Artikel über maschinelles Lernen im Handel.
Erstellen von KI-basierten Handelsrobotern: native Integration der Bibliotheken für Python, Matrizen und Vektoren, Mathematik und Statistik und vieles mehr.
Finden Sie heraus, wie Sie maschinelles Lernen im Handel einsetzen können. Neuronen, Perzeptronen, Faltungs- und rekurrente Netze, Vorhersagemodelle – beginnen Sie mit den Grundlagen und arbeiten Sie sich bis zur Entwicklung Ihrer eigenen KI vor. Sie lernen, wie man neuronale Netze für den algorithmischen Handel auf Finanzmärkten trainiert und anwendet.
Neuer Artikel
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
MQL5-Assistent-Techniken, die Sie kennen sollten (Teil 49): Verstärkungslernen mit Optimierung der proximalen Politik
Die „Proximal Policy Optimization“ ist ein weiterer Algorithmus des Reinforcement Learning, der die „Policy“, oft in Form eines Netzwerks, in sehr kleinen inkrementellen Schritten aktualisiert, um die Stabilität des Modells zu gewährleisten. Wir untersuchen, wie dies in einem von einem Assistenten zusammengestellten Expert Advisor von Nutzen sein könnte, wie wir es in früheren Artikeln getan haben.
Datenwissenschaft und ML (Teil 32): KI-Modelle auf dem neuesten Stand halten, Online-Lernen
In der sich ständig verändernden Welt des Handels ist die Anpassung an Marktveränderungen nicht nur eine Option, sondern eine Notwendigkeit. Täglich entstehen neue Muster und Trends, die es selbst den fortschrittlichsten Modellen für maschinelles Lernen erschweren, angesichts der sich verändernden Bedingungen effektiv zu bleiben. In diesem Artikel erfahren Sie, wie Sie Ihre Modelle durch ein automatisches Neu-Training relevant halten und auf neue Marktdaten reagieren können.
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 47): Verstärkungslernen mit Temporaler Differenz
Temporal Difference ist ein weiterer Algorithmus des Reinforcement Learning, der Q-Werte auf der Grundlage der Differenz zwischen vorhergesagten und tatsächlichen Belohnungen während des Agententrainings aktualisiert. Sie befasst sich speziell mit der Aktualisierung von Q-Werten, ohne sich um die Verknüpfung von Zustand und Aktion zu kümmern. Daher wollen wir sehen, wie wir dies, wie in früheren Artikeln, in einem mit einem Assistenten zusammengestellten Expert Advisor anwenden können.
Handelseinblicke durch Volumen: Mehr als OHLC-Charts
Ein algorithmisches Handelssystem, das die Volumenanalyse mit Techniken des maschinellen Lernens, insbesondere neuronalen LSTM-Netzen, kombiniert. Im Gegensatz zu traditionellen Handelsansätzen, die sich in erster Linie auf Preisbewegungen konzentrieren, legt dieses System den Schwerpunkt auf Volumenmuster und deren Ableitungen, um Marktbewegungen vorherzusagen. Die Methodik umfasst drei Hauptkomponenten: Analyse der Volumenderivate (erste und zweite Ableitung), LSTM-Vorhersagen für Volumenmuster und traditionelle technische Indikatoren.
Wechselseitige Information als Kriterium für die schrittweise Auswahl von Merkmalen
In diesem Artikel stellen wir eine MQL5-Implementierung der schrittweisen Merkmalsauswahl vor, die auf der wechselseitigen Information zwischen einer optimalen Prädiktorenmenge und einer Zielvariablen basiert.
Klassische Strategien neu interpretieren (Teil XI): Kreuzung gleitender Durchschnitte (II)
Die gleitenden Durchschnitte und der Stochastik-Oszillator können verwendet werden, um trendfolgende Handelssignale zu generieren. Diese Signale werden jedoch erst nach dem Eintreten der Preisaktion beobachtet. Diese den technischen Indikatoren innewohnende Verzögerung können wir mit Hilfe von KI wirksam überwinden. In diesem Artikel erfahren Sie, wie Sie einen vollständig autonomen KI-gesteuerten Expert Advisor erstellen, der Ihre bestehenden Handelsstrategien verbessern kann. Selbst die älteste mögliche Handelsstrategie kann verbessert werden.
Schrittweise Merkmalsauswahl in MQL5
In diesem Artikel stellen wir eine modifizierte Version der schrittweisen Merkmalsauswahl vor, die in MQL5 implementiert ist. Dieser Ansatz basiert auf den Techniken, die in „Modern Data Mining Algorithms in C++ and CUDA C“ von Timothy Masters beschrieben sind.
