关于交易中机器学习的文章
创建基于AI的交易机器人：与Python的原生集成，矩阵和向量，数学和统计库等。
了解如何在交易中使用机器学习。神经元、感知器、卷积和循环网络、预测模型 — 从基础开始，逐步开发您自己的AI。您将学习如何为金融市场的算法交易训练和应用神经网络。
矩阵实用工具，扩展矩阵和向量的标准库功能
矩阵作为机器学习算法和计算机的基础，因为它们能够有效地处理大型数学运算，标准库拥有所需的一切，但让我们看看如何在实用工具文件中引入若干个函数来扩展它，这些函数在标准库中尚未提供。
MQL5 中的范畴论 (第 1 部分)
范畴论是数学的一个多样化和不断扩展的分支，到目前为止，在 MQL 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念，其总体目标是建立一个开放的函数库，吸引评论和研讨，同时希望在交易者的策略开发中进一步在运用这一非凡的领域。
种群优化算法：鱼群搜索（FSS）
鱼群搜索（FSS）是一种新的优化算法，其灵感来自鱼群中鱼的行为，其中大多数（高达 80%）游弋在有组织的亲属群落中。 经证明，鱼类的聚集在觅食效率和保护捕食者方面起着重要作用。
神经网络变得轻松（第三十五部分）：内在好奇心模块
我们继续研究强化学习算法。 到目前为止，我们所研究的所有算法都需要创建一个奖励政策，从而令代理者能够每次从一个系统状态过渡到另一个系统状态的转换中估算其每个动作。 然而，这种方式人为因素相当大。 在实践中，动作和奖励之间存在一些时间滞后。 在本文中，我们将领略一种模型训练算法，该算法可以操控从动作到奖励的各种时间延迟。
种群优化算法：灰狼优化器（GWO）
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。
神经网络变得轻松（第三十四部分）：全部参数化的分位数函数
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。
神经网络变得轻松（第三十二部分）：分布式 Q-学习
我们在本系列的早期文章中领略了 Q-学习方法。 此方法均化每次操作的奖励。 2017 年出现了两篇论文，在研究奖励分配函数时展现出了极大的成功。 我们来研究运用这种技术解决我们问题的可能性。
您应该知道的 MQL5 向导技术（第 04 部分）：线性判别分析
今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。 这些系列文章将提出 MQL5 向导应该是交易者在此领域努力的中流砥柱。
数据科学与机器学习（第 09 部分）：K-最近邻算法（KNN）
这是一种惰性算法，它不是基于训练数据集学习，而是以存储数据集替代，并在给定新样本时立即采取行动。 尽管它很简单，但它能用于各种实际应用。
数据科学与机器学习（第 09 部分）：以 MQL5 平铺直叙 K-均值聚类
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...
群体优化算法：粒子群（PSO）
在本文中，我将研究流行的粒子群优化（PSO）算法。 之前，我们曾讨论过优化算法的重要特征，如收敛性、收敛率、稳定性、可伸缩性，并开发了一个测试台，并研究了最简单的 RNG 算法。
数据科学与机器学习（第 07 部分）：多项式回归
与线性回归不同，多项式回归是一种很灵活的模型，旨在更好地执行线性回归模型无法处理的任务，我们来找出如何在 MQL5 中制作多项式模型，并据其做出积极东西。
您应该知道的 MQL5 向导技术（第 03 部分）：香农（Shannon）熵
今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。 本系列文章将提出，MQL5 向导应该是交易者的支柱。
神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法
在本系列的前几篇文章中，我们见识到两种增强的学习算法。 它们中的每一个都有自己的优点和缺点。 正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。 这将弥补它们每种的短处。 本文将讨论其中一种方法。
神经网络变得轻松（第二十八部分）：政策梯度算法
我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。
神经网络变得轻松（第二十七部分）：深度 Q-学习（DQN）
我们继续研究强化学习。 在本文中，我们将与深度 Q-学习方法打交道。 DeepMind 团队曾运用这种方法创建了一个模型，在玩 Atari 电脑游戏时其表现优于人类。 我认为评估该技术来解决交易问题的可能性将会很有益处。
神经网络变得轻松（第二十六部分）：强化学习
我们继续研究机器学习方法。 自本文，我们开始另一个大话题，强化学习。 这种方式允许为模型设置某些策略来解决问题。 我们可以预期，强化学习的这种特性将为构建交易策略开辟新的视野。
数据科学与机器学习 — 神经网络（第 02 部分）：前馈神经网络架构设计
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。
神经网络变得轻松（第二十四部分）：改进迁移学习工具
在上一篇文章中，我们创建了一款用于创建和编辑神经网络架构的工具。 今天我们将继续打造这款工具。 我们将努力令其对用户更加友好。 也许可以看到，我们的主题往上更进一步。 但是，您不认为规划良好的工作空间在实现结果方面起着重要作用吗？
数据科学与机器学习 — 神经网络（第 01 部分）：前馈神经网络解密
许多人喜欢它们，但却只有少数人理解神经网络背后的整个操作。 在本文中，我尝试用淳朴的语言来解释前馈多层感知，解密其封闭大门背后的一切。
数据科学与机器学习（第 06 部分）：梯度下降
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。
神经网络变得轻松（第二十一部分）：变分自动编码器（VAE）
在上一篇文章中，我们已熟悉了自动编码器算法。 像其它任何算法一样，它也有其优点和缺点。 在其原始实现中，自动编码器会尽可能多地将对象与训练样本分开。 这次我们将讨论如何应对它的一些缺点。
神经网络实验（第 2 部分）：智能神经网络优化
在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证神经网络是否对交易者有任何帮助。 若在交易中运用神经网络的话， MetaTrader 5 完全可作为一款自给自足的工具。
神经网络变得轻松（第十九部分）：使用 MQL5 的关联规则
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。
神经网络变得轻松（第十八部分）：关联规则
作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。 这种问题类型首先用于零售业，即超市等，来分析市场篮子。 在本文中，我们将讨论这些算法在交易中的适用性。
数据科学和机器学习（第 05 部分）：决策树
决策树模仿人类的方式针对数据进行分类。 我们看看如何构建这棵树，并利用它们来分类和预测一些数据。 决策树算法的主要目标是将含有杂质的数据分离成纯节点或靠近节点。
