新しい記事「 MQL5.communityでのチャネルとグループチャットの使用 」はパブリッシュされました: MQL5.com Webサイトには、世界中のトレーダーが集まっています。ユーザーは記事を公開し、無料コードを共有し、市場で製品を販売し、フリーランスの注文を実行し、取引シグナルをコピーできます。フォーラム、トレーダーチャット、MetaTraderチャネルでは彼らとコミュニケーションをとることができます。
新しい記事 このプロジェクトは、収益性の高いトレーディングロボットを作成する手助けになります! 少なくとも、そうなるでしょう。 はパブリッシュされました: 大きなプログラムは小さなファイルから始まり、関数やオブジェクトを追加し続けるにつれてサイズが大きくなります。 ほとんどのトレードロボット開発者は、この問題を処理するためにインクルードファイルを利用しています。 しかし、より良い解決策があります。:それは、プロジェクト内の任意のトレードアプリケーションの開発を開始することです。 そうする理由はたくさんあります。
新しい記事 ウェブサイトにMetaTrader 4/5 ウェブターミナルを無料で埋め込んで利益を得ましょう はパブリッシュされました: ブラウザから直接金融市場取引ができるウェブターミナルはトレーダーによく知られています。お客様のウェブサイトにウェブターミナルウィジェットを追加なさってください。これは完全に無償です。ご自分のウェブサイトでブローカーを照会して利益を得ることができます。このためにすぐに使えるWebベースのソリューションを用意させていただきました。お客様がなさるのはウェブサイトにiframeを1つ埋め込むことだけです。...
MQL5での正規表現の動作の為のRegularExpressions:
正規表現は、迅速かつ柔軟なテキストの処理の為の正式言語です。各正規表現は、正規表現エンジンが入力テキスト内で一致するものを検索するテンプレート（マスク）です。パターンは、一個以上の文字リテラルや演算子、構成体で構成されています。
また、ライブラリと一緒に一度にテストケースの役割を実行するいくつかのデモンストレーション例が含まれています。全ての例はMicrosoft...
新しい記事 MetaTrader 5にポジション計算のヘッジシステムが追加されました はパブリッシュされました:
MetaTrader 5プラットフォームは、元々ネッティングのポジション計算を使用した取引の為に設計されています。ネッティングの計算では、一つのシンボルにつき一つのポジションしか持つことができない為、そのシンボルにおける全てのその後の操作は、ボリュームの変更や既存のポジションの反転またはクローズをもたらします。リテールFXトレーダーの可能性を拡大する為に、プラットフォームに2つ目の計算システムであるヘッジングが追加されました。これからは、シンボルごとに、反対方向のものを含む...
新しい記事「 ソケットを使ったツイッターのセンチメント分析 」はパブリッシュされました: この革新的な取引ボットは、MetaTrader
新しい記事「 知っておくべきMQL5ウィザードのテクニック（第29回）：MLPの学習率についての続き 」はパブリッシュされました: エキスパートアドバイザー(EA)のパフォーマンスに対する学習率の感度を、主に適応学習率を調べることでまとめます。これらの学習率は、訓練の過程で層の各パラメータごとにカスタマイズすることを目的としており、潜在的な利点と期待されるパフォーマンスの差を評価します。 本記事では、適応学習率と1サイクル学習率を検証し、異なる形式の学習率がEAのパフォーマンスに与える影響を再評価します。形式は前回の 記事
新しい記事「 移動エントロピーを用いた時系列の因果分析 」はパブリッシュされました: この記事では、統計的因果関係をどのように活用して予測変数を特定できるかを解説します。因果性と移動エントロピーの関連性を探り、2つの変数間で情報がどの方向に伝達されているかを検出するためのMQL5コードを紹介します。
新しい記事「 MQL5で動的な多銘柄多期間の相対力指標(RSI)指標ダッシュボードを作成する 」はパブリッシュされました: この記事では、MQL5を使用して、動的に複数の銘柄と時間枠にわたるRSI指標のダッシュボードを開発し、トレーダーにリアルタイムでRSI値を提供する方法を解説します。このダッシュボードには、インタラクティブなボタン、リアルタイム更新、色分けされた指標が搭載されており、トレーダーがより的確な意思決定をおこなうためのサポートをします。 この動的な
新しい記事「 知っておくべきMQL5ウィザードのテクニック（第28回）：学習率に関する入門書によるGANの再検討 」はパブリッシュされました: 学習率（Learning Rate）とは、多くの機械学習アルゴリズムの学習プロセスにおいて、学習目標に向かうステップの大きさのことです。以前の記事で検証したニューラルネットワークの一種である生成的敵対的ネットワーク(GAN: Generative Adversarial Network)のパフォーマンスに、その多くのスケジュールと形式が与える影響を検証します。
新しい記事「 初心者からエキスパートへ：MQL5取引のエッセンシャルジャーニー 」はパブリッシュされました: 潜在能力を引き出しましょう。あなたはチャンスに囲まれています。MQL5の旅をスタートさせ、次のレベルへと引き上げる3つの秘訣をご覧ください。初心者にもプロにも役立つヒントやトリックをご紹介します。 この記事の目的は、読者のニーズに合わせたワーキングプログラムの作成を通じて指導し、アルゴリズム開発に挑戦する意欲をかき立てることです。新興技術を活用することで、複雑に見えるアルゴリズム開発をシンプルにし、MQL5コミュニティをよりユーザーフレンドリーなものにすることを目指しています。
