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。
您应该了解的MQL5向导技巧（第七十一部分）：使用MACD与OBV形态
指数平滑异同移动平均线震荡指标（MACD）与能量潮指标（OBV），是另一组可在MQL5智能交易系统（EA）中联合使用的技术指标。与本系列文章一贯的思路相同，这一组合具有互补性：MACD用于确认趋势，OBV则用于验证成交量。我们依旧通过MQL5向导来构建并测试这一组合的潜在效果。
基于购买力平价（PPP）和 IMF 数据确定公允汇率
用 Python 构建基于购买力平价（PPP）的汇率分析系统。作者利用 IMF 数据开发了一套包含 5 种公允汇率计算方法的算法。这是一份关于外汇基本面分析、经济数据处理以及与交易系统集成的实用指南，全部代码开源。
您应该了解的MQL5向导技巧（第七十部分）：结合指数核网络使用SAR与RVI形态
本文承接前文，此前我们介绍了SAR（抛物转向指标）与RVI（相对活力指数）这一指标组合，本篇将探讨如何借助机器学习拓展该组合的应用。SAR属于趋势类指标，RVI属于动量类指标，二者搭配构成互补型指标组合。本文采用卷积神经网络机器学习方案，通过指数核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
机器学习交易系统中的隐马尔可夫模型
隐马尔可夫模型（HMM）是一类强大的概率模型，用于分析序列数据，其中观测值取决于形成马尔可夫过程的某些未观察（隐藏）状态的序列。HMM 的主要假设包括隐状态的马尔可夫性质，即转移到下一个状态的概率仅取决于当前状态，以及在当前隐状态已知的情况下，观测值是独立的。
基于生物地理学的优化算法（BBO）
基于生物地理学的优化算法（BBO）是一种精巧的全局优化算法，灵感源自群岛中物种在各个岛屿间迁徙的自然规律。该算法的核心思路简洁且高效：优质解会主动共享自身特征，劣质解则主动吸纳新特征，信息天然从最优解向较差解传递。其独有的自适应变异算子能够很好地平衡算法的全局探索与局部利用能力。在各类优化任务中，BBO 算法均表现出较高的运算效率。
神经网络在交易中的应用：用于智能体自适应行为的分层技能发现（HiSSD）
本文将介绍 HiSSD 框架，该框架结合分层学习与多智能体技术构建自适应系统。我们将详细分析这套创新方法如何挖掘金融市场中的隐藏模式，并在去中心化场景下优化交易策略。
外汇套利交易：带风险控制的公允价值回归矩阵交易系统
本文详细描述了交叉汇率计算算法，展示了不平衡矩阵的可视化结果，并给出了优化设置 MinDiscrepancy 和 MaxRisk 参数以实现高效交易的建议。该系统使用交叉汇率自动计算每对货币的“公允价值”，在出现负偏差时生成买入信号，在出现正偏差时生成卖出信号。
交易中的神经网络：频域异常检测（终篇）
我们继续推进 CATCH 框架的实现。该框架结合傅里叶变换与频域分块，以确保能够准确检测市场异常。在本文中，我们将完成对所提方法的这一实现，并基于真实历史数据测试新模型。
您应该了解的MQL5向导技巧（第六十八部分）：结合余弦核网络使用TRIX与威廉百分比范围形态
在前一篇中，我们介绍了三重平滑指数平均线（TRIX）与威廉百分比范围（WPR）指标组合，本文承接前文，将探讨如何通过机器学习对这一指标组合进行扩展优化。TRIX属于趋势指标，威廉百分比属于支撑/阻力震荡指标，二者形成互补。我们的机器学习方案采用卷积神经网络，网络结构中集成了余弦核函数，用于对该指标组合的预测结果进行精细调优。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
金融时间序列中的保形预测探索
本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。
