MQL4和MQL5编程文章

什么是帧分析器（Frames Analyzer）？ 这是适用于任意智能系统的一个插件模块，在策略测试器中、以及测试器之外进行参数优化期间，该工具在参数优化完成后立即读取测试创建的 MQD 文件、或数据库，并分析优化帧数据。 您能够与拥有帧分析器工具的其他用户共享这些优化结果，从而共同讨论结果。

我将研究的下一个算法是 Levy 飞行正在使用的杜鹃搜索优化。 这是最新的优化算法之一，也是排行榜的新领导者。

最后，视觉系统将开始工作，尽管它尚未完工。 在此，我们将完成主要更改。 这只是它们当中很少一部份，但都是必要的。 嗯，整个工作将非常有趣。

我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。

在最晚的两篇文章中，我们开发了一个创建和编辑神经网络模型的工具。 现在是时候通过实践示例来评估迁移学习技术的潜在用途了。

在本文中，我将在 MetaTrader 5 中检查并优化二元期权策略。

我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。

欢迎阅读我们系列的新篇章，学习如何基于最流行的技术指标设计交易系统。 通读这篇新文章，我们将学习如何基于柴金（Chaikin）振荡器指标设计交易系统。

我们迈进更完整的图表上的直接订单系统。 在本文中，我将展示一种修复订单系统的方法，或者更确切地说，令其更直观。

梯度下降在训练神经网络和许多机器学习算法中起着重要作用。 它是一种快速而智能的算法，尽管它的工作令人印象深刻，但它仍然被许多数据科学家误解，我们来看看有关它的全部。

在上一篇文章中讨论的强化学习模型中，我们用到了卷积网络的各种变体，这些变体能够识别原始数据中的各种对象。 卷积网络的主要优点是能够识别对象，无关它们的位置。 与此同时，当物体存在各种变形和噪声时，卷积网络并不能始终表现良好。 这些是关系模型可以解决的问题。

欢迎来到我们的关于学习如何基于最流行的技术指标设计交易系统系列的新篇章，这一篇学习如何基于牛市力量技术指标设计交易系统。

在本文中，我们将开发一个“看看发生了什么”类型的图形订单系统。 请注意，我们这次不是从头开始，只不过我们将修改现有系统，在我们交易的资产图表上添加更多对象和事件。

在我们透彻之前，还有一些涵盖前馈神经网络的次要事情，设计就是其中之一。 针对我们的输入，看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。

我们来研究一种最新的现代优化算法 — 灰狼优化。 测试函数的原始行为令该算法成为以前研究过的算法中最有趣的算法之一。 这是训练神经网络的顶级算法之一，具有许多变量的平滑函数。

我们继续研究分布式 Q-学习。 今天我们将从另一个角度来看待这种方式。 我们将研究使用分位数回归来解决价格预测任务的可能性。

回归是一项依据未标记样本预测真实数值的任务。 所谓的回归衡量度则是用来评估回归模型的预测准确性。

本文提供了一个关于指标界面的新视角。 我将重点关注便利性。 多年以来，我尝试了几十种不同的交易策略，并测试过数百种不同的指标，我得出了一些结论，我想在本文中与大家分享。

强化学习的问题在于需要定义奖励函数。 它可能很复杂，或难以形式化。 为了定解这个问题，我们正在探索一些基于行动和基于环境的方式，无需明确的奖励函数即可学习技能。

在本文中，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。

数据挖掘在数据科学家和交易者看来至关重要，因为很多时候，数据并非如我们想象的那么简单。 人类的肉眼无法理解数据集中的不显眼底层形态和关系，也许 K-means 算法可以帮助我们解决这个问题。 我们来发掘一下...

我们继续研究分布式 Q-学习算法。 在之前的文章中，我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中，我们训练了给定数值范围的概率。 在第二种算法中，我们用给定的概率训练了范围。 在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。 在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。