Feature Engineering mit Python und MQL5 (Teil II): Winkel des Preises
Im MQL5-Forum gibt es viele Beiträge, in denen um Hilfe bei der Berechnung der Steigung von Preisänderungen gebeten wird. In diesem Artikel wird eine Möglichkeit zur Berechnung des Winkels aufgezeigt, der sich aus den Kursveränderungen eines beliebigen Marktes ergibt, mit dem Sie handeln möchten. Außerdem werden wir die Frage beantworten, ob die Entwicklung dieser neuen Funktion den zusätzlichen Aufwand und die investierte Zeit wert ist. Wir werden untersuchen, ob die Steigung des Kurses die Genauigkeit unseres KI-Modells bei der Vorhersage des USDZAR-Paares auf dem M1 verbessern kann.
Von Python zu MQL5: Eine Reise in quanteninspirierte Handelssysteme
Der Artikel befasst sich mit der Entwicklung eines quanteninspirierten Handelssystems, das von einem Python-Prototyp zu einer MQL5-Implementierung für den realen Handel übergeht. Das System nutzt die Prinzipien der Quanteninformatik wie Überlagerung und Verschränkung, um Marktzustände zu analysieren, obwohl es auf klassischen Computern mit Quantensimulatoren läuft. Zu den wichtigsten Merkmalen gehören ein Drei-Qubit-System zur gleichzeitigen Analyse von acht Marktzuständen, 24-Stunden-Rückblicke und sieben technische Indikatoren für die Marktanalyse. Auch wenn die Genauigkeitsraten bescheiden erscheinen mögen, bieten sie in Verbindung mit geeigneten Risikomanagementstrategien einen erheblichen Vorteil.
Generative Adversarial Networks (GANs) für synthetische Daten in der Finanzmodellierung (Teil 1): Einführung in GANs und synthetische Daten für die Finanzmodellierung
Dieser Artikel stellt Händlern Generative Adversarial Networks (GANs) zur Generierung von synthetischen Finanzdaten vor und geht dabei auf die Datenbeschränkungen beim Modelltraining ein. Es behandelt GAN-Grundlagen, Python und MQL5-Code-Implementierungen und praktische Anwendungen im Finanzwesen, die es Händlern ermöglichen, die Modellgenauigkeit und -robustheit durch synthetische Daten zu verbessern.
Neuronale Netze im Handel: Eine komplexe Methode zur Vorhersage einer Trajektorie (Traj-LLM)
In diesem Artikel möchte ich Ihnen eine interessante Methode zur Vorhersage von Trajektorien vorstellen, die zur Lösung von Problemen im Bereich der autonomen Fahrzeugbewegungen entwickelt wurde. Die Autoren der Methode haben die besten Elemente verschiedener architektonischer Lösungen kombiniert.
Neuronale Netze im Handel: Zustandsraummodelle
Ein Großteil der bisher untersuchten Modelle basiert auf der Transformer-Architektur. Bei langen Sequenzen können sie jedoch ineffizient sein. In diesem Artikel werden wir uns mit einer alternativen Richtung der Zeitreihenprognose auf der Grundlage von Zustandsraummodellen vertraut machen.
William-Gann-Methoden (Teil III): Funktioniert Astrologie?
Beeinflussen die Positionen von Planeten und Sternen die Finanzmärkte? Bewaffnen wir uns mit Statistiken und Big Data und begeben wir uns auf eine spannende Reise in die Welt, in der sich Sterne und Aktiencharts kreuzen.
Künstlicher Algenalgorithmus (AAA)
Der Artikel befasst sich mit dem Künstlichen Algenalgorithmus (AAA), der auf den für Mikroalgen charakteristischen biologischen Prozessen beruht. Der Algorithmus umfasst eine Spiralbewegung, einen evolutionären Prozess und eine Anpassung, die es ihm ermöglicht, Optimierungsprobleme zu lösen. Der Artikel bietet eine eingehende Analyse der Funktionsprinzipien der AAA und ihres Potenzials für die mathematische Modellierung, wobei die Verbindung zwischen Natur und algorithmischen Lösungen hervorgehoben wird.
Neuronales Netz in der Praxis: Skizze eines Neurons
In diesem Artikel werden wir ein einfaches Neuron bauen. Und obwohl es einfach aussieht und viele diesen Code für völlig trivial und bedeutungslos halten mögen, möchte ich, dass Sie Spaß beim Studium dieser einfachen Skizze eines Neurons haben. Scheuen Sie sich nicht, den Code zu ändern, denn das Ziel ist es, ihn vollständig zu verstehen.
