![トレーダミネーター 3:売買ロボットの台頭](https://c.mql5.com/2/0/Terminator_3_Rise_of_the_Machines.png)
![トレーダミネーター 3:売買ロボットの台頭](https://c.mql5.com/i/articles/overlay.png)
トレーダミネーター 3:売買ロボットの台頭
記事 "Dr. Tradelove..." で Expert Advisorを作成しました。それは選択済みのトレーディングシステムのパラメータを自立的に最適化するものです。それ以上に EAにある一つのトレーディングシステムのパラメータだけを最適化するのではなく、複数あるトレーディングシステムから最良のものを選ぶExpert Advisorを作成しようと決めました。それがどうなったか見ていきます。
![MQL5 クックブック:オーバーフィットの影響低減とクオート不足への対処](https://c.mql5.com/2/0/Reduce_Overfitting_avatar.png)
![MQL5 クックブック:オーバーフィットの影響低減とクオート不足への対処](https://c.mql5.com/i/articles/overlay.png)
MQL5 クックブック:オーバーフィットの影響低減とクオート不足への対処
どのようなトレーディング戦略を使っていようと、将来の収益を確保するためどのパラメータを選択すべきかという疑問は常にあるものです。本稿は同時に複数のシンボルパラメータを最適化する機能を備えたExpert Advisor 例を提供します。この方法はパラメータのオーバーフィットによる影響を軽減し、1個のシンボルからのデータが調査に十分でない場合に対処するものです。
![ニューラルネットワークが簡単に(第37回):スパースアテンション(Sparse Attention)](https://c.mql5.com/2/53/NN_part_37_Sparse_Attention_600x314.jpg)
ニューラルネットワークが簡単に(第37回):スパースアテンション(Sparse Attention)
前回は、アテンションメカニズムをアーキテクチャーに用いたリレーショナルモデルについて説明しました。これらのモデルの特徴の1つは、コンピューティングリソースを集中的に利用することです。今回は、セルフアテンションブロック内部の演算回数を減らす仕組みの1つについて考えてみたいと思います。これにより、モデルの一般的なパフォーマンスが向上します。
![グラフィカルインタフェースX:レンダーテーブルの新機能(ビルド9)](https://c.mql5.com/2/26/MQL5-avatar-X-table-003-1.png)
![グラフィカルインタフェースX:レンダーテーブルの新機能(ビルド9)](https://c.mql5.com/i/articles/overlay.png)
グラフィカルインタフェースX:レンダーテーブルの新機能(ビルド9)
今日までは、ライブラリの最も高度なテーブルはCTableでした。このテーブルは、OBJ_EDIT型のエディットボックスから組み立てられており、さらなる開発は難しいです。したがって、機能の最大化においては、ライブラリ開発の現段階を考慮しても、CCanvasTable型のレンダーテーブルを開発する方が賢明です。その現バージョンはまったく使えない状態ですが、この記事から始めて状況を改善していきましょう。
![ニューラルネットワークが簡単に(第22部):回帰モデルの教師なし学習](https://c.mql5.com/2/49/Neural_Networks_Easy_014_600x314.jpg)
ニューラルネットワークが簡単に(第22部):回帰モデルの教師なし学習
モデルと教師なし学習アルゴリズムの研究を続けます。今回は、回帰モデルの学習に適用した場合のオートエンコーダの特徴について提案します。
![Connecting NeuroSolutions Neuronets](https://c.mql5.com/2/0/neural_DLL.png)
![Connecting NeuroSolutions Neuronets](https://c.mql5.com/i/articles/overlay.png)
Connecting NeuroSolutions Neuronets
ニューロネットの作成に加え、NeuroSolutions ソフトウェアスウィートによりそれらを DLLとしてエクスポートすることが可能となります。本稿では、ニューロネット作成とDLL生成とそれを MetaTrader 5でのトレーディングのためExpert Advisor に連携する手順について述べています。
![グラフィカルインターフェイスXI:ライブラリコードのリファクタリング(ビルド14.1)](https://c.mql5.com/2/28/MQL5-avatar-XI-build14.png)
