|
8+ 年
经验
|
0
产品
|
0
演示版
|
|
0
工作
|
0
信号
|
0
订阅者
|
本文介绍如何轻松在你的 MQL4 代码中使用神经网络，利用最佳的免费人工神经网络库 (FANN)，并在 MQL4 代码中采用多个神经网络。
本文是有关深度神经网络和预测器选择的前文之续篇。在此我们将涵盖由栈式 RBM 初始化的深度神经网络特性, 以及它在 "darch" 软件包里的实现。
本文探讨横盘时交易的优缺点。 本文中创建并测试了十种基于在通道内跟踪价格走势的策略。 每种策略都配有过滤机制，旨在避免入场的假信号。
我们继续构建融合。 这次，之前创建的融合袋将辅以可训练的合并器 — 深度神经网络。 一个神经网络在修剪后合并了 7 个最佳融合输出。 第二个将融合的所有 500 个输出作为输入，修剪并合并它们。 神经网络将使用 Python 的 keras/TensorFlow 软件包构建。 该软件包的功能也会简要介绍。 还会进行测试并比较装型融合和堆叠融合的分类品质。
本文描述利用 Kohonen 映射进行操作的技术。本主题对那些在他们的项目中运用 Kohonen 映射进行市场研究时遇到困难的 MQL4/MQL5 初级程序员和经验丰富的程序员都有益处。
本文依据之前发表文献中所介绍的思路，开发在 MetaTrader 5 中运用 Kohonen 映像。 改进并强化的类提供了解决应用程序任务的工具。
本文会介绍一个专为针对各种时间序列的特性给出快速初步评估而设计的类。与其同时，亦对统计参数和自相关函数进行评估，对时间序列执行频谱估计，并构建一个直方图。
自组织特征映射（Kohonen 映射）最有趣的方面是，其在不受监督的情况下就可学会对数据进行分类。就其基本形式而言，该映射能够生成输入数据的一个类似映射（聚类）。可使用 SOM 映射实现高维数据的分类和可视化。在本文中，我们将讨论 Kohonen 映射的几个简单应用。
本文旨在创建最简单的交易策略，实施"要么赢走全部，要么输个精光"的游戏原则。我们不想创建一个能盈利的 EA 交易- 目标是通过最大可能概率让初始存款增加几倍。在不知道任何技术分析或不使用任何指标的情况下是否有可能在 ForEx 市场中赢走全部或输个精光？
本文致力于介绍一种新的有前景的机器学习方向 — 深度学习或者更准确的说，深度神经网络。简要回顾第二代神经网络，它们的连结架构和主要类型，学习的方法和规则以及缺点，随后介绍第三代神经网络的发展，它们的主要类型，特点和学习方法。创建并训练一个深度神经网络，由真实数据通过堆栈式自动编码器权重进行初始化。从输入数据的选择到数量化求解的所有步骤都会详细讲述。文章的最后部分包含一个深度神经网络的EA实例，其中带有一个MQL4/R的内置指标。
本文涵盖的内容是提出了进化算法主要原则，以及它们的特点和多样性。我们将使用一个简单的EA交易作为实例来做实验，来展示如何通过优化使我们的交易系统获益，我们将探讨在软件程序中实现遗传、进化以及其它类型的优化，并且在优化交易系统的预测器集合与参数时提供示例程序。
是否有可能开发一款能够根据代码命令, 定期优化开仓和平仓条件的智能交易系统？如果我们以模块化的形式实现一个神经网络 (多层感知器) 来分析历史并提供策略, 会发生什么？我们可以做到 EA 每月(每周, 每天或每小时) 进行神经网络优化, 然后继续其工作。因此, 我们可以开发一款自我优化 EA。
本文介绍了来自琳达.布拉福德.瑞斯克(Linda Bradford Raschke)和劳伦斯.A.康纳斯(Laurence A. Connors)的《华尔街智慧:高胜算短线交易策略(Street Smarts: High Probability Short-Term Trading Strategies)》一书的两个交易策略，‘海龟汤’和‘海龟汤升级版’的原则规范。在书中描述的策略非常流行，但是有必要知道的是，作者是基于15年到20年的市场行为来开发它们的。
本文介绍用于分析 '80-20' 交易策略而开发的工具 (指标和智能交易系统)。交易策略规则取自 "街头智能。高概率短线交易策略" 作者: Linda Raschke 和 Laurence Connors。我们将使用 MQL5 语言正实现策略规则, 并在最近的行情历史上测试基于策略的指标和智能交易系统。
本文简要概述了十款趋势跟随策略, 及其测试结果和比较分析。基于所获结果, 我们得到相关趋势跟随交易之优缺点的一般性结论。
本文分析了以下的K线形态: 旗形, 三角旗形, 楔形，长方形，收敛三角型，扩张三角形。除了分析它们的相同点和不同点，我们还将创建指标用于在图表上侦测这些形态，还有一个测试指标用于快速评估它们的效果。
本文是一系列有关深层神经网络的延续文章。在此, 我们将研究选择样本 (消除噪声), 降低输入数据的维度, 并在数据准备期间将数据集合划分为训练/验证/测试集合, 以便训练神经网络。
本文将研究 darch 软件包的新功能 (v.0.12.0)。它包含具有不同数据类型, 不同结构和训练顺序的深度神经网络训练的描述。培训结果也包括在内。