記事、ライブラリコメント - ページ 26

新しい記事「 ニューラルネットワークができるように（その６）。ニューラルネットワークの学習率を実験する 」はパブリッシュされました: これまで、様々な種類のニューラルネットワークをその実装とともに考察してきました。 すべての場合において、ニューラルネットワークは、学習率を選択する必要があるグラディエントディーセント法を用いてトレーニングされました。 今回は、正しく選択されたレートの重要性とニューラルネットワーク学習への影響を例を用いて示したいと思います。 実験3は、この記事の本題から少し逸脱します。 そのアイデアは、最初の2つの実験の間に生まれました。 ということで、シェアすることにしました。

新しい記事「 ニューラルネットワークが簡単にできるように(その5).OpenCLでのマルチスレッド計算 」はパブリッシュされました: ニューラルネットワークの実装のいくつかのタイプについては、これまで説明してきました。 これまで考慮されたネットワークでは、各ニューロンに対して同じ操作が繰り返されます。 さらに論理的な進展としては、ニューラルネットワークの学習プロセスを高速化するために、現代の技術が提供するマルチスレッドコンピューティング機能を利用することです。 可能な実装の1つは、この記事で説明しています。 どの技術を使うかは選択しました。

新しい記事「 TDシーケンシャルと一連のMurray-Gannレベルを使用したチャートの分析 」はパブリッシュされました: TDシーケンシャル(トーマス・デマークのシーケンシャル)は、価格変動のバランスの変化を示すのが得意です。これは、そのシグナルをレベル指標(Murreyレベルなど)と組み合わせると特に明白になります。本稿は、主に初心者や「聖杯」を見つけることができない人を対象としています。また、他のフォーラムでは見たことのないレベル構築の機能をいくつか提示するので、おそらく上級トレーダーにも役立つでしょう... 提案や合理的な批判は大歓迎です

新しい記事「 グリッドとマルチンゲール - それらは何でありどのように使用するか 」はパブリッシュされました: 本稿では、グリッドとマルチンゲールとは何か、そしてそれらに共通するものについて詳しく説明しようと思います。また、これらの戦略が実際にどれほど実行可能であるかの分析を試みます。本稿には、数学セクションと実用セクションがあります。

新しい記事「 DoEasyライブラリの時系列(第57部): 指標バッファデータオブジェクト 」はパブリッシュされました: 本稿では、1つの指標に対して1つのバッファのすべてのデータを含むオブジェクトを開発します。このようなオブジェクトは、指標バッファのシリアルデータを格納するために必要になります。その助けを借りて、任意の指標のバッファデータ、および他の同様のデータを相互に並べ替えて比較できるようになります。

新しい記事「 DoEasyライブラリの時系列(第56部)：カスタム指標オブジェクト、コレクション内指標オブジェクトからのデータ取得 」はパブリッシュされました: 本稿では、EAで使用するためのカスタム指標オブジェクトの作成について検討します。ライブラリクラスを少し改善し、EAの指標オブジェクトからデータを取得するメソッドを追加しましょう。 銘柄チャートには、作成されたすべての指標のバッファからのデータが表示されます。

新しい記事「 DoEasyライブラリの時系列(第55部): 指標コレクションクラス 」はパブリッシュされました: 本稿では、指標オブジェクトクラスとそのコレクションの開発を続けます。指標オブジェクトごとに、その説明と正しいコレクションクラスを作成して、エラーなしのストレージを作成し、コレクションリストから指標オブジェクトを取得します。 EAをコンパイルして、ターミナルのチャート上で起動します。 初期化後、「エキスパート」操作ログには、初期化に関するライブラリメッセージが表示されます。それらの中には、作成された2つの指標のパラメータの 完全 リストと 短縮 リストがあります。 Account

新しい記事「 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 」はパブリッシュされました: 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。 テストには、変更を加えない 前の記事の指標 が必要です。 単に新しい\MQL5\Indicators\TestDoEasy\ Part54\ フォルダで

新しい記事「 パターン検索への総当たり攻撃アプローチ 」はパブリッシュされました: 本稿では、市場パターンを検索し、特定されたパターンに基づいてエキスパートアドバイザーを作成し、これらのパターンが有効であるかどうかを確認します。

新しい記事「 ニューラルネットワークが簡単にできるようになった（その4）。リカレントネットワーク 」はパブリッシュされました: これまでニューラルネットワークの勉強を続けてきました。 この記事では、ニューラルネットワークのもう一つのタイプであるリカレントネットワークについて考えてみます。 このタイプは、MetaTrader 5の取引プラットフォームで価格チャートで表現される時系列を使用するために提案されています。