![グラフィカルインターフェイスXI:ライブラリコードのリファクタリング(ビルド14.1)](https://c.mql5.com/i/articles/overlay.png)
グラフィカルインターフェイスXI:ライブラリコードのリファクタリング(ビルド14.1)
ライブラリが大きくなるにつれて、コードをサイズを減らすために最適化が再び必要がです。本稿で説明するライブラリのバージョンはさらにオブジェクト指向になっており、コードの学習もさらに容易になります。読者は、最新の変更の詳細な記述によって、独自のニーズに基づいて独自にライブラリを開発できるでしょう。
![ニューラルネットワークが簡単に(第18部):アソシエーションルール](https://c.mql5.com/2/49/Neural_Networks_Easy_010_600x314.jpg)
ニューラルネットワークが簡単に(第18部):アソシエーションルール
この連載の続きとして、教師なし学習の手法の中で、もう1つのタイプの問題であるアソシエーションルールのマイニングについて考えてみましょう。この問題タイプは、小売業、特にスーパーマーケットで、市場の分類を分析するために最初に使用されました。今回は、このようなアルゴリズムの取引への応用についてお話します。
![単一チャート上の複数インジケータ(第05部):MetaTrader 5をRADシステムに変える(I)](https://c.mql5.com/2/49/Multiple-indicators-on-one-chart-9Part-05a-Turning-MetaTrader-5-into-a-RAD-system-yI6_600x314.jpg)
単一チャート上の複数インジケータ(第05部):MetaTrader 5をRADシステムに変える(I)
プログラミングはできなくても創造性に富んだ素晴らしいアイデアを持っている人はたくさんいます。しかし、プログラミングの知識がないため、これらのアイデアを実行に移すことができないのです。MetaTrader5のプラットフォームそのものをIDEのように使って、Chart Tradeを作成する方法を一緒に見てみましょう。
![ニューラルネットワークの実験(第6回):価格予測のための自給自足ツールとしてのパーセプトロン](https://c.mql5.com/2/54/perceptron_600x314.jpg)
ニューラルネットワークの実験(第6回):価格予測のための自給自足ツールとしてのパーセプトロン
この記事では、パーセプトロンを自給自足の価格予測ツールとして使用する例として、一般的な概念と最もシンプルな既製のエキスパートアドバイザー(EA)を紹介し、その最適化の結果について説明します。
![DoEasyライブラリでのその他のクラス(第68部): チャットウィンドウオブジェクトクラスとチャートでの指標オブジェクトクラス](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__6.png)
![DoEasyライブラリでのその他のクラス(第68部): チャットウィンドウオブジェクトクラスとチャートでの指標オブジェクトクラス](https://c.mql5.com/i/articles/overlay.png)
DoEasyライブラリでのその他のクラス(第68部): チャットウィンドウオブジェクトクラスとチャートでの指標オブジェクトクラス
本稿では、チャートオブジェクトクラスの開発を続け、利用可能な指標のリストを含むチャートウィンドウオブジェクトのリストに追加します。
![一からの取引エキスパートアドバイザーの開発(第19部):新規受注システム(II)](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_from_scratch_010_600x314.jpg)
一からの取引エキスパートアドバイザーの開発(第19部):新規受注システム(II)
今回は、「見てわかる」タイプのグラフィカルな受注システムを開発します。なお、今回はゼロから始めるのではなく、取引する資産のチャート上にオブジェクトやイベントを追加して既存のシステムを修正します。
![ニューラルネットワークが簡単に(第14部):データクラスタリング](https://c.mql5.com/2/49/Neural_networks_made_easy_004_600x314.jpg)
ニューラルネットワークが簡単に(第14部):データクラスタリング
前回の記事を公開してから1年以上が経過しました。アイデアを修正して新しいアプローチを開発するには、これはかなりの時間です。この新しい記事では、以前に使用された教師あり学習法から逸れようと思います。今回は、教師なし学習アルゴリズムについて説明します。特に、クラスタリングアルゴリズムの1つであるk-meansについて検討していきます。
![モスクワ取引所(MOEX)の指値注文を使用した自動グリッド取引](https://c.mql5.com/2/49/Automated-grid-trading-using-limit-orders-on-Moscow-Exchange-6MOEXe_600x314.jpg)
