Articoli sull'apprendimento automatico nel trading

Creazione di trading robot basati sull'intelligenza artificiale: nativa integrazione con Python, matrici e vettori, matematica e statistica librerie e molto altro.

Scopri come utilizzare l'apprendimento automatico nel trading. Neuroni, percettroni, reti convoluzionali e ricorrenti, modelli predittivi: inizia con le basi e lavora fino a sviluppare la tua IA. Imparerai come addestrare e applicare le reti neurali per il trading algoritmico nei mercati finanziari.

Aggiungi un nuovo articolo

più recente | il migliore

Come utilizzare i modelli ONNX in MQL5

ONNX (Open Neural Network Exchange) è un formato aperto creato per rappresentare modelli di machine learning. In questo articolo considereremo come creare un modello CNN-LSTM per prevedere le serie temporali finanziarie. Mostreremo anche come utilizzare il modello ONNX creato in un Expert Advisor MQL5.

Scienza dei dati e apprendimento automatico (Parte 06): Discesa del Gradiente

La discesa del gradiente gioca un ruolo significativo nell'addestramento delle reti neurali e di molti algoritmi di apprendimento automatico. È un algoritmo veloce e intelligente, nonostante il suo lavoro impressionante, è ancora frainteso da molti data scientist, vediamo di cosa si tratta.

Programmazione di una rete neurale profonda da zero utilizzando il linguaggio MQL

Questo articolo ha lo scopo di insegnare al lettore come creare una rete neurale profonda da zero utilizzando il linguaggio MQL4/5.

Reti neurali: dalla teoria alla pratica

Al giorno d'oggi, ogni trader deve aver sentito parlare delle reti neurali e sa quanto sia bello usarle. La maggioranza crede che coloro che possono occuparsi delle reti neurali siano una sorta di super umani. In questo articolo cercherò di spiegarti l'architettura della rete neurale, descriverne le applicazioni e mostrare esempi di utilizzo pratico.

Algoritmi di ottimizzazione della popolazione: Algoritmo di Ottimizzazione del Cuculo (COA)

Il prossimo algoritmo che considererò è l'ottimizzazione della ricerca del cuculo utilizzando i voli di Levy. Si tratta di uno dei più recenti algoritmi di ottimizzazione e di un nuovo leader in classifica.

Valutazione dei modelli ONNX utilizzando metriche di regressione

La regressione ha il compito di prevedere un valore reale da un esempio non catalogato. Le cosiddette metriche di regressione vengono utilizzate per valutare l'accuratezza delle previsioni del modello di regressione.

Matrici e vettori in MQL5

Utilizzando tipi di dati speciali "matrix" e "vector", è possibile creare un codice che è molto vicino alla notazione matematica. Con questi metodi, si evita la necessità di creare cicli annidati o di occuparsi della corretta indicizzazione degli array nei calcoli. Pertanto, l'uso di metodi matriciali e vettoriali aumenta l'affidabilità e la velocità nello sviluppo di programmi complessi.

Algoritmi di ottimizzazione della popolazione: Ottimizzazione Grey Wolf (GWO)

Prendiamo in considerazione uno dei più recenti algoritmi di ottimizzazione moderni - l'ottimizzazione Grey Wolf. Il comportamento originale sulle funzioni test rende questo algoritmo uno dei più interessanti tra quelli considerati in precedenza. Si tratta di uno dei principali algoritmi per l'addestramento di reti neurali e funzioni regolari con molte variabili.

Algoritmi di ottimizzazione della popolazione: Ricerca del Banco di Pesci (FSS)

La Ricerca del Banco di Pesci (FSS) è un nuovo algoritmo di ottimizzazione ispirato al comportamento dei pesci in un banco, la maggior parte dei quali (fino all'80%) nuota in una comunità organizzata di affini. È stato dimostrato che le aggregazioni dei pesci svolgono un ruolo importante nell'efficienza del foraggiamento e nella protezione dai predatori.

Algoritmi di ottimizzazione della popolazione: Sciame di particelle (PSO)

In questo articolo, prenderò in considerazione il famoso algoritmo Particle Swarm Optimization (PSO). In precedenza, abbiamo discusso caratteristiche così importanti degli algoritmi di ottimizzazione come convergenza, tasso di convergenza, stabilità, scalabilità, nonché sviluppato un banco di prova e considerato il più semplice algoritmo RNG..

