文章 "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"

[MetaQuotes]

新文章 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与强力指数形态已发布：

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。

在前一篇文章中，我们介绍了将这组指标作为EA入场信号形态的方案，但前向测试结果并不理想。我们当时分析了部分原因，并且特别说明所做的训练与优化仅基于1年数据，因此无论采用何种形态，都必须在海量历史数据上进行尽可能全面的测试。与之前一样，本篇我们将继续研究那些能够通过前向测试的形态。通过机器学习来实现。

在MQL5中应用机器学习算法时，OpenCL始终是一个可选方案，然而，这通常需要配备GPU硬件。有GPU固然更好，但Python的代码库如今已经非常完善，仅使用CPU也能获得很高的运行效率。这也是本系列文章一直在探索的方向。与之前部分文章一样，我们将使用Python编写神经网络，因为在Python中进行编码与训练效率极高。 

在前一篇文章中我们优化并训练了10种形态，但其中仅有2种通过了前向测试，即形态6与形态9。因此，我们将使用神经网络对这两种形态做进一步测试。与之前的文章类似，区别在于本次我们使用卷积神经网络（CNN），并且该CNN将采用点积核实现。然而，在使用Python实现之前，我们照例先定义所需的指标函数，以便为网络提供信号数据。 

作者：Stephen Njuki