モスクワ取引所(MOEX)の指値注文を使用した自動グリッド取引
この記事では、MOEXでの作業を目的としたMetaTrader 5用のMQL5エキスパートアドバイザー(EA)の開発について考察します。EAは、MetaTrader 5ターミナルを使用して、グリッド戦略に従いながらMOEXで取引することになります。EAには、ストップロスとテイクプロフィットによるポジションの決済、および特定の市況での未決注文の削除が含まれます。
![ニューラルネットワークが簡単に(第32部):分散型Q学習](https://c.mql5.com/2/50/Neural_networks_are_simple-32_600x314.jpg)
ニューラルネットワークが簡単に(第32部):分散型Q学習
この連載で前回Q学習法を紹介しました。この手法は、各行動の報酬を平均化するものです。2017年には、報酬分布関数を研究する際に、より大きな成果を示す2つの研究が発表されました。そのような技術を使って、私たちの問題を解決する可能性を考えてみましょう。
![ニューラルネットワークが簡単に(第21部):変分オートエンコーダ(Variational autoencoder、VAE)](https://c.mql5.com/2/49/Neural_Networks_Easy_013_600x314.jpg)
ニューラルネットワークが簡単に(第21部):変分オートエンコーダ(Variational autoencoder、VAE)
前回の記事で、オートエンコーダアルゴリズムについて学びました。他のアルゴリズム同様、このアルゴリズムには長所と短所があります。元の実装では、オートエンコーダは、訓練標本からオブジェクトを可能な限り分離するために使用されます。今回はその短所への対処法についてお話します。
![ニューラルネットワークが簡単に(第33部):分散型Q学習における分位点回帰](https://c.mql5.com/2/50/Neural_Networks_Made_Easy_q-learning_600x314.jpg)
ニューラルネットワークが簡単に(第33部):分散型Q学習における分位点回帰
分散型Q学習の研究を続けます。今日は、この方法を反対側から見てみましょう。価格予測問題を解決するために、分位点回帰を利用する可能性を検討します。
![グラフィカルインターフェイスX:レンダーテーブルの更新とコード最適化(ビルド10)](https://c.mql5.com/2/26/MQL5-avatar-X-Auto-table-001.png)
![グラフィカルインターフェイスX:レンダーテーブルの更新とコード最適化(ビルド10)](https://c.mql5.com/i/articles/overlay.png)
グラフィカルインターフェイスX:レンダーテーブルの更新とコード最適化(ビルド10)
レンダーテーブル(CCanvasTable)に新しい機能を補完していきます。テーブルには、ホバー時の列の強調表示;、各セルにアイコンの配列を追加する機能とそれらを切り替えるメソッド、 実行時にセルテキストを設定または変更する機能などが含まれます。
![自動で動くEAを作る(第12回):自動化(IV)](https://c.mql5.com/2/50/aprendendo_construindo_012_600x314.jpg)
自動で動くEAを作る(第12回):自動化(IV)
自動化されたシステムをシンプルだと思う方はおそらく、それを作るために必要なことを十分に理解していないのでしょう。今回は、多くのエキスパートアドバイザー(EA)を死に至らしめる問題点についてお話します。この問題を解決するために、無差別に注文をトリガーすることが考えられます。
![一からの取引エキスパートアドバイザーの開発(第22部):新規受注システム(V)](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_001_600x314.jpg)
一からの取引エキスパートアドバイザーの開発(第22部):新規受注システム(V)
今日は、新しい受注システムの開発を進めていきます。新しいシステムを導入するのはそう簡単なことではありません。プロセスが非常に複雑になるような問題がしばしば発生します。このような問題が発生したときは、一度立ち止まって、自分たちの進むべき方向を再分析しなければなりません。
![データサイエンスと機械学習(第22回):オートエンコーダニューラルネットワークを活用してノイズからシグナルへと移行することで、よりスマートな取引を実現する](https://c.mql5.com/2/77/Data_Science_and_ML_9Part_22t_600x314.jpg)
データサイエンスと機械学習(第22回):オートエンコーダニューラルネットワークを活用してノイズからシグナルへと移行することで、よりスマートな取引を実現する