价格走势角度分析：用于预测金融市场的混合模型
什么是金融市场角度分析？如何利用价格变动角度和机器学习实现准确率达 67% 的精准预测？如何将回归和分类模型与角度特征相结合，并获得一个可运行的算法？这与江恩理论有什么关系？为什么价格走势角度是机器学习的良好指标？
基于Python的CFTC数据挖掘与AI预测模型构建
让我们尝试挖掘CFTC数据，通过Python下载COT和TFF报告，将其与MetaTrader 5行情数据及AI模型相结合，并生成预测。外汇市场中的COT报告是什么？如何利用COT和TFF报告进行行情预测？
神经网络在交易中的应用：基于频域的异常检测 (CATCH)
CATCH 框架结合了傅里叶变换和频率修补技术，能够准确识别传统方法无法发现的市场异常。让我们来探讨这种方法是如何揭示金融数据中隐藏的模式。
挖掘央行资产负债表数据，描绘全球流动性全貌
挖掘各国央行资产负债表数据，能够厘清外汇市场与主要币种的全球流动性现状。我们整合美联储、欧洲央行、日本央行、中国人民银行的数据构建综合指数，并借助机器学习挖掘潜藏规律。该方法融合基本面与技术分析，将原始数据转化为可落地的交易信号。
神经网络在交易中的应用：市场异常的自适应检测（终篇）
我们继续构建构成 DADA 框架基础的算法，该框架是检测时间序列异常的高级工具。这种方法能够有效区分随机波动和显著偏差。与经典方法不同，DADA 能够动态适应不同的数据类型，在每种特定情况下选择最佳的压缩级别。
面向外汇市场的CAPM模型指标
在MQL5中实现面向外汇市场的经典CAPM模型适配。本指标基于历史波动率计算预期收益率与风险溢价。指标会在价格高点与低点处出现明显抬升，反映资产定价的基本原理。可实际应用于逆势策略与趋势跟踪策略，实时考量风险收益比的动态变化。本文包含相关数学原理与技术实现代码。
神经网络在交易中的应用：市场异常的自适应检测（DADA）
我们诚邀您了解 DADA 框架，这是一种用于检测时间序列异常的创新方法。它有助于区分随机波动和可疑偏差。与传统方法不同，DADA 具有灵活性，能够适应不同的数据。它没有采用固定的压缩级别，而是提供了多种选项，并为每种情况选择最合适的选项。
数据科学与机器学习（第四十二部分）：使用Python中的ARIMA模型进行外汇时间序列预测 —— 您需要了解的一切
ARIMA，全称为自回归积分移动平均模型，是一种效果出色的传统时间序列预测模型。该模型能够捕捉时间序列数据中的突增与波动，可对后续数值做出精准预测。在本文中，我们将了解什么是ARIMA、如何运行，以及如何利用它高精度预测市场下一期价格，还有更多相关实用内容。
博弈论方法在交易算法中的应用
我们正在基于深度Q网络（DQN）机器学习技术，结合多维因果推理，开发一款自适应、自学习的交易 EA。该 EA 将能够同时成功交易 7 个货币对。不同货币对的智能体之间会相互交换信息。
确定性振荡搜索（DOS）
确定性振荡搜索（DOS）算法是一种创新的全局优化方法，它结合了梯度算法与群体算法的优点，且不使用任何随机数。适应度振荡与斜率机制使得DOS能够以确定性方式探索复杂的搜索空间。
您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态
分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。
神经网络在交易中的应用：多元时间序列的双重聚类（DUET）
DUET 框架提供了一种创新的时间序列分析方法，该方法结合了时间和通道聚类，以揭示分析数据中的隐藏模式。这使得模型能够随着时间的推移而适应变化，并通过消除噪声来提高预测质量。
数据科学与机器学习（第四十一部分）：基于YOLOv8的外汇与股票市场图表形态检测
