記事、ライブラリコメント - ページ 6

新しい記事「 信頼区間を用いて将来のパフォーマンスを見積もる 」はパブリッシュされました: この記事では、自動化された戦略の将来のパフォーマンスを推定する手段として、ブーストラッピング技術の応用について掘り下げます。

新しい記事「 指標やEAのデータを表示するダッシュボードの作成 」はパブリッシュされました: この記事では、指標とEAで使用するダッシュボードクラスを作成します。これは、エキスパートアドバイザー(EA)に標準指標を含めて使用するためのテンプレートを含む短い連載の紹介記事です。まず、MetaTrader 5データウィンドウに似たパネルを作成します。

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第20回）：FOREX (I) 」はパブリッシュされました: この記事の最初の目的は、外国為替取引のすべての可能性をカバーすることではなく、少なくとも1つのマーケットリプレイを実行できるようにシステムを適応させることです。シミュレーションはまた別の機会にしますが、ティックがなくバーだけでも、少しの努力で外国為替市場で起こりうる取引をシミュレートすることができます。シミュレーターをどのように適応させるかを検討するまでは、この状態が続くでしょう。システム内部でFXのデータに手を加えずに作業しようとすると、さまざまなエラーが発生します。

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第19回）：必要な調整 」はパブリッシュされました: ここでは、コードに新しい関数を追加する必要がある場合に、スムーズかつ簡単に追加できるように基礎を整えます。現在のコードでは、有意義な進歩を遂げるために必要な事柄の一部をまだカバーまたは処理できません。最小限の労力で特定のことを実装できるようにするには、すべてを構造化する必要があります。すべてを正しくおこなえば、対処が必要なあらゆる状況に非常に簡単に適応できる、真に普遍的なシステムを得ることができます。

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第18回）：ティックそしてまたティック(II) 」はパブリッシュされました: 明らかに、現在の指標は1分足を作成するのに理想的な時間からは程遠いです。それが最初に修正することです。同期の問題を解決するのは難しくありません。難しそうに思えるかもしれませんが、実際はとても簡単です。前回の記事の目的は、チャート上の1分足を作成するために使用されたティックデータを気配値ウィンドウに転送する方法を説明することであったため、必要な修正はおこないませんでした。 各記事に対する私の考えは、人々に MetaTrader 5プラットフォームと

新しい記事「 ニューラルネットワークが簡単に（第53回）：報酬の分解 」はパブリッシュされました: 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。

新しい記事「 ニューラルネットワークが簡単に（第52回）：楽観論と分布補正の研究 」はパブリッシュされました: 経験再現バッファに基づいてモデルが訓練されるにつれて、現在のActor方策は保存されている例からどんどん離れていき、モデル全体としての訓練効率が低下します。今回は、強化学習アルゴリズムにおけるサンプルの利用効率を向上させるアルゴリズムについて見ていきます。

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第17回）：ティックそしてまたティック(I) 」はパブリッシュされました: ここでは、非常に興味深いものを実装する方法を見ていきますが、同時に、非常にわかりにくい点があるため非常に難しくなります。起こり得る最悪の事態は、自分をプロだと思っている一部のトレーダーが、資本市場におけるこれらの概念の重要性について何も知らないことです。さて、ここではプログラミングに焦点を当てていますが、私たちが実装しようとしているものにとって最も重要なのは市場取引に伴う問題のいくつかを理解することです。

新しい記事「 MetaTrader 5でのモンテカルロ並べ替え検定 」はパブリッシュされました: この記事では、Metatrader 5のみを使用して、任意のエキスパートアドバイザー（EA)でシャッフルされたティックデータに基づいて並べ替え検定を実施する方法を見てみましょう。 明らかに、ファイルをエクスポートした後、保存場所をメモし、任意のスプレッドシートアプリを使って開きます。下の図は無料のOpenOffice

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第16回）：新しいクラスシステム 」はパブリッシュされました: もっと仕事を整理する必要があります。コードはどんどん大きくなっており、今やらなければ不可能になります。分割して征服しましょう。MQL5では、このタスクを実行するのに役立つクラスを使用することができますが、そのためにはクラスに関する知識が必要です。おそらく初心者を最も混乱させるのは継承でしょう。この記事では、これらのメカニズムを実用的かつシンプルな方法で使用する方法を見ていきます。

