記事、ライブラリコメント - ページ 3

新しい記事「 母集団最適化アルゴリズム:焼きなまし(SA)アルゴリズム(第1部) 」はパブリッシュされました: 焼きなましアルゴリズムは、金属の焼きなまし過程にヒントを得たメタヒューリスティックです。この記事では、このアルゴリズムを徹底的に分析し、この広く知られている最適化方法を取り巻く多くの一般的な信念や神話を暴露します。この記事の後半では、カスタムの等方的焼きなまし(Simulated Isotropic Annealing、SIA)アルゴリズムについて説明します。 焼きなましアルゴリズムは、1983年にScott Kirkpatrick、George Gelatt、Mario
新しい記事「 PythonとMQL5を使用して初めてのグラスボックスモデルを作る 」はパブリッシュされました
新しい記事「 母集団最適化アルゴリズム:ネルダー–ミード法、またはシンプレックス(NM)検索法 」はパブリッシュされました: この記事では、ネルダー–ミード法の完全な探求を提示し、最適解を達成するために各反復でシンプレックス(関数パラメータ空間)がどのように修正され、再配置されるかを説明し、この方法がどのように改善されるかを説明します。
新しい記事「 ニューラルネットワークが簡単に(第66回):オフライン学習における探索問題 」はパブリッシュされました: モデルは、用意された訓練データセットのデータを使用してオフラインで訓練されます。一定の利点がある反面、環境に関する情報が訓練データセットのサイズに大きく圧縮されてしまうというマイナス面もあります。それが逆に、探求の可能性を狭めています。この記事では、可能な限り多様なデータで訓練データセットを埋めることができる方法について考えます。
新しい記事「 Python、ONNX、MetaTrader 5:RobustScalerとPolynomialFeaturesデータ前処理を使用したRandomForestモデルの作成 」はパブリッシュされました: この記事では、Pythonでランダムフォレストモデルを作成し、モデルを訓練して、データ前処理をおこなったONNXパイプラインとして保存します。その後、MetaTrader 5ターミナルでモデルを使用します。
新しい記事「 ニューラルネットワークが簡単に(第65回):Distance Weighted Supervised Learning (DWSL) 」はパブリッシュされました: この記事では、教師あり学習法と強化学習法の交差点で構築された興味深いアルゴリズムに触れます。
新しい記事「 ニューラルネットワークが簡単に(第64回):ConserWeightive Behavioral Cloning (CWBC)法 」はパブリッシュされました: 以前の記事でおこなったテストの結果、訓練された戦略の最適性は、使用する訓練セットに大きく依存するという結論に達しました。この記事では、モデルを訓練するための軌道を選択するための、シンプルかつ効果的な手法を紹介します。
新しい記事「 トレーダーに優しい損切りと利食い 」はパブリッシュされました: 損切り(ストップロス)と利食い(テイクプロフィット)は取引結果に大きな響を与えます。この記事では、最適な逆指値注文の値を見つけるためのいくつかの方法を見ていきます。 損切りと利食いは、価格がその値に達したときにポジションを手仕舞うためのストップ注文です。トレーダーは、損切りによって損失を限定し、利食いによって利益を節約することができます。損切りと利食いを使用する主な利点は、金融リスクを制御し、資金管理を使用する能力です。
新しい記事「 Scikit-Learnライブラリの分類器モデルとONNXへの書き出し 」はパブリッシュされました: この記事では、Scikit-Learnライブラリで利用可能なすべての分類器モデルを適用して、フィッシャーのIrisデータセットの分類タスクを解決する方法について説明します。これらのモデルをONNX形式に変換し、その結果得られたモデルをMQL5プログラムで利用してみます。さらに、完全なIrisデータセットで元のモデルとONNXバージョンの精度を比較します。 プレスリリース「 ONNX Runtime is now open source
新しい記事「 初心者からプロまでMQL5をマスターする(第1回):プログラミングを始める 」はパブリッシュされました: この記事は、プログラミングに関する連載の紹介です。読者がこれまでプログラミングを扱ったことがないことを前提としているため、この連載は基礎から始まります。プログラミング知識レベル:全くの初心者。 ついに実践です。現時点では、すべての作業をMetaEditorでおこないます。ショートカット(デスクトップまたはスタートメニューから)を使用するか、下図に示すいずれかの方法を使用してMetaTrader端末から直接起動できます( 図1 )。 図1 :MetaEditorを開く3つの方法
新しい記事「 CatBoostモデルにおける交差検証と因果推論の基本、ONNX形式への書き出し 」はパブリッシュされました: この記事では、機械学習を使用してボットを作成する方法を提案しています。 結論が間違っていることが多く、検証する必要があるように、機械学習モデルによる予測結果も再確認する必要があります。再確認のプロセスを自分に向ければ、自制心が生まれます。機械学習モデルの自己制御は、異なるが似たような状況で何度も予測に誤りがないか確認することに尽きます。モデルのミスが平均的に少なければ過学習ではないことを意味しますが、頻繁にミスをする場合は、そのモデルに何か問題があることを意味します。