新しい記事「 古典的な戦略をPythonで再構築する（第2回）：ボリンジャーバンドのブレイクアウト 」はパブリッシュされました: 本稿では、線形判別分析(LDA: Linear Discriminant Analysis)とボリンジャーバンドを統合し、戦略的市場参入シグナルの生成を目的としたカテゴリ別ゾーン予測を活用する取引戦略を考察します。 人工知能(AI: Artificial
新しい記事「 MQL5取引ツールキット（第2回）：ポジション管理EX5ライブラリの拡張と実装 」はパブリッシュされました: MQL5コードやプロジェクトでEX5ライブラリをインポートして使用する方法をご紹介します。今回は、既存のライブラリにポジション管理関数を追加し、2つのエキスパートアドバイザー(EA)を作成することで、EX5ライブラリを拡張します。最初の例では、可変指数ダイナミック平均(VIDyA: Variable Index Dynamic
新しい記事「 データサイエンスと機械学習（第27回）：MetaTrader 5取引ボットにおける畳み込みニューラルネットワーク(CNN)に価値はあるか？ 」はパブリッシュされました: 畳み込みニューラルネットワーク(CNN)は、画像や映像のパターンを検出する能力に優れていることで有名で、さまざまな分野に応用されています。この記事では、金融市場の価値あるパターンを識別し、MetaTrader 5取引ボットのための効果的な取引シグナルを生成するCNNの可能性を探ります。このディープマシンラーニングの手法を、よりスマートな取引判断のためにどのように活用できるかを見てみましょう。
新しい記事「 Candlestick Trend Constraintモデルの構築（第7回）：EA開発モデルの改良 」はパブリッシュされました: 今回は、エキスパートアドバイザー(EA)開発のための指標の詳細な準備について掘り下げていきます。議論の中では、現行バージョンの指標にさらなる改良を加えることで、その精度と機能性の向上を図ります。さらに、前バージョンがエントリポイントの識別に限られていた制約に対応するため、新たにエグジットポイントを特定する機能を導入します。
新しい記事「 MQL5とPythonで自己最適化EAを構築する 」はパブリッシュされました: この記事では、市況に基づいて取引戦略を自律的に選択変更できるエキスパートアドバイザー(EA)を構築する方法について解説します。マルコフ連鎖の基本を学び、それがアルゴリズムトレードにどのように役立つかを探っていきます。 マルコフは、完全にランダムなプロセスをモデル化する必要がある数々の問題に取り組みました。これは、市場のダイナミクスにおける予測不可能性に対処する現代の課題にも通じます。彼が定式化した「マルコフ連鎖」は、ランダムな現象を扱う際に非常に有用な枠組みです。これを直感的に理解してみましょう。
新しい記事「 時系列の非定常性の指標としての2標本コルモゴロフ–スミルノフ検定 」はパブリッシュされました: この記事では、最も有名なノンパラメトリック同質性検定の1つである2標本のコルモゴロフ–スミルノフ検定について考察します。モデルデータと実際の相場の両方が分析されています。また、この記事では非定常性指標（iスミルノフ距離）の構築例も紹介しています。
新しい記事「 パラボリックSARを使ってトレーリングストップを追加する方法 」はパブリッシュされました: 取引戦略を作成する際には、さまざまな保護ストップのオプションをテストする必要があります。その中で、価格に追随してストップロスレベルをダイナミックに引き上げる方法が考えられます。その最有力候補として、パラボリックSAR指標が挙げられます。これ以上シンプルで視覚的にわかりやすい指標はないでしょう。
新しい記事「 多通貨エキスパートアドバイザーの開発（第9回）：単一取引戦略インスタンスの最適化結果の収集 」はパブリッシュされました: EA開発の主な段階を概説しましょう。最初におこなうべき重要な作業の1つは、開発した取引戦略のインスタンスを最適化することです。最適化プロセスにおいて、テスターが通過したパスに関する必要な情報を一箇所に集約してみましょう。 基本的に、保存して使用する必要があるデータの主な種類は、複数のEAの最適化結果です。ご承知のように、ストラテジーテスターはすべての最適化結果を*.opt拡張子の別個のキャッシュファイルに記録し、テスターで再度開いたり、別のMetaTrader
新しい記事「 ニューラルネットワークが簡単に（第87回）：時系列パッチ 」はパブリッシュされました: 予測は時系列分析において重要な役割を果たします。この新しい記事では、時系列パッチの利点についてお話しします。 自然言語処理( NLP )分野で開発された Transformer アーキテクチャは、コンピュータビジョン( CV )でもその優位性を発揮し、時系列解析にも成功を収めています。特に、 Self-Attention （自己注意機構）は、時系列データの要素間の関係を自動的に識別する能力があり、効果的な予測モデルを構築する基盤となっています。