新しい記事「 MQL5での発注を理解する 」はパブリッシュされました: 取引システムを構築する際には、効果的に処理しなければならない作業があります。この作業は、注文の発注、または作成された取引システムに注文を自動的に処理させることです。これはあらゆる取引システムにおいて極めて重要だからです。この記事では、発注が効果的な取引システムを作成する作業のために理解する必要があるほとんどのトピックについて説明します。 注文： 特定の価格で特定のロットまたは数量の売買取引を開始するために取引サーバーによって受信された要求です。注文には成行注文と指値注文の2種類があります。 成行注文：

新しい記事「 価格変動モデルとその主な規定（第3回）：証券取引所の投機の最適なパラメータを計算する 」はパブリッシュされました: 確率論に基づき著者が開発した工学的アプローチの枠組みの中で、利益を生むポジションを建てるための条件を見つけ、最適な（利益を最大化する）利食いと損切りの値を計算します。 前回の記事（ 第1回 、 第2回

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第15回）：シミュレーターの誕生(V) - ランダムウォーク 」はパブリッシュされました

新しい記事「 エキスパートアドバイザーのQ値の開発 」はパブリッシュされました: この記事では、エキスパートアドバイザー(EA)がストラテジーテスターで表示できる品質スコアを開発する方法を見ていきます。Van TharpとSunny Harrisという2つの有名な計算方法を見てみましょう。 この記事では、エキスパートアドバイザー(EA)がストラテジーテスターで表示できる品質スコアを開発する方法を見ていきます。下の図1では、OnTester

新しい記事「 MQL5の圏論（第20回）：セルフアテンションとTransformerへの回り道 」はパブリッシュされました: ちょっと寄り道して、chatGPTのアルゴリズムの一部について考えてみたいとおもいます。自然変換から借用した類似点や概念はあるのでしょうか。シグナルクラス形式のコードを用いて、これらの疑問やその他の質問に楽しく答えようと思います。 圏論と自然変換をテーマにしながら、この連載を続け、チャットGPTという「部屋の中の象」に触れないのは、不謹慎なことだと思います。今では誰もが、何らかの形で、chatGPTや他のAIプラットフォームのホストに精通しており、

新しい記事「 時系列マイニングのためのデータラベル（第2回）：Pythonを使ってトレンドマーカー付きデータセットを作成する 」はパブリッシュされました: この連載では、ほとんどの人工知能モデルに適合するデータを作成できる、いくつかの時系列のラベル付け方法を紹介します。ニーズに応じて的を絞ったデータのラベル付けをおこなうことで、訓練済みの人工知能モデルをより期待通りの設計に近づけ、モデルの精度を向上させ、さらにはモデルの質的飛躍を助けることができます。

新しい記事「 MQL5の圏論（第19回）：自然性の正方形の帰納法 」はパブリッシュされました: 自然性の正方形の帰納法を考えることで、自然変換について考察を続けます。MQL5ウィザードで組み立てられたエキスパートアドバイザー(EA)の多通貨の実装には若干の制約があるため、スクリプトでデータ分類能力を紹介しています。主な用途は、価格変動の分類とその予測です。 今回は、 前回

新しい記事「 時系列マイニングのためのデータラベル（第1回）：EA操作チャートでトレンドマーカー付きデータセットを作成する 」はパブリッシュされました: この連載では、ほとんどの人工知能モデルに適合するデータを作成できる、いくつかの時系列のラベル付け方法を紹介します。ニーズに応じて的を絞ったデータのラベル付けをおこなうことで、訓練済みの人工知能モデルをより期待通りの設計に近づけ、モデルの精度を向上させ、さらにはモデルの質的飛躍を助けることができます。

新しい記事「 取引トランザクション：リクエストとレスポンスの構造体、説明、ロギング 」はパブリッシュされました: この記事では、取引リクエストの構造体、すなわち、リクエストの作成、サーバーに送信する前の事前検証、取引リクエストに対するサーバーの応答、および取引トランザクションの構造体の取り扱いについて検討します。取引注文をサーバーに送信するためのシンプルで便利な関数を作成し、すべての議論された内容に基づいて、取引トランザクションを通知するEAを作成します。 MQL5には、未決注文を出し、ポジションを開き、注文やポジションを変更するための OrderSend()

新しい記事「 ニューラルネットワークが簡単に（第51回）：Behavior-Guided Actor-Critic (BAC) 」はパブリッシュされました: 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。