Reti neurali di terza generazione: Reti profonde

Questo articolo è dedicato a una nuova direzione nell'apprendimento automatico: deep learning o, per essere precisi, reti neurali profonde. Questa è una breve rassegna delle reti neurali di seconda generazione, l'architettura delle loro connessioni e dei principali tipi, metodi e regole di apprendimento e i loro principali svantaggi. Segue la storia dello sviluppo della rete neurale di terza generazione, i loro principali tipi, peculiarità e metodi di allenamento. Sono condotti esperimenti pratici sulla costruzione e l'addestramento di una rete neurale profonda avviata dai pesi di un autoencoder impilato con dati reali. Tutte le fasi, dalla selezione dei dati di input alla derivazione metrica sono discusse in dettaglio. L'ultima parte dell'articolo contiene un'implementazione software di una rete neurale profonda in un Expert Advisor con un indicatore integrato basato su MQL4 / R.

Scienza dei Dati e Apprendimento Automatico (Parte 01): Regressione Lineare

È il momento per noi trader di allenare i nostri sistemi e noi stessi a prendere decisioni in base a ciò che dicono i numeri. Non con i nostri occhi, o ciò che le nostre viscere ci fanno credere, è qui che il mondo si sta dirigendo, quindi spostiamoci perpendicolarmente nella direzione dell'onda.

Implementare i modelli ONNX in classi

La programmazione orientata agli oggetti consente di creare un codice più compatto che sia facile da leggere e da modificare. Qui di seguito vedremo l'esempio di tre modelli ONNX.

Algoritmi di ottimizzazione della popolazione: Algoritmo del pipistrello (Bat - BA)

In questo articolo prenderò in considerazione l'algoritmo Bat (BA), che mostra una buona convergenza sulle funzioni regolari.

Un esempio di come assemblare i modelli ONNX in MQL5

ONNX (Open Neural Network eXchange) è un formato aperto costruito per rappresentare le reti neurali. In questo articolo mostreremo come utilizzare contemporaneamente due modelli ONNX in un Expert Advisor.

Algoritmi di ottimizzazione della popolazione: Algoritmo della Lucciola (Firefly FA)

In questo articolo prenderò in considerazione il metodo di ottimizzazione dell'Algoritmo Firefly(FA). Grazie alla modifica, l'algoritmo si è trasformato da outsider a vero leader della classifica.

Algoritmi di ottimizzazione della popolazione: Colonia di api artificiali (ABC)

In questo articolo studieremo l'algoritmo di una colonia di api artificiali e integreremo le nostre conoscenze con nuovi principi dello studio degli spazi funzionali. In questo articolo presenterò la mia interpretazione della versione classica dell'algoritmo.

Matrici e vettori in MQL5: Funzioni di attivazione

Qui descriveremo solo uno degli aspetti dell'apprendimento automatico - le funzioni di attivazione. Nelle reti neurali artificiali, una funzione di attivazione del neurone calcola il valore di un segnale di output in base ai valori di un segnale di input o di un insieme di segnali di input. Ci addentreremo nei meccanismi interni del processo.

Algoritmi di ottimizzazione della popolazione: Ottimizzazione della Colonia di formiche (ACO)

Questa volta analizzerò l'algoritmo di ottimizzazione Ant Colony. L'algoritmo è molto interessante e complesso. Nell'articolo, provo a creare un nuovo tipo di ACO.

Algoritmi di ottimizzazione della popolazione: Ottimizzazione delle Piante Infestanti (Invasive Weed Optimization - IWO)

La sorprendente abilità delle piante infestanti di sopravvivere in un'ampia varietà di condizioni è diventata l'idea per un potente algoritmo di ottimizzazione. IWO è uno dei migliori algoritmi tra quelli esaminati precedentemente.

Scienza dei Dati e Apprendimento Automatico (Parte 05): Alberi Decisionali

Gli alberi decisionali imitano il modo in cui gli esseri umani pensano nel classificare i dati. Vediamo come costruire alberi e utilizzarli per classificare e prevedere alcuni dati. L'obiettivo principale dell'algoritmo degli alberi decisionali è separare i dati con impurità in nodi puri o vicini.

