Группа пользователей MetaTrader 5 Python - краткое содержание - страница 31

[Sergey Golubev]

Построение самооптимизирующихся экспертов с помощью MQL5 и Python (часть II): Настройка глубоких нейронных сетей

Участники нашего сообщества стремятся внедрить искусственный интеллект в свои торговые стратегии, что требует настройки моделей ИИ под конкретные рынки. Каждая модель ИИ имеет настраиваемые параметры, которые существенно влияют на ее производительность; оптимальные настройки для одного рынка могут не подойти для другого. В этой статье мы покажем, как настроить модели искусственного интеллекта так, чтобы они превосходили стандартные настройки, используя алгоритмы оптимизации, в частности алгоритм Нелдера-Мида. Мы применим этот алгоритм для тонкой настройки глубокой нейронной сети на основе данных из терминала MetaTrader5, а затем экспортируем оптимизированную модель в формат ONNX для использования в советнике. Для тех, кто не знаком с этими понятиями, мы будем давать подробные объяснения в течение всей статьи.

[Sergey Golubev]

Data Science и ML (часть 28): Прогнозирование нескольких фьючерсов на EURUSD с помощью искусственного интеллекта

Многоступенчатое прогнозирование имеет огромное значение в различных областях, таких как финансы, прогнозирование погоды, управление цепочками поставок и здравоохранение. Например, на финансовых рынках инвесторам необходимо прогнозировать цены на акции или курсы валют на несколько дней, недель или даже месяцев вперед. В прогнозировании погоды точные прогнозы на ближайшие дни или недели могут помочь в планировании и ликвидации последствий стихийных бедствий.

Эта статья предполагает, что вы имеете базовое представление о машинном обучении и искусственном интеллекте, ONNX, использовании моделей ONNX в MQL5, линейной регрессии, LightGBM и нейронных сетях.

[Sergey Golubev]

Разработка робота на Python и MQL5 (часть 1): Препроцессинг данных

Мы рассмотрим цикл разработки торгового робота: сбор, обработка данных, расширение выборки, построение признаков, выбор и обучение модели, создание торговой системы на Python и мониторинг сделок.

Работа на Python имеет свои преимущества: скорость в области машинного обучения, а также возможность подбора и генерации признаков. Экспорт моделей в ONNX требует точно такой же логики генерации признаков, как и в Python, что не так просто. Именно поэтому я выбрал онлайн-трейдинг на Python.

[Sergey Golubev]

Интеграция MQL5: Python

В этой новой статье я расскажу вам о важном инструменте, который поможет вам улучшить свои навыки программирования. Мы рассмотрим интеграцию с Python. Когда речь заходит о том, как это может быть полезно для нас как разработчиков, все зависит от ваших целей в области программного обеспечения, поскольку Python - это высокоуровневый язык программирования, который легко читается, и он также прост. Python - это язык программирования, который предоставляет обширные библиотеки для таких областей, как анализ данных, статистические вычисления и машинное обучение. Таким образом, интеграция Python и MQL5 позволяет получить более глубокие знания, которые могут помочь участникам финансового рынка улучшить свои результаты за счет обработки данных и предиктивной аналитики.

[Sergey Golubev]

Наука о данных и ML (часть 29): Основные советы по выбору лучших данных Forex для целей обучения ИИ

Со всеми торговыми данными и информацией, такими как индикаторы (в MetaTrader 5 есть более 36 встроенных индикаторов), пары символов (есть более 100 символов), которые также могут быть использованы в качестве данных для корреляционных стратегий, есть новости, которые являются ценными данными для трейдеров, и т.д. Я хочу сказать, что трейдеры располагают огромным количеством информации, которую можно использовать как при ручной торговле, так и при построении моделей искусственного интеллекта, помогающих нам принимать разумные торговые решения в наших торговых роботах.

Из всей информации, которая есть у нас под рукой, должна быть плохая информация(это просто здравый смысл). Не все индикаторы, данные, стратегии и т. д. полезны для конкретного торгового инструмента, стратегии или ситуации. Как же определить нужную информацию для торговых моделей и моделей машинного обучения, чтобы добиться максимальной эффективности и прибыльности? Вот тут-то и приходит на помощь отбор признаков.

[Evgeni Gavrilovi]

По мере возможности добавьте сюда https://www.mql5.com/ru/docs/python_metatrader5 новую функцию для получения этой ленты новостей, заголовок и полный текст новости из python 

[Sergey Golubev]

Самооптимизирующийся советник на MQL5 и Python (часть III): Взлом алгоритма Boom 1000

Мы проанализируем все синтетические рынки Deriv по отдельности, начав с самого известного синтетического рынка - Boom 1000. Boom 1000 печально известен своим волатильным и непредсказуемым поведением. Для рынка характерны медленные, короткие и одинаковые по размеру медвежьи свечи, за которыми беспорядочно следуют бурные бычьи свечи размером с небоскреб. Бычьи свечи особенно сложны для борьбы с ними, поскольку тики, связанные с ними, обычно не передаются на клиентский терминал, а это значит, что все стоп-лоссы каждый раз пробиваются с гарантированным проскальзыванием.

Поэтому большинство успешных трейдеров создали стратегии, в основе которых лежит использование только возможностей для покупки при торговле Boom 1000. Вспомните, что Boom 1000 может падать в течение 20 минут на графике M1 и отбить все это движение за 1 свечу! Поэтому, учитывая его чрезмерно бычий характер, успешные трейдеры стараются использовать это в своих интересах, придавая больше значения сетапам на покупку по Boom 1000, чем сетапам на продажу.

[Sergey Golubev]

Применение локализованного выделения признаков в Python и MQL5

В этой статье мы рассмотрим алгоритм отбора признаков, представленный в статье "Локальный отбор признаков для классификации данных" Наргеса Арманфарда, Джеймса П. Рейли и Маджида Комейли. Этот метод направлен на выявление прогностических признаков, которые часто игнорируются традиционными методами отбора из-за их ограниченной глобальной полезности. Мы начнем с общего обзора алгоритма, а затем рассмотрим его реализацию на Python для создания моделей классификаторов, пригодных для экспорта в MetaTrader 5.

[Sergey Golubev]

Самооптимизирующийся эксперт на MQL5 и Python (часть IV): Сложение моделей

В этой серии статей мы рассмотрим различные способы создания торговых приложений, способных динамически подстраиваться под изменяющиеся рыночные условия. Потенциально существует бесконечное множество способов решения этой задачи, но вряд ли все возможные решения будут правильными. Поэтому наша цель сегодня - продемонстрировать и эмпирически проанализировать достоинства и недостатки различных возможных решений, чтобы помочь вам улучшить свои торговые стратегии.

[Sergey Golubev]

Data Science и ML (часть 30): Мощная пара для прогнозирования фондового рынка: конволюционные нейронные сети (CNN) и рекуррентные нейронные сети (RNN)

В предыдущих статьях мы увидели, насколько мощными являются конволюционные нейронные сети (CNN) и рекуррентные нейронные сети (RNN) и как их можно использовать, чтобы помочь обыграть рынок, предоставляя нам ценные торговые сигналы.

В этой статье мы попытаемся объединить две самые мощные технологии CNN и RNN и понаблюдать за их предсказательным влиянием на фондовом рынке. Но прежде давайте вкратце разберемся, что представляют собой CNN и RNN.