新しい記事「 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） 」はパブリッシュされました: 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。 Soft Actor-Criticアルゴリズムの研究を続けます。 前回 の記事では、アルゴリズムを実装しましたが、収益性の高いモデルを訓練することができませんでした。今日は可能な解決策を考えてみましょう。同じような疑問は、「 先延ばしのモデル、理由と解決策

新しい記事「 パターン検索への総当たり攻撃アプローチ（第V部）：新鮮なアングル 」はパブリッシュされました: この記事では、私が長い時間をかけてたどり着いた、アルゴリズム取引に対するまったく異なるアプローチを紹介します。もちろん、これはすべて私の総当たり攻撃プログラムに関係しています。これには、複数の問題を同時に解決できるように多くの変更が加えられています。とはいえ、この記事はより一般的で可能な限りシンプルなものであるため、総当たり攻撃について何も知らない読者にも適しています。

新しい記事「 MQL5における座標降下法を用いたエラスティックネット回帰 」はパブリッシュされました: この記事では、過学習を最小化すると同時に、有用な予測因子と予後予測力の低い予測因子を自動的に分離するエラスティックネット回帰の実用的な実装を探求します。 座標降下法は、多変数の最適化に適した最適化手法です。複雑な多次元最適化問題は、1次元の問題の集まりに縮小されます。 これは、他の次元の関数の値を静的に保ったまま、関数の個々の次元を繰り返し最小化することによって達成されます。インターネット上には、より詳細な説明を提供してくれる資料が数多くあります。ここで関心があるのは、戦略開発への応用です。

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第14回）：シミュレーターの誕生(IV) 」はパブリッシュされました: この記事ではシミュレーターの開発段階を続けます。 今回は、ランダムウォークタイプの動きを効果的に作成する方法を見ていきます。このような動きには非常に興味をそそられます。資本市場で起こるすべてのことの基礎がそれによって形成されるためです。さらに、市場分析をおこなう上で基本となるいくつかの概念についても理解を深めていきます。

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第12回）：シミュレーターの誕生（II） 」はパブリッシュされました: シミュレーターの開発は、見た目よりもずっと面白いものです。事態はさらに面白くなってきているため、今日は、この方向にもう少し踏み込んでみましょう。

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第11回）：シミュレーターの誕生（I） 」はパブリッシュされました: バーを形成するデータを使うためには、リプレイをやめてシミュレーターの開発に着手しなければなりません。難易度が最も低い1分バーを使用します。 私たちは常に、修正や変更が必要で、私たちの行動を理解するのに何時間も費やさなければならないコードよりも、読みやすく理解しやすいコードを好むべきです。これでこの記事は終わりです。以下のビデオは、記事に添付されているものを使用して作成された、現在の開発段階での結果を示しています。

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第10回）：リプレイで実データのみを使用する 」はパブリッシュされました: ここでは、リプレイシステムで、調整されているかどうかを気にすることなく、より信頼性の高いデータ（取引されたティック）を使用する方法を見ていきます。 のビデオでは、この記事で紹介した作業の結果を見ることができます。まだ見えていない部分もあるかもしれませんが、ビデオを見ることで、これらすべての記事におけるリプレイ/シミュレーションシステムの進歩を明確に理解することができるでしょう。ビデオを見て、最初と今の変化を比べてみてください。 作者: Daniel

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第9回）：カスタムイベント 」はパブリッシュされました: ここでは、カスタムイベントがどのようにトリガーされ、指標でどのようにリプレイ/シミュレーションサービスの状態がレポートされるかを見ていきます。 ここで、カスタムイベントをトリガーするために一般的なもの、つまり EventChartCustom

新しい記事「 リプレイシステムの開発 - 市場シミュレーション（第13回）：シミュレーターの誕生（III） 」はパブリッシュされました: ここでは、次回以降の仕事に関連するいくつかの要素を簡略化します。シミュレーターが生成するランダム性を視覚化する方法も説明しましょう。

新しい記事「 ニューラルネットワークが簡単に（第49回）：Soft Actor-Critic 」はパブリッシュされました: 連続行動空間の問題を解決するための強化学習アルゴリズムについての議論を続けます。この記事では、Soft Actor-Critic (SAC)アルゴリズムについて説明します。SACの主な利点は、期待される報酬を最大化するだけでなく、行動のエントロピー（多様性）を最大化する最適な方策を見つけられることです。 この記事では、別のアルゴリズムであるSoft Actor-Critic (SAC)に焦点を当てます。このアルゴリズムは最初に「 Soft