)：跨度、实验、及合成
范畴论是数学的一个多样化和不断扩展的分支，到目前为止，在 MQL5 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念，其总体目标是建立一个开放的函数库，提供洞察力，同时希望在交易者的策略开发中进一步运用这一非凡的领域。
群体优化算法：混合蛙跳算法（SFL）
本文详细描述了混合蛙跳（Shuffled Frog-Leaping，SFL）算法及其在求解优化问题中的能力。SFL算法的灵感来源于青蛙在自然环境中的行为，为函数优化提供了一种新的方法。SFL算法是一种高效灵活的工具，能够处理各种数据类型并实现最佳解决方案。
Python、ONNX 和 MetaTrader 5：利用 RobustScaler 和 PolynomialFeatures 数据预处理创建 RandomForest 模型
在本文中，我们将用 Python 创建一个随机森林（random forest）模型，训练该模型，并将其保存为带有数据预处理功能的 ONNX 管道。之后，我们将在 MetaTrader 5 终端中使用该模型。
神经网络变得简单（第 64 部分）：保守加权行为克隆（CWBC）方法
据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。
群体优化算法：螺旋动态优化 (SDO) 算法
文章介绍了一种基于自然界螺旋轨迹构造模式（如软体动物贝壳）的优化算法 - 螺旋动力学优化算法（Spiral Dynamics Optimization，SDO）。我对作者提出的算法进行了彻底的修改和完善，本文将探讨这些修改的必要性。
数据科学和机器学习（第 16 部分）：全新面貌的决策树
在我们的数据科学和机器学习系列的最新一期中，深入到错综复杂的决策树世界。本文专为寻求策略洞察的交易者量身定制，全面回顾了决策树在分析市场趋势中所发挥的强大作用。探索这些算法树的根和分支，解锁它们的潜力，从而强化您的交易决策。加入我们，以全新的视角审视决策树，并探索它们如何在复杂的金融市场航行中成为您的盟友。
神经网络变得轻松（第二十八部分）：政策梯度算法
我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。
神经网络变得简单（第 68 部分）：离线优先引导政策优化
自从第一篇专门讨论强化学习的文章以来，我们以某种方式触及了 2 个问题：探索环境和检定奖励函数。最近的文章曾专门讨论了离线学习中的探索问题。在本文中，我想向您介绍一种算法，其作者完全剔除了奖励函数。
利用 Python 实现价格走势离散方法
我们将考察使用 Python + MQL5 来离散价格的方法。在本文中，我将分享我开发 Python 函数库的实践经验，其以多种方式实现柱线形成 — 从经典的交易量和范围柱线，到更奇特的方法，如 Renko 和 Kagi。我们将研究三线突破蜡烛和范围柱线，分析它们的统计数据，并尝试定义如何将价格以离散化表示。
神经网络变得简单（第 92 部分）：频域和时域中的自适应预测
FreDF 方法的作者通过实验证实了结合频域和时域进行预测的优势。不过，权重超参数的使用对于非稳态时间序列并非最优。在本文中，我们将领略结合频域和时域预测的自适应方法。
MQL5 简介（第 6 部分）：MQL5 中的数组函数新手指南 (二)
开始我们 MQL5 旅程的下一阶段。在这篇深入浅出、适合初学者的文章中，我们将探讨其余的数组函数，揭开复杂概念的神秘面纱，让您能够制定高效的交易策略。我们将讨论 ArrayPrint、ArrayInsert、ArraySize、ArrayRange、ArrarRemove、ArraySwap、ArrayReverse 和 ArraySort。利用这些基本的数组函数，提升您的算法交易专业知识。加入我们的精通 MQL5 之路吧！
用Python重塑经典策略：移动平均线交叉
在本文中，我们重新审视了经典的移动平均线交叉策略，以评估其当前的有效性。鉴于该策略自诞生以来已经过去了很长时间，我们探索了人工智能可能为其带来的潜在增强效果。通过融入人工智能技术，我们旨在利用高级的预测能力来潜在地优化交易的入场和出场点，适应不断变化的市场条件，并与传统方法相比提高整体表现。
时间序列挖掘的数据标签（第3部分）：使用标签数据的示例
本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！
重构经典策略（第九部分）：多时间框架分析（第二部分）
在今天的讨论中，我们探讨了多时间框架分析的策略，以确定我们的人工智能（AI）模型在哪个时间框架上表现最优。分析结果表明，在欧元兑美元（EURUSD）货币对上，月度和小时时间框架生成的模型具有相对较低的误差率。我们利用这一优势，开发了一个交易算法，该算法在月度时间框架上进行人工智能预测，并在小时时间框架上执行交易。