Все о MQL5 Wizard: создавайте роботов без программирования. - страница 4

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 16): Анализ главных компонент с собственными векторами

Анализ главных компонент (PCA) - это сосредоточение внимания только на "главных компонентах" среди множества измерений набора данных, что позволяет сократить размерность этого набора данных, игнорируя "непринципиальные" части.

Однако PCA с собственными значениями и векторами имеет несколько более глубокий подход. Как правило, наборы данных, обрабатываемые в рамках PCA, имеют матричный формат, и главные компоненты, которые ищутся в матрице, представляют собой один векторный столбец (или строку), который является наиболее значимым среди других векторов матрицы и может служить представителем всей матрицы. Как уже говорилось во вступлении, только этот вектор будет содержать главные компоненты всей матрицы, отсюда и название PCA. Однако для определения этого вектора необязательно использовать собственные векторы и значения, поскольку другими альтернативами являются сингулярное разложение значений (SVD) и итерация мощности.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 17): Мультивалютная торговля

Эта статья продолжает цикл статей о том, как мастер MQL5 идеально подходит для быстрого тестирования и создания прототипов идей для трейдеров. Для многих людей, разрабатывающих экспертов и торговые системы, очень важна необходимость постоянно учиться и быть в курсе тенденций не только машинного обучения, но и торговли и управления рисками в целом. Поэтому в этой серии мы рассмотрим, как MQL5 IDE помогает в этом деле, не только экономя время, но и минимизируя ошибки при кодировании.

[Sergey Golubev]

Техники мастера MQL5, которые вы должны знать (часть 18): Поиск нейронной архитектуры с помощью собственных векторов

Мы продолжаем серию статей о внедрении мастеров MQL5, рассматривая поиск нейронной архитектуры и особо останавливаясь на роли собственных векторов в повышении эффективности этого процесса, ускоряющего обучение сети. Нейронные сети можно сравнить с подгонкой кривой к набору данных, поскольку они помогают составить формульное выражение, которое, будучи примененным к входным данным (x), дает целевое значение (y) точно так же, как квадратное уравнение делает это с кривой. Однако точки данных x и y могут быть, и даже часто бывают, многомерными, именно поэтому нейронные сети завоевали большую популярность. Тем не менее, принцип получения формульного выражения остается, поэтому нейронные сети являются лишь средством достижения этой цели, но не единственным способом.