代码
RL 算法 MetaTrader 5
基于文章 "Random decision forest in reinforcement learning （强化学习中的随机决策森林）"的开发库。
Cointegration MetaTrader 5
本指标计算和显示了两个或者多个金融交易品种之间的线性关系。
组合套利 MetaTrader 5
这个交易机器人在EURGBP和它的组合报价之间进行套利(三角套利)。
文章
Кластеризация временных рядов в причинно-следственном выводе MetaTrader 5
Алгоритмы кластеризации в машинном обучении — это важные алгоритмы обучения без учителя, которые позволяют разделять исходные данные на группы с похожими наблюдениями. Используя эти группы, можно проводить анализ рынка для конкретного кластера, искать наиболее устойчивые кластеры на новых данных, а
Показатель склонности (Propensity score) в причинно-следственном выводе MetaTrader 5
В статье рассматривается тема матчинга в причинно-следственном выводе. Матчинг используется для сопоставления похожих наблюдений в наборе данных. Это необходимо для правильного определения каузальных эффектов, избавления от предвзятости. Автор рассказывает, как это помогает в построении торговых
Причинно-следственный вывод в задачах классификации временных рядов MetaTrader 5
В этой статье мы рассмотрим теорию причинно-следственного вывода с применением машинного обучения, а также реализацию авторского подхода на языке Python. Причинно-следственный вывод и причинно-следственное мышление берут свои корни в философии и психологии, это важная часть нашего способа мыслить
Cross-validation and basics of causal inference in CatBoost models, export to ONNX format MetaTrader 5
The article proposes the method of creating bots using machine learning
机器学习和交易中的元模型：交易订单的原始时序 MetaTrader 5
机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。
网格和马丁格尔交易系统中的机器学习。 您敢为其打赌吗？ MetaTrader 5
本文介绍了应用于网格和马丁格尔交易的机器学习技术。 令人惊讶的是，这种方法在全球网络中难觅踪迹。 阅读过本文之后，您将能够创建自己的交易机器人。
利用 CatBoost 算法寻找外汇市场的季节性模式 MetaTrader 5
本文探索了用时间过滤器建立机器学习模型，并讨论了这种方法的有效性。现在，只要简单地指示模型在一周中某一天的某个时间进行交易，就可以消除人为因素。模式搜索可以由单独的算法提供。
直推和主动机器学习中的梯度提升 MetaTrader 5
在本文中，我们将探讨利用真实数据的主动机器学习方法，并讨论它们的优缺点。也许你会发现这些方法很有用，并将它们包含在你的机器学习模型库中。直推是由支持向量机（SVM）的共同发明者弗拉基米尔·瓦普尼克（Vladimir Vapnik）提出的。
基于暴力算法的 CatBoost 模型高级重采样与选择 MetaTrader 5
本文描述了一种可能的数据转换方法，旨在提高模型的通用性，并讨论了 CatBoost 模型的采样和选择。
梯度提升（CatBoost）在交易系统开发中的应用. 初级的方法 MetaTrader 5
在 Python 中训练 CatBoost 分类器，并将模型导出到mql5，以及解析模型参数和自定义策略测试程序。Python 语言和 MetaTrader 5 库用于准备数据和训练模型。
论坛
关于SI语言的问题
void quicksort( double *a, int *idx, int l, int u) { int i, m, idx_temp; double a_temp; if (l >= u) return ; m = l; for (i=l+ 1 ; i<=u; i++) { if (a[i] < a[l]) { ++m; idx_temp = idx[m]; idx[m] = idx[i]; idx[i] = idx_temp;
插值、近似等（alglib包）。
我需要用任意的设置对一个函数进行插值，所以我选择了样条。 This subroutine builds cubic spline interpolant. INPUT PARAMETERS: X - spline nodes, array[ 0 ..N- 1 ]. Y - function values, array[ 0 ..N- 1 ]. OPTIONAL PARAMETERS: N - points count: * N>= 2
分析模式的最重要的统计学特征，并选择一种交易方法。
比方说，我们有一块图表。我们需要（在历史上）研究出开启交易的最佳方式。在哪里买，在哪里卖，在哪里买更多，在哪里关闭，等等。但我们必须考虑到模式可能是不同的，我们必须找到最有效的方法来计算任何模式的 开仓 位置，同时将风险降到最低。 一个模式中可能有几个交易。还有一个重要的条件，图案可以在一定范围内变化，比如20%。也就是说，一开始我们看到的是一个模式，而在下一个小节，它将发生一些变化，尽管它的基本特征保持不变（但我们将始终看到整个模式和它的所有未来变化）。也就是说，我们需要引入一些其他的误差因素。 你有什么好的办法吗？可以计算各种概率和价格水平，如何做到这一点？
在C#中通过WebSocket检索一个价格流。
你好，亲爱的先生们。对接收不同来源的报价感兴趣（包括LMAX交易所）。由于不同的经纪商与不同的ECN、流动性提供商相连，因此最好直接从ECN本身获得报价。但那里有一个限制 - 大多数供应商不会与我们分享他们的报价，除非我们直接与他们联系。但有几个地方我们可以获得报价，包括 "市场深度"。例如，LMAX在小工具中流传其流动性，如https://s3-eu-west-1.amazonaws.com/lmax-widget3/website-widget-vwap.html（周末不活动，因为没有报价，在工作日，标志会消失，会出现一个市场）。也有一些ECN将其报价与市场深度结合起来。
交易所套利，是否值得深究？
我不知道是否有人在FORTS上遇到过不同经纪商的滞后报价？是值得向这个方向挖掘，还是一切早已明了，没有必要再玩下去？:) 不同经纪公司的报价是否有差异或延迟？这一切如何与交易所的规则相对应，这种交易会不会是作弊，或者一切都在法律范围内，"谁有时间，谁就吃了"？
我已经要放弃与他们斗争了......
有谁能告诉我什么会导致这些错误？StopLevels水平为20点，所有交易都应通过。 残缺不全和脱引是很烦人的 :)
神经网络的顾问，分享经验。
论坛上几乎没有关于现成的解决方案和神经网络在市场上交易的有效性的信息。我建议在这里讨论和分享经验。如果已经有一个讨论的主题，请链接到它。 我正在使用 这里的 类，简单的多层Perspectron。我希望班级算得准，我是靠作者的经验来算的。开始做实验了，很有意思:) 目前，我在输入端有11个诱因，输出端是一个向未来转移了1条的之字形。 这些是我8个月来的网格结果。我正在训练1000条，10000个epochs，一个隐藏层中有70个神经元。信号被反转，纯粹由神经网络完成，没有额外的过滤器。15分钟tf。
使用OpenCV来识别图形模式
众所周知，相关和类似的方法不能准确地处理时间序列的匹配，在某些情况下，根本就不准确。 最近，计算机视觉已经变得很普遍。它主要用于识别图像，例如照片中的人脸。据我所知，这种方法的效果非常准确。有没有人有使用这些库进行模式识别的经验？嗯，并使用mql中的库。我认为这个主题本身就非常有趣，应该加以发展。我还没有这方面的经验，但想学习。 我猜它可能对机器学习、模式搜索和其他任务有很大帮助。 有趣的是--有可能在机器人中建立一个可能性，通过他的脸来识别用户，如果有一个摄像头，如果是不同的人，则不 允许交易 :) Pruf http://opencv.org/ 。