新しい記事「 ニューラルネットワークが簡単にできるように（その３）。コンボリューションネットワーク 」はパブリッシュされました: ニューラルネットワークの話題の続きとして、畳み込み型ニューラルネットワークの考察を提案します。 この種のニューラルネットワークは、通常、視覚的なイメージの分析に適用されます。 本稿では、これらのネットワークの金融市場への応用について考察します。 テストは、H1タイムフレームのEURUSDペアを使用して行われました。

新しい記事「 継続的なウォークフォワード最適化（その8）。プログラムの改善と修正 」はパブリッシュされました: 本連載では、ユーザーや読者の皆様からのご意見・ご要望をもとに、プログラムを修正しています。 この記事では、オートオプティマイザーの新バージョンを掲載しています。 このバージョンでは、要求された機能を実装し、他の改善点を提供しています。 以前のプログラム版では、フォワード最適化とヒストリカル最適化のために日付を段階的に入力していたため、不便でした。 今回は、必要な時間帯の自動入力を実装しました。 機能の詳細については、以下のように説明することができます。

新しい記事「 外国為替取引の背後にある基本的な数学 」はパブリッシュされました: この記事は、外国為替取引の主な機能をできるだけ簡単かつ迅速に説明し、初心者といくつかの基本的なアイデアを共有することを目的としています。また、簡単なインディケータ―の開発を紹介するとともに、取引コミュニティで最も興味をそそる質問への回答を試みます。

新しい記事「 PythonやRの知識が不要なYandexのCatBoost機械学習アルゴリズム 」はパブリッシュされました: この記事では、具体的な例を用いて、機械学習プロセスのコードと主要な段階の説明をします。 このモデルを取得するためには、PythonやRの知識は必要ありません。 さらに、MQL5の基本的な知識があれば十分です - まさに私のレベルです。 したがって、この記事が、機械学習の評価やプログラムへの実装に興味のある人たちの手助けとなり、幅広い人たちの良いチュートリアルとなることを期待しています。

新しい記事「 DoEasyライブラリの時系列(パート53)：抽象基本指標クラス 」はパブリッシュされました: 本稿では抽象指標を作成し、ライブラリの標準指標とカスタム指標のオブジェクトを作成するための基本クラスとしてさらに使用します。

新しい記事「 DoEasyライブラリの時系列(第52部): 複数銘柄・複数期間の単一バッファ標準指標のクロスプラットフォーム化 」はパブリッシュされました: 本稿では、複数銘柄・複数期間のAccumulation/Distribution標準指標の作成を検討します。指標に関してライブラリクラスをわずかに改善し、このライブラリに基づいて古いMetaTrader 4プラットフォーム用に開発されたプログラムが、MetaTrader5に切り替えたときに正常に機能するようにします。

新しい記事「 並列粒子群最適化 」はパブリッシュされました: 本稿では、粒子群アルゴリズムを使用した高速最適化の手法について説明しています。また、この手法のMQLでの実装を提示します。これは、エキスパートアドバイザー内のシングルスレッドモードとローカルテスターエージェントで実行されるアドオンとしての並列マルチスレッドモードの両方ですぐに使用できます。

新しい記事「 トレーディングアルゴリズム開発への科学的アプローチ 」はパブリッシュされました: この記事では、一貫した科学的アプローチを用いて価格パターンを分析し、それに基づいてトレードアルゴリズムを構築するという、トレードアルゴリズムを開発するための方法論を考察します。 開発の理想を事例を用いて示します。 テストは、2018年1月1日から2020年7月28日までの期間、M1タイムフレーム上で、リアルティックモードを使用して実施されました。 パラメータは最適化されていませんでしたが、個別の通貨ペアごとに徹底的に用意されたアルゴリズムを最適化する必要がないことを示したいからです。

新しい記事「 DoEasyライブラリの時系列(第51部): 複数銘柄・複数期間の複合標準指標 」はパブリッシュされました: 本稿では、 複数銘柄・複数期間標準指標のオブジェクトの開発を完結します。一目均衡表標準指標の例を使用して、チャートにデータを表示するための補助描画バッファを持つ複合カスタム指標の作成を分析します。 EURUSD H4のデータを計算に使用するには、指標設定で示されたEURUSDH1チャートで両方の指標を起動します。標準指標と比較します。 ご覧のとおり、両方の指標のデータは標準指標のデータと一致しています。

新しい記事「 DoEasyライブラリの時系列(第50部): シフト付き複数銘柄・複数期間標準指標 」はパブリッシュされました: 本稿では、複数銘柄・複数期間標準指標を正しく表示するためのライブラリメソッドを改善して、設定されたシフトによってシフトされたラインが現在の銘柄チャートに表示されるようにします。また、標準指標を使用するメソッドを整理し、最終的な指標プログラムのライブラリにある冗長なコードを削除します。 OnCalculate()ハンドラは変更しません。テスト指標のコード全体は下に添付されているファイルにあります。 指標をコンパイルし、EURUSD

