关于交易中机器学习的文章

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。

柔性参与者评论者是一种利用 3 个神经网络的强化学习算法。一名参与者网络和 2 个评论者网络。这些机器学习模型按主从伙伴关系配对，其中所建模评论者能提升参与者网络的预测准确性。在这些序列中引入 ONNX 的同时，我们探讨了如何将这些思路作为由向导汇编的智能系统的自定义信号，推进测试。

本文介绍了一种利用量子计算预测金融市场价格走势的创新方法。该方法主要应用量子相位估计（QPE）算法来寻找价格模式的原型，从而使交易者能够显著加快市场数据分析的速度。

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。

在上一篇文章中，我们讲述了多智代自适应框架 MASA，它结合了强化学习方法和自适应策略，在动荡的市场条件下提供了盈利能力、及风险之间的和谐平衡。我们已在该框架内构建了单个智代的功能。在本文中，我们继续我们已开始的工作，令其得出合乎逻辑的结论。

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。

我邀您领略多智代自适应（MASA）框架，其结合了强化学习和自适应策略，在动荡市场条件下提供盈利能力、及风险管理之间的和谐均衡。

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。

本文提出了一种基于将价格波动转换为二进制代码的技术分析创新方法。作者展示了市场行为的各个方面——从简单的价格波动到复杂形态——如何被编码为一系列的0和1。

本文讲述新的 PSformer 框架，其适配雏形变换器架构，解决与多元时间序列预测相关的问题。该框架基于两项关键创新：参数共享（PS）机制，和区段注意力（SegAtt）。

SAMformer 为长期时间序列预测中变换器模型的主要缺点，譬如训练复杂性，及小型数据集的普适能力差，提供了解决方案。其浅层架构和锐度感知优化有助于避免次优的局部最小值。在本文中，我们将继续利用 MQL5 实现方式，并评估其实用价值。

本文介绍了大爆炸-大坍缩方法，该方法包含两个关键阶段：随机点的循环生成，以及将这些点压缩至最优解。该方法结合了探索与精炼过程，使我们能够逐步找到更优的解，并开拓新的优化可能性。

我们将开发一个模块化交易系统，该系统结合了 Python 进行数据分析，并使用 MQL5 执行交易。四个独立模块并行监控市场的不同方面：成交量、套利、经济指标和风险，并使用包含400棵树的随机森林（ RandomForest ）。特别强调风险管理，因为即使是最先进的交易算法，如果没有适当的风险管理，也是毫无用处的。

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。

LSEAttention 框架改进变换器架构。它是专为长期多变量时间序列预测而设计。该方法作者提议的方法能应用于解决雏形变换器经常遇到的熵坍缩、及学习不稳定问题。

近端政策优化是强化学习中的另一种算法，通常以网络形式以非常小的增量步幅更新政策，以便确保模型的稳定性。我们以向导汇编的智能系统来试验其作用，如同我们之前的文章一样。

在本文中，我们展示了在 MQL5 中实现多种集成学习方法，并检验了它们在不同场景下的有效性。

在瞬息万变的交易世界中，适应市场变化不仅是一种选择 — 而且是一种必要。每天都有新的形态和趋势出现，即使是最先进的机器学习模型，也难以面对不断变化的条件保持有效。在本文中，我们将探讨如何通过自动重训练，令您的模型保持相关性、及对新市场数据的响应能力。

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。

在三维K线上探索自动化交易的新世界。基于多维价格K线的交易机器人是什么样的？三维K线中的“黄色”簇群能否预测趋势反转？多维交易是什么样的？

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。

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。

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。

在本文中，我们将通过结合交互性、分层数据和动态元素等功能，超越基本图表，实现增强的数据可视化，使交易者能够更有效地探索趋势、形态和相关性。

增强型趋势确认技术结合了价格行为、成交量分析和机器学习，用以识别真实的市场行情。该技术要求价格突破和成交量激增（高于平均值50%）这两个条件同时满足以验证交易信号，同时使用一个LSTM神经网络进行附加确认。该系统采用基于ATR（平均真实波幅）的仓位调整和动态风险管理，使其能够适应不同的市场条件，同时过滤掉虚假信号。

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。

CatBoost是一种强大的基于树的机器学习模型，擅长基于静态特征进行决策。其他基于树的模型，如XGBoost和随机森林（Random Forest），在稳健性、处理复杂模式的能力以及可解释性方面具有相似特性。这些模型应用广泛，可用于特征分析、风险管理等多个领域。在本文中，我们将逐步介绍如何将训练好的CatBoost模型用作经典移动平均线交叉趋势跟踪策略的过滤器。

股票交易中的非线性回归模型：能否预测金融市场？让我们考虑创建一个用于预测欧元兑美元（EURUSD）汇率的模型，并基于此模型制作两个交易机器人——分别使用Python和MQL5语言。

本文探讨了通过将技术分析原理与 LSTM 神经网络架构相结合，基于交易量分析来改进价格预测准确性的可能性。文章特别关注异常交易量的检测与解读、聚类方法的使用，以及基于交易量的特征创建及其在机器学习背景下的定义。

本文实现了一个快速策略测试器，它使用Numba对机器学习模型进行快速策略测试。它的速度比纯 Python 策略回测器快 50 倍。作者推荐使用该库来加速数学计算，尤其是那些涉及循环的计算。

在本文中，我们讨论定向扩散模型，其利用数据相关的各向异性、和定向噪声，在前向扩散过程中捕获有意义的图形表征。

本文探讨了原子轨道搜索（Atomic Orbital Search，AOS）算法，该算法运用原子轨道模型的概念来模拟解的搜索过程。此算法基于概率分布以及原子内相互作用的动力学原理。本文详细阐述了关于AOS算法的数学层面，包括候选解位置的更新方式，以及能量吸收与释放的机制。AOS算法通过为计算问题提供一种创新的优化方法，为将量子原理应用于计算问题开辟了新思路。

如何使用世界银行的经济数据进行预测？当你将人工智能模型和经济学结合起来时会发生什么？

蒙特卡洛是我们正在研究的第四种不同的强化学习算法，目的是探索它在向导汇编智能交易系统中的实现。尽管它锚定在随机抽样，但它提供了我们可以利用的多种模拟方法。

在本文中，我们介绍了基于简单算术运算（加法、减法、乘法和除法）的算术优化算法（AOA）。这些基本的数学运算是为各种问题寻找最优解的基础。

在本文中。我们将讨论一种复杂的多模态交互分析和特征理解的方法。

本文介绍了一种用于训练前馈神经网络的莱文贝格-马夸尔特（Levenberg-Marquardt，LM）算法的实现。与Python的scikit-learn库中的算法进行性能比较分析。初步探讨更简便的学习方法，如梯度下降、带动量的梯度下降和随机梯度下降。