新しい記事「 多銘柄多期間指標の作成 」はパブリッシュされました: この記事では、多銘柄、多期間の指標を作成する原則について見ていきます。また、エキスパートアドバイザー(EA)や他の指標から、このような指標のデータにアクセスする方法も紹介します。EAや指標でマルチ指標を使用する主な特徴について考察し、カスタム指標バッファを使用してそれらをプロットする方法を見ていきます。
新しい記事「 MLモデルとストラテジーテスターの統合(結論):価格予測のための回帰モデルの実装 」はパブリッシュされました: この記事では、決定木に基づく回帰モデルの実装について説明します。モデルは金融資産の価格を予測しなければなりません。すでにデータを準備し、モデルを訓練評価し、調整最適化しました。ただし、このモデルはあくまで研究用であり、実際の取引に使用するものではないことに留意する必要があります。 以上の基準に基づいて、この記事では、終値を予測するために決定木回帰モデルを使用することにしました。このモデルの選択は、以下の理由から正当化されます。 パフォーマンス
新しい記事「 ニューラルネットワークが簡単に(第63回):Unsupervised Pretraining for Decision Transformer (PDT) 」はパブリッシュされました: 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。
新しい記事「 ニューラルネットワークが簡単に(第62回):階層モデルにおけるDecision Transformerの使用 」はパブリッシュされました: 最近の記事で、Decision Transformerを使用するためのいくつかの選択肢を見てきました。この方法では、現在の状態だけでなく、以前の状態の軌跡や、その中でおこなわれた行動も分析することができます。この記事では、階層モデルにおけるこの方法の使用に焦点を当てます。
新しい記事「 ニューラルネットワークが簡単に(第61回):オフライン強化学習における楽観論の問題 」はパブリッシュされました: オフライン訓練では、訓練サンプルデータに基づいてエージェントの方策を最適化します。その結果、エージェントは自分の行動に自信を持つことができます。しかし、そのような楽観論は必ずしも正当化されるとは限らず、模型の操作中にリスクを増大させる可能性があります。今日は、こうしたリスクを軽減するための方法の1つを紹介しましょう。
新しい記事「 ニューラルネットワークが簡単に(第60回):Online Decision Transformer (ODT) 」はパブリッシュされました: 最後の2つの記事は、望ましい報酬の自己回帰モデルの文脈で行動シーケンスをモデル化するDecision Transformer法に費やされました。この記事では、この方法の別の最適化アルゴリズムについて見ていきます。 Online Decision Transformerアルゴリズムは、Decision
新しい記事「 ニューラルネットワークが簡単に(第59回):コントロールの二分法(DoC) 」はパブリッシュされました: 前回の記事では、Decision Transformerを紹介しました。しかし、外国為替市場の複雑な確率的環境は、提示した手法の可能性を完全に実現することを許しませんでした。今回は、確率的環境におけるアルゴリズムの性能向上を目的としたアルゴリズムを紹介します。 DoC(dichotomy of
新しい記事「 母集団最適化アルゴリズム:差分進化(DE) 」はパブリッシュされました: この記事では、これまでに取り上げたアルゴリズムの中で最も議論の的となっているアルゴリズム、差分進化(DE)アルゴリズムについて考察します。 差分進化の考え方は、シンプルさと効率性を兼ね備えています。差分進化アルゴリズムは、潜在的な解を表すベクトルの集団を使用します。各ベクトルは、最適化問題の変数の値を表す成分で構成されます。
新しい記事「 母集団最適化アルゴリズム:Spiral Dynamics Optimization (SDO)アルゴリズム 」はパブリッシュされました: 本稿では、軟体動物の殻など自然界における螺旋軌道の構築パターンに基づく最適化アルゴリズム、Spiral Dynamics Optimization(SDO、螺旋ダイナミクス最適化)アルゴリズムを紹介します。著者らが提案したアルゴリズムを徹底的に修正し、改変しました。この記事では、こうした変更の必要性について考えてみたいと思います。 Spiral Dynamics Optimization
新しい記事「 母集団最適化アルゴリズム:Intelligent Water Drops (IWD)アルゴリズム 」はパブリッシュされました: この記事では、無生物由来の興味深いアルゴリズム、つまり川床形成プロセスをシミュレーションするIntelligent Water Drops (IWD)について考察しています。このアルゴリズムのアイデアにより、従来の格付けのリーダーであったSDSを大幅に改善することが可能になりました。いつものように、新しいリーダー(修正SDSm)は添付ファイルにあります。