目まぐるしく変化する金融市場の世界では、意味のあるシグナルをノイズから切り離すことが、取引を成功させるために極めて重要です。オートエンコーダは、洗練されたニューラルネットワークアーキテクチャを採用するため、市場データ内の隠れたパターンを発見し、ノイズの多い入力を実用的な洞察に変換することに優れています。この記事では、オートエンコーダがいかに取引慣行に革命をもたらし、トレーダーに意思決定を強化し、今日のダイナミックな市場で競争力を得るための強力なツールを提供しているかを探ります。
![MQL5の圏論(第6回):単射的引き戻しと全射的押し出し](https://c.mql5.com/2/53/Category-Theory-p6_600x314.jpg)
MQL5の圏論(第6回):単射的引き戻しと全射的押し出し
圏論は、数学の多様かつ拡大を続ける分野であり、最近になってMQL5コミュニティである程度取り上げられるようになりました。この連載では、その概念と原理のいくつかを探索して考察することで、トレーダーの戦略開発におけるこの注目すべき分野の利用を促進することを目的としたオープンなライブラリを確立することを目指しています。
![多通貨エキスパートアドバイザーの開発(第3回):アーキテクチャの改訂](https://c.mql5.com/2/70/Developing_a_multi-currency_advisor_6Part_3q__Architecture_review_600x314.jpg)
多通貨エキスパートアドバイザーの開発(第3回):アーキテクチャの改訂
複数の戦略が並行して動作する多通貨EAの開発はすでにある程度進んでいます。蓄積された経験を考慮し、先に進みすぎる前に、ソリューションのアーキテクチャを見直し、改善を試みましょう。
![ニューラルネットワークが簡単に(第29部):Advantage Actor-Criticアルゴリズム](https://c.mql5.com/2/49/Neural_Networks_Easy_021_600x314.jpg)
ニューラルネットワークが簡単に(第29部):Advantage Actor-Criticアルゴリズム
本連載のこれまでの記事で、2つの強化学習アルゴリズムを見てきました。それぞれに長所と短所があります。このような場合ではよくあることですが、次に、2つの方法の良いところを組み合わせてアルゴリズムにすることが考え出されます。そうすれば、それぞれの欠点が補われることになります。今回は、そのような手法の1つを紹介します。
![MQL5の圏論(第10回):モノイド群](https://c.mql5.com/2/55/Category_Theory_Part_10_600x314.jpg)
MQL5の圏論(第10回):モノイド群
MQL5における圏論の実装についての連載を続けます。ここでは、モノイド集合を正規化して、より幅広いモノイド集合とデータ型にわたって比較しやすくする手段としてモノイド群を見ていきます。
![ニューラルネットワークの実験(第4回):テンプレート](https://c.mql5.com/2/52/neural_network_experiments-004_600x314.jpg)
ニューラルネットワークの実験(第4回):テンプレート
この記事では、実験と非標準的な方法を使用して収益性の高い取引システムを開発し、ニューラルネットワークがトレーダーに役立つかどうかを確認します。ニューラルネットワークを取引に活用するための自給自足ツールとしてMetaTrader 5を使用します。簡単に説明します。
![ニューラルネットワークが簡単に(第38回):不一致による自己監視型探索](https://c.mql5.com/2/54/self_supervised_exploration_via_disagreement_038_600x314.jpg)
ニューラルネットワークが簡単に(第38回):不一致による自己監視型探索
強化学習における重要な問題のひとつは、環境探索です。前回までに、「内因性好奇心」に基づく研究方法について見てきました。今日は別のアルゴリズムを見てみましょう。不一致による探求です。
![ニューラルネットワークが簡単に(第16部):クラスタリングの実用化](https://c.mql5.com/2/49/Neural_networks_made_easy_006_600x314.jpg)
ニューラルネットワークが簡単に(第16部):クラスタリングの実用化
前回は、データのクラスタリングをおこなうためのクラスを作成しました。今回は、得られた結果を実際の取引に応用するためのバリエーションを紹介したいと思います。
![DoEasyライブラリの時系列(第54部): 抽象基本指標の子孫クラス](https://c.mql5.com/2/49/doeasy_054_600x314.jpg)
DoEasyライブラリの時系列(第54部): 抽象基本指標の子孫クラス