Algorithmus einer Anarchischen Gesellschaftsoptimierung (ASO)
In diesem Artikel machen wir uns mit dem Algorithmus Anarchic Society Optimization (Anarchischen Gesellschaftsoptimierung, ASO) vertraut und erörtern, wie ein Algorithmus, der auf dem irrationalen und abenteuerlichen Verhalten von Teilnehmern in einer anarchischen Gesellschaft (einem anomalen System sozialer Interaktion, das frei von zentraler Macht und verschiedenen Arten von Hierarchien ist) basiert, in der Lage ist, den Lösungsraum zu erkunden und die Fallen des lokalen Optimums zu vermeiden. Der Artikel stellt eine einheitliche ASO-Struktur vor, die sowohl auf kontinuierliche als auch auf diskrete Probleme anwendbar ist.
Neuronale Netze im Handel: Einspeisung globaler Informationen in unabhängige Kanäle (InjectTST)
Die meisten modernen Methoden zur multimodalen Zeitreihenprognose verwenden den Ansatz unabhängiger Kanäle. Dabei wird die natürliche Abhängigkeit verschiedener Kanäle derselben Zeitreihe ignoriert. Der intelligente Einsatz zweier Ansätze (unabhängige und gemischte Kanäle) ist der Schlüssel zur Verbesserung der Leistung der Modelle.
Neuronale Netze im Handel: Praktische Ergebnisse der Methode TEMPO
Wir beschäftigen uns weiter mit TEMPO. In diesem Artikel werden wir die tatsächliche Wirksamkeit der vorgeschlagenen Ansätze anhand realer historischer Daten bewerten.
Algorithmus zur Optimierung der Migration der Tiere (AMO)
Der Artikel ist dem AMO-Algorithmus gewidmet, der die saisonale Migration von Tieren auf der Suche nach optimalen Bedingungen für Leben und Fortpflanzung modelliert. Zu den Hauptfunktionen von AMO gehören die Verwendung topologischer Nachbarschaften und ein probabilistischer Aktualisierungsmechanismus, der die Implementierung vereinfacht und die Flexibilität für verschiedene Optimierungsaufgaben gewährleistet.
Neuronale Netze im Handel: Verwenden von Sprachmodellen für die Zeitreihenprognose
Wir untersuchen weiterhin Modelle zur Zeitreihenprognose. In diesem Artikel machen wir uns mit einem komplexen Algorithmus vertraut, der auf der Verwendung eines vortrainierten Sprachmodells basiert.
Neuronale Netze im Handel: Leichtgewichtige Modelle für die Zeitreihenprognose
Leichtgewichtige Modelle zur Zeitreihenprognose erzielen eine hohe Leistung mit einer minimalen Anzahl von Parametern. Dies wiederum reduziert den Rechenaufwand und beschleunigt die Entscheidungsfindung. Trotz ihrer Einfachheit erreichen solche Modelle eine mit komplexeren Modellen vergleichbare Prognosequalität.
Künstlicher Bienenstock-Algorithmus (ABHA): Tests und Ergebnisse
In diesem Artikel werden wir den Künstlichen Bienenstockalgorithmus (ABHA) weiter erforschen, indem wir in den Code eintauchen und die übrigen Methoden betrachten. Wie Sie sich vielleicht erinnern, wird jede Biene in diesem Modell als individueller Agent dargestellt, dessen Verhalten von internen und externen Informationen sowie von seinem Motivationszustand abhängt. Wir werden den Algorithmus an verschiedenen Funktionen testen und die Ergebnisse in der Bewertungstabelle zusammenfassen.
Neuronale Netze im Handel: Verringerung des Speicherverbrauchs mit der Adam-mini-Optimierung
Eine der Möglichkeiten zur Steigerung der Effizienz des Modelltrainings und des Konvergenzprozesses ist die Verbesserung der Optimierungsmethoden. Adam-mini ist eine adaptive Optimierungsmethode, die den grundlegenden Adam-Algorithmus verbessern soll.
Künstlicher Bienenstock-Algorithmus (ABHA): Theorie und Methoden
In diesem Artikel geht es um den 2009 entwickelten Artificial Bee Hive Algorithm (ABHA). Der Algorithmus ist auf die Lösung kontinuierlicher Optimierungsprobleme ausgerichtet. Wir werden uns ansehen, wie ABHA sich vom Verhalten eines Bienenvolkes inspirieren lässt, in dem jede Biene eine einzigartige Aufgabe hat, die ihr hilft, Ressourcen effizienter zu finden.