Scienza dei Dati e Apprendimento Automatico (Parte 04): Predire l'Attuale Crollo del Mercato Azionario

In questo articolo cercherò di utilizzare il nostro modello logistico per prevedere il crollo del mercato azionario basato sui fondamentali dell'economia statunitense, NETFLIX e APPLE sono i titoli su cui ci concentreremo. Utilizzando i precedenti crolli del mercato del 2019 e 2020 vediamo come funzionerà il nostro modello nelle attuali sventure e tenebre.

Scienza dei Dati e Apprendimento Automatico (Parte 02): Regressione Logistica

La classificazione dei dati è una cosa cruciale per un algo trader e un programmatore. In questo articolo, ci concentreremo su uno degli algoritmi logistici di classificazione che possono aiutarci a identificare i Sì o i No, gli alti e bassi, gli acquisti e le vendite.

Scienza dei dati e apprendimento automatico (Parte 03): Regressioni a matrice

Questa volta i nostri modelli sono realizzati da matrici, il che ci permette flessibilità e consente di creare modelli potenti che possono gestire non solo cinque variabili indipendenti ma anche molte variabili finché restiamo entro i limiti di calcolo di un computer, questo articolo sarà una lettura interessante, questo è sicuro.

Reti neurali economiche - Collega NeuroPro con MetaTrader 5

Se specifici programmi di rete neurale per il trading sembrano costosi e complessi o, al contrario, troppo semplici, prova NeuroPro. È gratuito e contiene il set ottimale di funzionalità per i dilettanti. Questo articolo ti spiegherà come usarlo insieme a MetaTrader 5.

Modelli di regressione della libreria Scikit-learn e la loro esportazione in ONNX

In questo articolo esploreremo l'applicazione dei modelli di regressione del pacchetto Scikit-learn, cercheremo di convertirli nel formato ONNX e utilizzeremo i modelli risultanti all’interno di programmi MQL5. Inoltre, confronteremo l'accuratezza dei modelli originali con le loro versioni ONNX sia per la precisione float che per la double. Inoltre, esamineremo la rappresentazione ONNX dei modelli di regressione, con l'obiettivo di fornire una migliore comprensione della loro struttura interna e dei principi operativi.

Apprendimento automatico: Come le macchine a vettori di supporto possono essere utilizzate nel trading

Le macchine a vettori di supporto sono state a lungo utilizzate in campi come la bioinformatica e la matematica applicata per valutare set di dati complessi ed estrarre modelli utili che possono essere utilizzati per classificare i dati. Questo articolo esamina cos'è una macchina a vettori di supporto, come funzionano e perché possono essere così utili nell'estrazione di modelli complessi. Indaghiamo quindi su come possono essere applicate al mercato e potenzialmente utilizzate per dare consigli sulle negoziazioni. Utilizzando il Support Vector Machine Learning Tool, questo articolo fornisce esempi funzionanti che consentono ai lettori di sperimentare con il proprio trading.

Le foreste casuali prevedono le tendenze

Questo articolo considera l'utilizzo del pacchetto Rattle per la ricerca automatica di modelli per prevedere le posizioni lunghe e corte di coppie di valute sul Forex. Questo articolo può essere utile sia per i trader principianti che per quelli esperti.

Modelli di classificazione nella libreria Scikit-Learn e la loro esportazione in ONNX

In questo articolo esploreremo l'applicazione di tutti i modelli di classificazione disponibili nella libreria Scikit-Learn per risolvere il compito di classificazione del set di dati Iris di Fisher. Cercheremo di convertire questi modelli in formato ONNX e di utilizzare i modelli risultanti nei programmi MQL5. Inoltre, confronteremo l'accuratezza dei modelli originali con le loro versioni ONNX sull'intero set di dati Iris.

Collegare NeuroSolutions Neuronets

Oltre alla creazione di neuronet, la suite software NeuroSolutions consente di esportarli come DLL. Questo articolo descrive il processo di creazione di un neuronet, la generazione di un DLL e la connessione a un Expert Advisor per il trading su MetaTrader 5.