本稿では、基本抽象指標の子孫オブジェクトのクラスの作成について検討しています。このようなオブジェクトは、指標EAを作成し、さまざまな指標と価格のデータ値統計を収集および取得する機能へのアクセスを備えています。また、プログラムで作成された各指標のプロパティとデータにアクセスできる指標オブジェクトコレクションを作成します。
![ニューラルネットワークが簡単に(第63回):Unsupervised Pretraining for Decision Transformer (PDT)](https://c.mql5.com/2/60/Neural_networks_are_easy_aPart_63n_600x314.jpg)
ニューラルネットワークが簡単に(第63回):Unsupervised Pretraining for Decision Transformer (PDT)
引き続き、Decision Transformer法のファミリーについて説明します。前回の記事から、これらの手法のアーキテクチャの基礎となるTransformerの訓練はかなり複雑なタスクであり、訓練のために大規模なラベル付きデータセットが必要であることにすでに気づきました。この記事では、ラベル付けされていない軌跡をモデルの予備訓練に使用するアルゴリズムについて見ていきます。
![自動で動くEAを作る(第14回):自動化(VI)](https://c.mql5.com/2/51/aprendendo_construindo_014_600x314.jpg)
自動で動くEAを作る(第14回):自動化(VI)
今回は、この連載で得た知識をすべて実践してみましょう。最終的には、100%自動化された機能的なシステムを構築します。しかしその前に、まだ最後の詳細を学ばなければなりません。
![DoEasyライブラリでの価格(第63部): 板情報とその抽象リクエストクラス](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__1.png)
![DoEasyライブラリでの価格(第63部): 板情報とその抽象リクエストクラス](https://c.mql5.com/i/articles/overlay.png)
DoEasyライブラリでの価格(第63部): 板情報とその抽象リクエストクラス
本稿では、板情報を使用するための機能の開発を開始します。また、板情報抽象注文オブジェクトとその子孫のクラスも作成します。
![一からの取引エキスパートアドバイザーの開発(第20部):新規受注システム(III)](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_from_scratch_011_600x314.jpg)
一からの取引エキスパートアドバイザーの開発(第20部):新規受注システム(III)
新しい受注システムの導入を継続します。このようなシステムを作るには、MQL5を使いこなすだけでなく、MetaTrader 5プラットフォームが実際にどのように機能し、どのようなリソースを提供しているかを理解することが必要です。
![ニューラルネットワークが簡単に(第15部):MQL5によるデータクラスタリング](https://c.mql5.com/2/49/Neural_networks_made_easy_005_600x314.jpg)
ニューラルネットワークが簡単に(第15部):MQL5によるデータクラスタリング
クラスタリング法について引き続き検討します。今回は、最も一般的なk-meansクラスタリング手法の1つを実装するために、新しいCKmeansクラスを作成します。テスト中には約500のパターンを識別することができました。
![MQL5を使ったシンプルな多通貨エキスパートアドバイザーの作り方(第3回):銘柄名のプレフィックスおよび/またはサフィックスと取引時間セッションを追加しました](https://c.mql5.com/2/60/Parabolic_SAR_MTF_600x314.jpg)
MQL5を使ったシンプルな多通貨エキスパートアドバイザーの作り方(第3回):銘柄名のプレフィックスおよび/またはサフィックスと取引時間セッションを追加しました
数人のトレーダー仲間から、プレフィックスやサフィックスを持つ銘柄名を持つブローカーでこの多通貨EAを使用する方法、およびこの多通貨EAで取引タイムゾーンや取引タイムセッションを実装する方法についてメールやコメントをいただきました。
![ニューラルネットワークが簡単に(第53回):報酬の分解](https://c.mql5.com/2/57/decomposition_of_remuneration_053_600x314.jpg)
ニューラルネットワークが簡単に(第53回):報酬の分解
報酬関数を正しく選択することの重要性については、すでに何度かお話ししました。報酬関数は、個々の行動に報酬またはペナルティを追加することでエージェントの望ましい行動を刺激するために使用されます。しかし、エージェントによる信号の解読については未解決のままです。この記事では、訓練されたエージェントに個々のシグナルを送信するという観点からの報酬分解について説明します。