![多通貨エキスパートアドバイザーの開発(第1回):複数取引戦略の連携](https://c.mql5.com/2/65/Developing_a_multi-currency_advisor_tPart_10_600x314.jpg)
多通貨エキスパートアドバイザーの開発(第1回):複数取引戦略の連携
取引戦略にはさまざまなものがあります。リスクを分散し、取引結果の安定性を高めるためには、複数の戦略を並行して適用することが有効かもしれません。ただし、それぞれのストラテジーが個別のエキスパートアドバイザー(EA)として実装されている場合、1つの取引口座でそれらの作業を管理することは非常に難しくなります。この問題を解決するのに合理的なのは、1つのEAで異なる取引戦略の運用を実装することです。
![ニューラルネットワークが簡単に(第50回):Soft Actor-Critic(モデルの最適化)](https://c.mql5.com/2/57/NN_50_Soft_Actor-Critic_600x314.jpg)
ニューラルネットワークが簡単に(第50回):Soft Actor-Critic(モデルの最適化)
前回の記事では、Soft Actor-Criticアルゴリズムを実装しましたが、有益なモデルを訓練することはできませんでした。今回は、先に作成したモデルを最適化し、望ましい結果を得ます。
![ニューラルネットワークが簡単に(第71回):目標条件付き予測符号化(GCPC)](https://c.mql5.com/2/63/Neural_networks_made_easy_aPart_71__GCPCr_600x314.jpg)
ニューラルネットワークが簡単に(第71回):目標条件付き予測符号化(GCPC)
前回の記事では、Decision Transformer法と、そこから派生したいくつかのアルゴリズムについて説明しました。さまざまな目標設定手法で実験しました。実験では、さまざまな方法で目標を設定しましたが、それ以前に通過した軌跡に関するモデルの研究は、常に私たちの関心の外にありました。この記事では、このギャップを埋める手法を紹介したいと思います。
![ニューラルネットワークが簡単に(第51回):Behavior-Guided Actor-Critic (BAC)](https://c.mql5.com/2/57/behavior_driven_actor_critic_600x314.jpg)
ニューラルネットワークが簡単に(第51回):Behavior-Guided Actor-Critic (BAC)
最後の2つの記事では、エントロピー正則化を報酬関数に組み込んだSoft Actor-Criticアルゴリズムについて検討しました。このアプローチは環境探索とモデル活用のバランスをとりますが、適用できるのは確率モデルのみです。今回の記事では、確率モデルと確定モデルの両方に適用できる代替アプローチを提案します。
![知っておくべきMQL5ウィザードのテクニック(第17回):多通貨取引](https://c.mql5.com/2/76/MQL5_Wizard_Techniques_you_should_know_pPart_17r_Multicurrency_Trading_600x314.jpg)
知っておくべきMQL5ウィザードのテクニック(第17回):多通貨取引
ウィザードを介してEAが組み立てられた場合、デフォルトでは複数の通貨をまたいだ取引は利用できません。トレーダーが一度に複数の銘柄から自分のアイデアをテストする際に、2つの可能なトリックを検討します。
![ニューラルネットワークが簡単に(第70回):閉形式方策改善演算子(CFPI)](https://c.mql5.com/2/63/Neural_Networks_Made_Easy_0Part_70g_CFPI_600x314.jpg)
ニューラルネットワークが簡単に(第70回):閉形式方策改善演算子(CFPI)
この記事では、閉形式の方策改善演算子を使用して、オフラインモードでエージェントの行動を最適化するアルゴリズムを紹介します。
![ニューラルネットワークが簡単に(第69回):密度に基づく行動方策の支持制約(SPOT)](https://c.mql5.com/2/63/Upscales.ai_1703440115554_600x314.jpg)
ニューラルネットワークが簡単に(第69回):密度に基づく行動方策の支持制約(SPOT)
オフライン学習では、固定されたデータセットを使用するため、環境の多様性をカバーする範囲が制限されます。学習過程において、私たちのエージェントはこのデータセットを超える行動を生成することができます。環境からのフィードバックがなければ、そのような行動の評価が正しいとどうやって確信できるのでしょうか。訓練データセット内のエージェントの方策を維持することは、訓練の信頼性を確保するために重要な要素となります。これが、この記事でお話しする内容です。
![知っておくべきMQL5ウィザードのテクニック(第16回):固有ベクトルによる主成分分析](https://c.mql5.com/2/75/MQL5_Wizard_Techniques_you_should_know_5Part_162_600x314.jpg)
知っておくべきMQL5ウィザードのテクニック(第16回):固有ベクトルによる主成分分析
データ分析における次元削減技術である主成分分析について、固有値とベクトルを用いてどのように実装できるかを考察します。いつものように、MQL5ウィザードで使用可能なExpertSignalクラスのプロトタイプの開発を目指します。
![多通貨エキスパートアドバイザーの開発(第2回):取引戦略の仮想ポジションへの移行](https://c.mql5.com/2/69/Developing_a_multi-currency_advisor_5Part_2f_Transition_to_virtual_positions_of_trading_strategies_6.jpg)
多通貨エキスパートアドバイザーの開発(第2回):取引戦略の仮想ポジションへの移行
複数の戦略を並行して動作させる多通貨エキスパートアドバイザー(EA)の開発を続けましょう。マーケットポジションを建てることに関連するすべての作業を、戦略レベルから、戦略を管理するEAのレベルに移してみましょう。戦略自体は、マーケットポジションを持つことなく、仮想の取引のみをおこないます。
![ニューラルネットワークが簡単に(第75回):軌道予測モデルのパフォーマンス向上](https://c.mql5.com/2/68/Neural_Networks_Made_Easy_5Part_75d_Improving_the_Performance_of_Trajectory_Prediction_Models_600x31.jpg)
ニューラルネットワークが簡単に(第75回):軌道予測モデルのパフォーマンス向上
私たちが作成するモデルはより大きく、より複雑になっています。そのため、訓練だけでなく、運用にもコストがかかります。しかし、決断に要する時間はしばしば重要です。この観点から、品質を損なうことなくモデルのパフォーマンスを最適化する手法を考えてみましょう。
![予測による三角裁定取引](https://c.mql5.com/2/78/Triangular_arbitrage_with_predictions__600x314.jpg)
予測による三角裁定取引
この記事では、三角裁定を簡略化し、市場に慣れていない方でも、予測や専用ソフトを使用してより賢く通貨を取引する方法をご紹介します。専門知識を駆使して取引する準備はできていますか?