新しい記事「 ニューラルネットワークが簡単に（第86回）：U字型Transformer 」はパブリッシュされました: 時系列予測アルゴリズムの研究を続けます。この記事では、もう1つの方法であるU字型Transformerについて説明します。 長期的な時系列の予測は、取引にとって特に重要です。2017年に紹介された Transformer アーキテクチャは、自然言語処理( NLP )とコンピュータービジョン( CV )の分野で優れたパフォーマンスを発揮しました。使用されている Self-Attention
新しい記事「 ニューラルネットワークが簡単に（第85回）：多変量時系列予測 」はパブリッシュされました: この記事では、線形モデルとTransformerの長所を調和的に組み合わせた、新しい複雑な時系列予測手法を紹介します。 Client アルゴリズムの主な考え方は、時間的なAttentionから変数間の依存関係の分析に移行し、これに加えて線形モジュールを統合することで、変数間の依存関係とトレンド情報をより効果的に利用する点にあります。 Client
新しい記事「 ニューラルネットワークが簡単に（第84回）：RevIN (Reversible Normalization) 」はパブリッシュされました: 入力データの前処理がモデル訓練の安定性に大きく寄与することは、すでに広く知られています。オンラインで「生」の入力データを処理するために、バッチ正規化層が頻繁に使用されますが、時には逆の手順が求められる場合もあります。この記事では、この問題を解決するための1つのアプローチについて解説します。
新しい記事「 ブレインストーム最適化アルゴリズム(第2部）：マルチモーダリティ 」はパブリッシュされました: 記事の第2部では、BSOアルゴリズムの実用的な実装に移り、テスト関数のテストを実施し、BSOの効率を他の最適化手法と比較します。 第１部 では、ブレインストーミングにヒントを得たこの革新的な手法の基本原理を明らかにするブレインストーム最適化(BSO)アルゴリズムで最適化の世界を掘り下げました。その論理構造を学ぶとともに、クラスタリング手法であるK-MeansとK-Means++の議論にも踏み込みました。ブレインストーム最適化(BSO: Brain Storm
新しい記事「 多通貨エキスパートアドバイザーの開発（第8回）：新しいバーの負荷テストと処理 」はパブリッシュされました: 進歩に伴い、1つのEAでより多くの取引戦略インスタンスを同時に実行するようになりました。リソースの限界に達する前に、どのくらいのインスタンスが利用可能かを検討することが重要です。 最初の 記事 では、2つの取引戦略を備えたEAを開発しました。 2回目
新しい記事「 ブレインストーム最適化アルゴリズム(第1部）：クラスタリング 」はパブリッシュされました: この記事では、「ブレインストーミング」と呼ばれる現象にヒントを得た、BSO (Brain Storm Optimization)と呼ばれる革新的な最適化手法を見ていきます。また、BSO法が適用するマルチモーダル最適化問題を解くための新しいアプローチについても説明します。これにより、部分集団の数を事前に決定することなく、複数の最適解を見つけることができるのです。K-MeansとK-Means++のクラスタリング法も検討します。 ブレインストーム最適化(BSO: Brain Storm
新しい記事「 ニューラルネットワークが簡単に（第83回）：「Conformer」Spatio-Temporal Continuous Attention Transformerアルゴリズム 」はパブリッシュされました: この記事では、天気予報を目的に開発されたConformerアルゴリズムについて紹介します。天気の変動性や予測の難しさは、金融市場の動きとしばしば比較されます。Conformerは、Attentionモデルと常微分方程式の利点を組み合わせた高度な手法です。
新しい記事「 リプレイシステムの開発（第45回）：Chart Tradeプロジェクト(IV) 」はパブリッシュされました: この記事の主な目的は、C_ChartFloatingRADクラスの紹介と説明です。Chart Trade指標は、非常に興味深い方法で機能しています。チャート上のオブジェクトの数はまだ少ないものの、期待通りの機能を実現しています。指標の値は編集可能ですが、その実現方法については疑問が残るかもしれません。この記事を読めば、これらの疑問が解消されるでしょう。 前回の「 リプレイシステムの開発（第44回）：Chart Tradeプロジェクト(III) 」では、Chart
新しい記事「 因果推論における時系列クラスタリング 」はパブリッシュされました: 機械学習におけるクラスタリングアルゴリズムは、元データを類似した観察結果を持つグループに分けることができる重要な教師なし学習法です。これらのクラスタを用いることで、特定の市場クラスタを分析したり、新しいデータを基に最も安定したクラスタを探索したり、因果関係を推定したりすることが可能です。本稿では、Pythonによる時系列クラスタリングのための独自の手法を提案します。
新しい記事「 ニューラルネットワークが簡単に（第82回）：常微分方程式モデル(NeuralODE) 」はパブリッシュされました: この記事では、環境状態のダイナミクスを研究することを目的とした別のタイプのモデルについて説明します。
取引の機会を逃しています。
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
新規登録
ログイン