新しい記事「 DoEasyライブラリの時系列(第49部): 複数銘柄・複数期間の複数バッファ標準指標 」はパブリッシュされました: 本稿では、ライブラリクラスを改善して、データを表示するために複数の指標バッファを必要とする複数銘柄・複数期間標準指標を開発する機能を実装します。 指標設定でEURUSDと4時間を設定し、指標をコンパイルしてEURUSDH1で起動します。設定で選択されたH4の標準指標がH1に表示されます。 作者: Artyom Trishkin

新しい記事「 高度なリサンプリングと総当たり攻撃によるCatBoostモデルの選択 」はパブリッシュされました: 本稿では、モデルの一般化可能性を向上させることを目的としたデータ変換への可能なアプローチの1つについて説明し、CatBoostモデルの抽出と選択についても説明します。 前の記事で使用したラベルの単純な無作為抽出には、いくつかの欠点があります。 クラスが不均衡になる可能性 -

新しい記事「 取引システムの開発における勾配ブースティング(CatBoost)素朴なアプローチ 」はパブリッシュされました: PythonでCatBoost分類器を訓練してモデルをmql5にエクスポートし、モデルパラメータとカスタムストラテジーテスターを解析します。Python言語とMetaTrader5ライブラリは、データの準備とモデルの訓練に使用されます。 コンパイルされたボットは、標準のMetaTrader 5ストラテジーテスターでテストできます。適切な時間軸(モデルの訓練で使用された時間軸と一致する必要があります)を選択し、

新しい記事「 DoEasyライブラリの時系列(第48部): 単一サブウィンドウでの単一バッファ複数銘柄・複数期間指標 」はパブリッシュされました: 本稿では、単一の指標バッファを使用して、指標サブウィンドウを構築および操作するための複数銘柄・複数期間標準指標の作成例について説明します。プログラムのメインウィンドウで動作し、データを表示するための複数のバッファを持つ標準指標を操作するためのライブラリクラスを準備します。 作成した指標をコンパイルし、設定でGBPUSD M5を設定し、EURUSD M1で指標を起動します。

新しい記事「 カスタムシンボル。実用的な基礎 」はパブリッシュされました: この記事では、クオートを表示するための一般的な方法を示すために、カスタムシンボルプログラムの生成を行います。 派生したカスタムシンボルチャートから実際のシンボルをトレードするためのEAにおける提案された亜種についても説明します。 この記事にはMQLのソースコードが添付されています。 また、このEAでは、為替商品のリアルボリュームモードを使用することができます。

sSyncScroll: チャート同時スクロールのためのスクリプト。 チャートのいずれかをスクロールすると、残りのものもシフトされます。 このような位置は、縦線でマークされます。 作者: Dmitry Fedoseev

2MA バニークロスエキスパート: 2つのインジケータ iMA (移動平均、MA) に基づくEA。 作者: Vladimir Karputov

新しい記事「 ニューラルネットワークと容易性（後編）。ネットワークのトレーニングとテスト 」はパブリッシュされました: 第2回目の今回は、引き続きニューラルネットワークの勉強をし、作成したCNetクラスをEAで使用した例を考えていきます。 学習時間、予測精度ともに同様の結果を示す2つのニューラルネットワークモデルを用いてタスクを行います。 最初のエポックは、初期段階でランダムに選択されたニューラルネットワークの加重に強く依存します。 35エポックのトレーニングを行った後、統計量の差はわずかに増加した - 回帰ニューラルネットワークモデルはより良いパフォーマンスを示しました。 値

新しい記事「 トレンドとは何か、相場の構造はトレンドかレンジかで決まるのか？ 」はパブリッシュされました: トレーダーはよくトレンドやレンジについて話しますが、トレンドやレンジとは何かを理解している人はほとんどおらず、概念を明確に説明できる人はさらにいません。 基本的な用語について考察することは、多くの場合、偏見や誤解の固まりに悩まされます。 しかし、利益を上げたいのであれば、概念の数学的・論理的な意味を理解する必要があります。 今回は、トレンドとレンジの本質に迫るとともに、相場の構造がトレンドなのか、レンジなのか、何か別のものなのかを定義してみたいと思います。

新しい記事「 価格系列の離散化、ランダム成分とノイズ 」はパブリッシュされました: 普段我々はローソク足や、価格シリーズを一定の間隔でスライスした足を使って相場を分析しています。 このような離散化手法は、相場の動きの本当の構造を歪めてしまうのではないでしょうか？ オーディオ信号は時間の経過とともに変化する関数であるため、オーディオ信号を一定の間隔で離散化することは、許容される解決策です。 信号自体は時間に依存する振幅です。 この信号特性は基本的なものです。