新しい記事「 母集団最適化アルゴリズム:荷電系探索(Charged System Search、CSS)アルゴリズム 」はパブリッシュされました: この記事では、無生物の自然にヒントを得た別の最適化アルゴリズムである荷電系探索(CSS)アルゴリズムについて検討します。この記事の目的は、物理学と力学の原理に基づいた新しい最適化アルゴリズムを提示することです。 物理学では、電荷の周囲の空間には電場として知られる性質があります。この場は他の帯電した物体に力を及ぼします。点電荷の周囲の電場はクーロンの法則によって決まります。クーロンは、2
新しい記事「 リプレイシステムの開発(第32回):受注システム(I) 」はパブリッシュされました: これまで開発してきたものの中で、このシステムが最も複雑であることは、おそらく皆さんもお気づきでしょうし、最終的にはご納得いただけると思います。あとは非常に単純なことですが、取引サーバーの動作をシミュレーションするシステムを作る必要があります。取引サーバーの操作方法を正確に実装する必要性は、当然のことのように思えます。少なくとも言葉ではです。ただし、リプレイ/シミュレーションシステムのユーザーにとって、すべてがシームレスで透明なものとなるようにする必要があります。
新しい記事「 リプレイシステムの開発(第31回):エキスパートアドバイザープロジェクト - C_Mouseクラス(V) 」はパブリッシュされました: リプレイ/シミュレーションの終了まで残り時間を表示できるタイマーが必要です。これは一見、シンプルで迅速な解決策に見えるかもしれません。多くの人は、取引サーバーが使用しているのと同じシステムを適応して使用しようとするだけです。しかし、この解決策を考えるとき、多くの人が考慮しないことがあります。リプレイでは、そしてシミュレーションではなおさら、時計の動きは異なるということです。こうしたことが、このようなシステムの構築を複雑にしています。
新しい記事「 母集団最適化アルゴリズム:Stochastic Diffusion Search (SDS) 」はパブリッシュされました: この記事では、ランダムウォークの原理に基づく非常に強力で効率的な最適化アルゴリズムである確SDS(Stochastic Diffusion Search、確率的拡散探索)について説明します。このアルゴリズムは、複雑な多次元空間で最適解を求めることができ、収束速度が速く、局所極値を避けることができるのが特徴です。 次は、興味深い事実です。 1
新しい記事「 リプレイシステムの開発(第30回):エキスパートアドバイザープロジェクト - C_Mouseクラス(IV) 」はパブリッシュされました: 今日は、プログラマーとしての職業生活のさまざまな段階で非常に役立つテクニックを学びます。多くの場合、制限されているのはプラットフォーム自体ではなく、制限について話す人の知識です。この記事では、常識と創造性があれば、クレイジーなプログラムなどを作成することなく、MetaTrader 5 プラットフォームをより面白くて多用途にし、シンプルでありながら安全で信頼性の高いコードを作成できることを説明します。創造力を駆使して、ソース
新しい記事「 リプレイシステムの開発(第29回):エキスパートアドバイザープロジェクト - C_Mouseクラス(III) 」はパブリッシュされました
新しい記事「 リプレイシステムの開発(第28回):エキスパートアドバイザープロジェクト-C_Mouseクラス(II) 」はパブリッシュされました: 人々が初めてコンピューティングが可能なシステムを作り始めたとき、すべてには、プロジェクトを熟知しているエンジニアの参加が必要でした。コンピュータ技術の黎明期、プログラミング用の端末すらなかった時代の話です。それが発展し、より多くの人々が何かを創造できることに興味を持つようになると、新しいアイデアやプログラミングの方法が現れ、以前のようなコネクタの位置を変えるスタイルに取って変わりました。最初の端末が登場したのはこの時です。
新しい記事「 リプレイシステムの開発(第27回):エキスパートアドバイザープロジェクト-C_Mouseクラス(I) 」はパブリッシュされました: この記事では、C_Mouseクラスを実装します。このクラスは、最高水準でプログラミングする能力を提供します。しかし、高水準や低水準のプログラミング言語について語ることは、コードに卑猥な言葉や専門用語を含めることではありません。逆です。高水準プログラミング、低水準プログラミングというのは、他のプログラマーが理解しやすいか、しにくいかという意味です。 前回の「 リプレイシステムの開発(第26回):エキスパートアドバイザープロジェクト(I)
新しい記事「 リプレイシステムの開発(第26回):エキスパートアドバイザープロジェクト-C_Terminalクラス 」はパブリッシュされました: これで、リプレイ/シミュレーションシステムで使用するEAの作成を開始できます。ただし、行き当たりばったりの解決策ではなく、何か改善策が必要です。にもかかわらず、最初の複雑さに怯んではなりません。どこかで始めることが重要で、そうでなければ、その課題を克服しようともせずに、その難しさを反芻してしまうことになります。それこそがプログラミングの醍醐味であり、学習、テスト、徹底的な研究を通じて障害を克服することです。