Adaptive Social Behavior Optimization (ASBO): Zweiphasige Entwicklung
Wir beschäftigen uns weiterhin mit dem Thema des Sozialverhaltens von Lebewesen und dessen Auswirkungen auf die Entwicklung eines neuen mathematischen Modells - ASBO (Adaptive Social Behavior Optimization). Wir werden uns mit der zweiphasigen Entwicklung befassen, den Algorithmus testen und Schlussfolgerungen ziehen. So wie sich in der Natur eine Gruppe von Lebewesen zusammenschließt, um zu überleben, nutzt ASBO die Prinzipien des kollektiven Verhaltens, um komplexe Optimierungsprobleme zu lösen.
Adaptive Social Behavior Optimization (ASBO): Das Verfahren von Schwefel und Box-Muller
Dieser Artikel bietet einen faszinierenden Einblick in die Welt des Sozialverhaltens lebender Organismen und dessen Einfluss auf die Entwicklung eines neuen mathematischen Modells - ASBO (Adaptive Social Behavior Optimization). Wir werden untersuchen, wie die in lebenden Gesellschaften beobachteten Prinzipien von Führung, Nachbarschaft und Kooperation die Entwicklung innovativer Optimierungsalgorithmen inspirieren.
Neuronale Netze im Handel: Räumlich-zeitliches neuronales Netz (STNN)
In diesem Artikel werden wir über die Verwendung von Raum-Zeit-Transformationen zur effektiven Vorhersage bevorstehender Kursbewegungen sprechen. Um die numerische Vorhersagegenauigkeit in STNN zu verbessern, wird ein kontinuierlicher Aufmerksamkeitsmechanismus vorgeschlagen, der es dem Modell ermöglicht, wichtige Aspekte der Daten besser zu berücksichtigen.
Neuronale Netze im Handel: Das „Dual-Attention-Based Trend Prediction Model“
Wir setzen die Diskussion über die Verwendung der stückweisen, linearen Darstellung von Zeitreihen fort, die im vorherigen Artikel begonnen wurde. Heute werden wir sehen, wie diese Methode mit anderen Ansätzen der Zeitreihenanalyse kombiniert werden kann, um die Qualität der Vorhersage des Preistrend zu verbessern.
Neuronale Netze im Handel: Stückweise, lineare Darstellung von Zeitreihen
Dieser Artikel unterscheidet sich etwas von meinen früheren Veröffentlichungen. In diesem Artikel werden wir über eine alternative Darstellung von Zeitreihen sprechen. Die stückweise, lineare Darstellung von Zeitreihen ist eine Methode zur Annäherung einer Zeitreihe durch lineare Funktionen über kleine Intervalle.
Algorithmus für künstliche elektrische Felder (AEFA)
In diesem Artikel wird ein Algorithmus für ein künstliches elektrisches Feld (AEFA) vorgestellt, der durch das Coulombsche Gesetz der elektrostatischen Kraft inspiriert ist. Der Algorithmus simuliert elektrische Phänomene, um komplexe Optimierungsprobleme mit Hilfe geladener Teilchen und ihrer Wechselwirkungen zu lösen. AEFA weist im Zusammenhang mit anderen Algorithmen, die sich auf Naturgesetze beziehen, einzigartige Eigenschaften auf.
Neuronale Netze leicht gemacht (Teil 97): Modelle mit MSFformer trainieren
Bei der Erforschung verschiedener Modellarchitekturen wird dem Prozess des Modelltrainings oft nicht genügend Aufmerksamkeit geschenkt. In diesem Artikel möchte ich diese Lücke schließen.
Neuronales Netz in der Praxis: Pseudoinverse (II)
Da es sich bei diesen Artikeln um Lehrmaterial handelt und sie nicht dazu gedacht sind, die Implementierung bestimmter Funktionen zu zeigen, werden wir in diesem Artikel ein wenig anders vorgehen. Anstatt zu zeigen, wie man die Faktorisierung anwendet, um die Inverse einer Matrix zu erhalten, werden wir uns auf die Faktorisierung der Pseudoinverse konzentrieren. Der Grund dafür ist, dass es keinen Sinn macht, zu zeigen, wie man den allgemeinen Koeffizienten erhält, wenn man es auf eine spezielle Weise tun kann. Noch besser: Der Leser kann ein tieferes Verständnis dafür entwickeln, warum die Dinge so geschehen, wie sie geschehen. Lassen Sie uns nun herausfinden, warum die Hardware die Software im Laufe der Zeit ersetzt.
