文章 "您应当知道的 MQL5 向导技术（第 43 部分）：依据 SARSA 进行强化学习" 新评论 MetaQuotes 2025.07.14 08:10 新文章 您应当知道的 MQL5 向导技术（第 43 部分）：依据 SARSA 进行强化学习已发布： SARSA 是 “State-Action-Reward-State-Action” 的缩写，是另一种能在实现强化学习时运用的算法。故此，正如我们在 Q-学习 和 DQN 中看到的那样，我们考察了如何在向导汇编的智能系统中探索和实现它，将其作为独立模型，而不仅仅是一种训练机制。 强化学习（RL）允许交易系统从其环境或市场数据中学习，从而随时间推移提升其交易能力。强化学习能够适应不断变化的市场条件，令其适用于某些动态的金融市场和证券。金融市场是不可预测的，在于它们往往具有高度的不确定性。强化学习擅长在不确定性下制定决策，基于收到的反馈（奖励）不断调整其动作，因而在处理动荡的市场条件时对交易者非常有帮助。 能与其并肩比较的是附加到图表的智能系统，且还会定期依据最近的价格历史记录进行自我优化，从而优调其参数。强化学习的目标是做同样的事情，但不那么大张旗鼓。作为这些系列的一个段落，迄今已考察了强化学习，我们按严格定义意义在训练机器学习中将其当作第三种方式（除了监督学习和无监督学习）。我们尚未考察其能否作为独立模型用于预测。 在本文中这有所变化。我们不仅引入了不同的强化学习算法 SARSA，而且我们寻求在向导汇编的智能系统内实现另一个自定义信号类，作为一个独立的信号模型。当用作信号模型时，强化学习可自动化决策过程，降低了持续人工干预的需求，这反过来（至少在理论上）能允许高频交易、以及实时响应市场波动。此外，通过从其奖励机制获得持续反馈，强化学习模型偏向学习更好地管理风险。这是通过惩罚低回报的高风险行为来实现的，强化学习的净效应最大限度地减少了波动或亏损交易的风险。 依据 EURJPY，2022 年日线时间帧测试运行，严格来说是为了证明智能系统的可用性，为我们给出以下结果： 作者：Stephen Njuki 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 您应当知道的 MQL5 向导技术（第 43 部分）：依据 SARSA 进行强化学习已发布：
强化学习（RL）允许交易系统从其环境或市场数据中学习，从而随时间推移提升其交易能力。强化学习能够适应不断变化的市场条件，令其适用于某些动态的金融市场和证券。金融市场是不可预测的，在于它们往往具有高度的不确定性。强化学习擅长在不确定性下制定决策，基于收到的反馈（奖励）不断调整其动作，因而在处理动荡的市场条件时对交易者非常有帮助。
能与其并肩比较的是附加到图表的智能系统，且还会定期依据最近的价格历史记录进行自我优化，从而优调其参数。强化学习的目标是做同样的事情，但不那么大张旗鼓。作为这些系列的一个段落，迄今已考察了强化学习，我们按严格定义意义在训练机器学习中将其当作第三种方式（除了监督学习和无监督学习）。我们尚未考察其能否作为独立模型用于预测。
在本文中这有所变化。我们不仅引入了不同的强化学习算法 SARSA，而且我们寻求在向导汇编的智能系统内实现另一个自定义信号类，作为一个独立的信号模型。当用作信号模型时，强化学习可自动化决策过程，降低了持续人工干预的需求，这反过来（至少在理论上）能允许高频交易、以及实时响应市场波动。此外，通过从其奖励机制获得持续反馈，强化学习模型偏向学习更好地管理风险。这是通过惩罚低回报的高风险行为来实现的，强化学习的净效应最大限度地减少了波动或亏损交易的风险。
依据 EURJPY，2022 年日线时间帧测试运行，严格来说是为了证明智能系统的可用性，为我们给出以下结果：
作者：Stephen Njuki