有关MQL5数据分析和统计的文章

在本文中，我们介绍如何在MQL5中实现分组数据处理方法中的多层迭代算法。

该文章代表了一种独特的研究尝试，旨在将多种群体算法组合成一个类，以简化优化方法的应用。这种方法不仅为开发新算法（包括混合变体）开辟了机会，而且还创建了一个通用的基本测试平台。它成为根据特定任务选择最佳算法的关键工具。

限制性玻尔兹曼（Boltzmann）机处于基本等级，是一个两层神经网络，擅长通过降维进行无监督分类。我们取其基本原理，并检验如果我们重新设计和训练它，我们是否可以得到一个实用的信号滤波器。

截断型奇异值分解（SVD）和非负矩阵分解（NMF）都是降维技术。它们在制定数据驱动的交易策略方面都发挥着重要作用。探索降维的艺术，揭示洞察和优化定量分析，以明智的方式航行在错综复杂的金融市场。

在本文中，我们将研究如何利用广义赫斯特指数（Generalized Hurst Exponent）和方差比检验（Variance Ratio Test）来分析 MQL5 中价格序列的行为。

如果到目前为止，你觉得一切都很好，那就说明你在开始开发应用程序时，并没有真正考虑到长远的问题。随着时间的推移，你将不再需要为新的应用程序编程，只需让它们协同工作即可。让我们看看如何完成鼠标指标的组装。

许多认为自己是 MQL5 程序员的人，其实并不具备我在本文中将要概述的基础知识。许多人认为 MQL5 是一个有限的工具，但实际原因是他们尚未具备所需的知识。所以，如果您有啥不知道，不要为此感到羞愧。最好是因为不去请教而感到羞愧。简单地强制 MetaTrader 5 禁用指标重叠，并不能确保指标和智能系统之间的双向通信。我们离这个目标还很远，但指标在图表上没有重叠的事实给了我们一些信心。

在本文中，我们探索了在时间序列由数字滤波器在频域上进行表达的应用，如此即可提取也许对预测模型有用的独特特征。

本系列文章介绍了几种时间序列标注方法，可以创建符合大多数人工智能模型的数据，根据需要进行有针对性的数据标注可以使训练好的人工智能模型更符合预期的设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

在本文中，我们演示了增广迪基–富勒（Augmented Dickey-Fuller，ADF）检验的实现，并将其应用于使用 Engle-Granger 方法进行协整检验。

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。

今天我们将讨论回放/模拟器系统的新阶段。在这个阶段，谈话才会变得真正有趣，内容也相当丰富。我强烈建议您仔细阅读本文并使用其中提供的链接。这将帮助您更好地理解内容。

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。

在本文中，我们介绍使用纯 MQL5 语言实现组合对称交叉验证的情况，以衡量使用策略测试器的慢速完全算法优化策略后可能出现的过拟合程度。