关于交易中机器学习的文章

我们将向之前发布的文章中的三个例子里加入深度学习，并与之前的版本进行比较。目标是学习如何将深度学习（DL）应用于其他EA。

损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。

本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。

本文详细探讨了受射箭启发的优化算法——射箭算法（Archery Algorithm, AA），重点介绍了如何使用轮盘赌法（roulette method）作为选择“箭矢”目标区域的机制。该方法允许评估解决方案的质量，并选择最有希望的位置进行进一步的探究。

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。

在本文中，我们将构建一个基本神经元。虽然它看起来很简单，许多人可能会认为这段代码完全微不足道，毫无意义，但我希望你在学习这个简单的神经元草图时能玩得开心。不要害怕修改代码，完全理解它才是目标。

大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。

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。

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。

本文提供了一个使用因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在MQL5中实现复杂交易系统的全面指南。文章涵盖了这些方法的理论背景，详细解释了交易算法中的关键函数，并提供了实现的示例代码。

我们继续领略 TEMPO 方法。在本文中，我们将评估所提议方法在真实历史数据上的真实有效性。

本文讨论了禁忌搜索（Tabu Search）算法，这是一种最早且最为人所知的元启发式方法之一。我们将详细探讨该算法的运行过程，从选择初始解并探索邻近选项开始，重点介绍使用禁忌表。文章涵盖了该算法的关键方面及其特性。

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。

探索支持向量机 (SVM，Support Vector Machines) 在塑造未来交易中不可或缺的作用。本综合指南探讨了 SVM 如何提升您的交易策略，增强决策能力，并在金融市场中释放新的机会。通过实际应用、分步教程和专家见解深入了解 SVM 的世界。为自己配备必要的工具，帮助您应对现代交易的复杂性。使用 SVM 提升您的交易能力 — 这是每个交易者工具箱中的必备工具。

行星和恒星的位置会影响金融市场吗？让我们借助统计数据和大数据，踏上一段令人兴奋的探索之旅，进入星星与股票图表交汇的世界。

在大数据的世界里，有数以百万计的备选数据集，它们有可能提升我们的交易策略。在这一系列文章中，我们将帮助您识别最有信息量的公开数据集。

学习率是许多机器学习算法在训练过程期间，朝向训练目标迈进的步长。我们检验了其众多调度和格式对于生成式对抗网络性能的影响，该神经网络类型我们在早前文章中已检验过。

文章探讨了基于藻类微生物特征的人工藻类算法（AAA）。该算法包括螺旋运动、进化过程和适应性，使其能够解决优化问题。本文深入分析了AAA的工作原理及其在数学建模中的潜力，强调了自然与算法解决方案之间的联系。

在剖析 MQL5 交易环境中这些强大的降维技术的应用程序时，让我们揭示它们背后的秘密。深入探讨线性判别分析（LDA）和主成分分析（PCA）的细微差别，深入了解它们对策略开发和市场分析的影响。

在这一系列文章中，我们重新审视经典策略，看看是否可以利用人工智能（AI）对其进行改进。在本文中，我们将研究流行的多时间框架分析策略，以判断该策略是否可以通过人工智能得到增强。

在上一篇文章中，我们讨论了一个简单的 RNN，尽管它对理解数据中的长期依赖关系无能为力，却仍能制定可盈利策略。在本文中，我们将讨论长-短期记忆（LSTM）、门控递归单元（GRU）。引入这两个是为了克服简单 RNN 的缺点，并令其更聪慧。

在本文中，我想向您介绍一种为解决自动驾驶领域问题而开发的有趣的轨迹预测方法。该方法的作者结合了各种架构解决方案的最佳元素。

在本系列文章中，我们重新审视经典策略，看看是否可以使用人工智能来改进这些策略。在今天的文章中，我们将研究一种使用一篮子具有相关性的金融产品来进行多品种分析的流行策略，我们将重点关注货币对 USDZAR。

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。

在本文中，我们将谈及使用时空变换来有效预测即将到来的价格走势。为了提高 STNN 中的数值预测准确性，提出了一种连续注意力机制，令模型能够更好地参考数据的重要方面。

我们继续讨论时间序列的分段线性表示的运用，这在前一篇文章中已经开始。今天，我们要看看如何将该方法与其它时间序列分析方法相结合，从而提高价格趋势预测品质。

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AMO算法，该算法通过模拟动物的季节性迁徙来寻找适合生存和繁殖的最优条件。AMO的主要特点包括使用拓扑邻域和概率更新机制，使得其易于实现，并且能够灵活应用于各种优化任务。

在探索各种模型架构设计时，我们往往对模型训练过程的关注投入不足。在本文中，我旨在弥补这一差距。

在本文中，我们将继续深入探索人工蜂巢算法（ABHA），通过深入研究代码并探讨其余的方法。正如您可能还记得的那样，模型中的每只蜜蜂都被表示为一个独立的智能体，其行为取决于内部和外部信息以及动机状态。我们将在各种函数上测试该算法，并通过在评分表中呈现结果来总结测试效果。

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。

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。