金融市场的形态检测极具挑战性，因为它需要“看懂图表画面”，而MQL5受限于图像处理能力，很难实现这一点。本文将介绍一个基于Python构建的合适的模型，它能让我们轻松高效地检测图表上的各类形态。
基于马尔可夫状态转移矩阵的神经网络自学习型EA
基于状态矩阵与神经网络的自训练智能交易系统（EA）我们将马尔可夫链与基于ALGLIB MQL5库开发的多层感知器（MLP）神经网络相结合。马尔可夫链与神经网络如何结合应用于外汇预测？
神经网络在交易中的应用：将混沌理论融入时间序列预测（终篇）
我们继续将 Attraos 框架的作者提出的方法整合到交易模型中。让我提醒您，这个框架利用混沌理论的概念来解决时间序列预测问题，将其解释为多维混沌动态系统的投影。
神经网络在交易中的应用：将混沌理论融入时间序列预测（Attraos）
Attraos 框架将混沌理论整合至长期时间序列预测领域，并将其视作多维混沌动力系统的投影。该模型利用吸引子不变性，通过相空间重构和动态多分辨率记忆来保留历史结构。
数据科学与机器学习（第四十部分）：斐波那契回调位在机器学习中的应用
斐波那契回调位是技术分析中常用的工具，可以帮助交易者识别潜在的价格反转区域。本文将探讨如何将这些斐波那契回调位转化为机器学习模型的目标变量，从而借助这一强大的工具让模型更好地理解市场规律。
神经网络在交易中的应用：混合图序列模型（终篇）
我们继续探索混合图序列模型（GSM++），该模型融合了不同架构的优点，既提供了高分析精度，又实现了计算资源的有效分配。这些模型能够有效识别隐藏的模式，降低市场噪声的影响，并提高预测质量。
在MQL5交易中集成计算机视觉（第二部分）：将架构扩展到2D RGB图像分析
面向交易的计算机视觉：工作原理与分步开发指南。我们基于注意力机制与双向LSTM层，构建价格图表RGB图像识别算法。最终得到一套可用的欧元兑美元（EURUSD）价格预测模型，在验证阶段，模型预测准确率最高可达55%。
骆驼算法（CA）
骆驼算法（CA）于 2016 年被提出，该算法模拟沙漠中骆驼的行为特征来求解优化问题，同时考量温度、供给储备和耐力三大因素。本文还提出了该算法的改进版本（CAm），核心改进包括：在解的生成过程中引入高斯分布，并对绿洲效应参数进行优化。
基于分形的算法（FBA）
本文提出了一种新型元启发式算法，该算法基于分形思想对搜索空间进行划分，以求解优化问题。该算法通过逐步识别并分离有前景的区域，构建出自相似的分形结构，从而将计算资源集中到最有前景的搜索区域。其独特的、面向更优解的变异机制，有助于在搜索空间的全局探索与局部开发之间取得良好的平衡，显著提升了算法效率。
神经网络在交易中的应用：混合图序列模型（GSM++）
混合图序列模型（GSM++）结合了不同架构的优点，能够提供高保真度的数据分析，并优化计算成本。这些模型可高效适配动态市场数据，进而优化金融信息的展示与处理流程。
大逃杀优化器（BRO）
本文探讨了大逃杀优化器算法 —— 这是一种元启发式算法，其中各解与其最近邻进行竞争，累积"伤害"，当超过阈值时被替换，并周期性地在当前最优解周围缩小搜索空间。文章提供了CAOBRO类的伪代码及MQL5中的实现，包括邻近搜索、向最优解移动以及自适应δ间隔。在Hilly、Forest和Megacity测试函数上的实验结果突出了该方法的优势与局限性。读者可以获得一套开箱即用的基础框架，用于实验和调优关键参数，如种群大小（popSize） 和最大伤害值（maxDamage）。
价格行为分析工具包开发（第 35 部分）：预测模型训练与部署
历史行情数据绝非 “无用糟粕”，而是所有稳健市场分析的根基。本文将带您循序渐进，从历史数据采集入手，利用数据训练预测模型，最终完成模型部署，实盘价格预测落地应用。继续往下阅读，掌握完整实现流程！
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。