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 45): Reinforcement Learning mit Monte-Carlo
Monte-Carlo ist der vierte, alternative Algorithmus des Reinforcement Learning, den wir mit dem Ziel betrachten, seine Implementierung in assistentengestützte Expert Advisors zu untersuchen. Obwohl sie auf Zufallsstichproben beruht, bietet sie umfangreiche Simulationsmöglichkeiten, die wir ausnutzen können.
Funktionsentwicklung mit Python und MQL5 (Teil I): Vorhersage gleitender Durchschnitte für weitreichende AI-Modelle
Die gleitenden Durchschnitte sind bei weitem die besten Indikatoren für die Vorhersage unserer KI-Modelle. Wir können unsere Genauigkeit jedoch noch weiter verbessern, indem wir unsere Daten sorgfältig transformieren. In diesem Artikel wird gezeigt, wie Sie KI-Modelle erstellen können, die in der Lage sind, weiter in die Zukunft zu prognostizieren, als Sie es derzeit tun, ohne dass Ihre Genauigkeit signifikant sinkt. Es ist wirklich bemerkenswert, wie nützlich die gleitenden Durchschnitte sind.
Merkmalsauswahl und Dimensionenreduktion mit Hilfe von Hauptkomponenten
Der Artikel befasst sich mit der Implementierung eines modifizierten Algorithmus der „Forward Selection Component Analysis“, der sich auf die von Luca Puggini und Sean McLoone in „Forward Selection Component Analysis: Algorithms and Applications“ vorgestellte Forschung stützt.
Selbstoptimierender Expert Advisor mit MQL5 und Python (Teil VI): Die Vorteile des tiefen doppelten Abstiegs nutzen
Das traditionelle maschinelle Lernen lehrt die Praktiker, darauf zu achten, dass ihre Modelle nicht übermäßig angepasst werden. Diese Ideologie wird jedoch durch neue Erkenntnisse in Frage gestellt, die von fleißigen Forschern aus Harvard veröffentlicht wurden, die herausgefunden haben, dass das, was als Überanpassung erscheint, unter Umständen das Ergebnis einer vorzeitigen Beendigung Ihrer Trainingsverfahren ist. Wir werden zeigen, wie wir die in der Forschungsarbeit veröffentlichten Ideen nutzen können, um unseren Einsatz von KI bei der Prognose von Ergebnissen zu verbessern.
Integration von MQL5 mit Datenverarbeitungspaketen (Teil 3): Verbesserte Datenvisualisierung
In diesem Artikel werden wir eine erweiterte Datenvisualisierung durchführen, indem wir über einfache Charts hinausgehen und Funktionen wie Interaktivität, geschichtete Daten und dynamische Elemente einbeziehen, die es Händlern ermöglichen, Trends, Muster und Korrelationen effektiver zu untersuchen.
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 43): Reinforcement Learning mit SARSA
SARSA, eine Abkürzung für State-Action-Reward-State-Action, ist ein weiterer Algorithmus, der bei der Implementierung von Reinforcement Learning verwendet werden kann. Wie bei Q-Learning und DQN haben wir also untersucht, wie dies als unabhängiges Modell und nicht nur als Trainingsmechanismus in assistentengestützten Expert Advisors implementiert werden kann.
Klassische Strategien neu interpretieren (Teil X): Kann KI den MACD verbessern?
Begleiten Sie uns bei der empirischen Analyse des MACD-Indikators, um zu testen, ob die Anwendung von KI auf eine Strategie, die den Indikator mit einbezieht, unsere Prognosegenauigkeit für den EURUSD verbessern würde. Gleichzeitig haben wir geprüft, ob der Indikator selbst leichter vorhersagbar ist als der Preis, und ob der Wert des Indikators das künftige Preisniveau vorhersagt. Wir geben Ihnen die Informationen an die Hand, die Sie benötigen, um zu entscheiden, ob Sie Ihre Zeit in die Integration des MACD in Ihre AI-Handelsstrategien investieren sollten.
Nachbarschaftsübergreifende Suche (ANS)
Der Artikel zeigt das Potenzial des ANS-Algorithmus als einen wichtigen Schritt in der Entwicklung flexibler und intelligenter Optimierungsmethoden, die die Besonderheiten des Problems und die Dynamik der Umgebung im Suchraum berücksichtigen können.