有关MQL5数据分析和统计的文章

本文延续了暴力算法的主题，并在程序算法中引入了市场分析的新机会，从而加快了分析速度，提高了结果质量。新的添加使得在这种方法中可以看到最高质量的全局模式。

岭回归是一种简单的技术，可降低模型复杂度，并防止简单线性回归可能导致的过度拟合。

艾伦·安德鲁斯（Alan Andrews）是现世代在交易领域最著名的“教育家”之一。 他的“草叉”几乎包含在所有现代报价分析程序当中。 但大多数交易者没机会用过此工具，甚至是其提供的一小部分。 此外，安德鲁斯最初的培训课程不仅包括对草叉的描述（尽管它仍然是主要工具），还包括其它一些有用的结构。 本文提供了对安德鲁斯在其原始课程中教授的奇妙图表分析方法的见解。 （流量焦虑用户）请当心，会有很多图像。

在本文中，我将研究萤火虫算法（FA）优化方法。 致谢优化修订，该算法已从局外人变成了评级表上的真正领先者。

我们继续研究无监督学习算法。 一些读者可能对最近发表的与神经网络主题的相关性有疑问。 在这篇新文章中，我们回到了对神经网络的研究。

许多人喜欢它们，但却只有少数人理解神经网络背后的整个操作。 在本文中，我尝试用淳朴的语言来解释前馈多层感知，解密其封闭大门背后的一切。

在本文中，我们将研究如何建立所有优化通测的图形，以及选择最优结果的自定义准则。 我们还将看到如何利用网站上发表的文章和论坛评论，在几乎不了解 MQL5 的情况下创建所需的解决方案。

在本文中，我们将继续讨论暴力方法。我将尝试使用我的应用程序的新改进版本来更好地解释这种模式。我还将尝试使用不同的时间间隔和时间框架来找出稳定性的差异。

如何创建一个系统，让我们在闭市后也能研究市场，甚至模拟市场情况？ 在此，我们将开始一系列新的文章，在其中我们将应对这个主题。

我们来研究一种最新的现代优化算法 — 灰狼优化。 测试函数的原始行为令该算法成为以前研究过的算法中最有趣的算法之一。 这是训练神经网络的顶级算法之一，具有许多变量的平滑函数。

今天的交易者都是一位哲学家，他几乎总是（有意识地或无意识地）寻找新的思路，尝试它们，选择修改或抛弃它们；这是一个需要付出相当勤奋程度的探索过程。 这显然会花费交易者高昂的时间，且需要避免错误。 本系列文章将提出，MQL5 向导应该是交易者的支柱。 为什么呢？ 因为交易者不仅经由 MQL5 向导组装他的新想法来节省时间，而且大大减少了重复编码的错误；他最终会把精力集中在交易哲学的几个关键领域。

我将研究的下一个算法是 Levy 飞行正在使用的杜鹃搜索优化。 这是最新的优化算法之一，也是排行榜的新领导者。

我们已经经历了很长一段路，并且函数库中的代码越来越庞大。 这令跟踪所有连接和依赖性变得难以维护。 因此，我建议为先前创建的代码创建文档，并保持伴随每个新步骤进行更新。 正确准备的文档将有助我们看到操作的完整性。

在本文中，我将研究猴子优化算法（MA）。 这些动物克服困难障碍，并到达最难以接近的树顶的能力构成了 MA 算法思想的基础。

我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。

我们继续研究无监督学习算法。 这次我建议我们讨论自动编码器应用于递归模型训练时的特性。

如何通过 MetaTrader 5 访问在线数据？ 互联网上有很多网站，提供海量信息。 您需要知道的是，在哪里查找、以及如何才能最好地利用这些信息。

我们继续研究分布式 Q-学习算法。 在之前的文章中，我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中，我们训练了给定数值范围的概率。 在第二种算法中，我们用给定的概率训练了范围。 在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。 在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。

在本部分中，我们将继续讨论人工智能模型。 即，我们研究无监督学习算法。 我们已经讨论了众多聚类算法之一。 在本文中，我将分享一种解决与降维相关问题的方法。