Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Построение самооптимизирующихся экспертов с помощью MQL5 и Python (часть II): Настройка глубоких нейронных сетей
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.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.
Интеграция MQL5: Python
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.
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
Самооптимизирующийся советник на MQL5 и Python (часть III): Взлом алгоритма Boom 1000
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.
Применение локализованного выделения признаков в Python и MQL5
Самооптимизирующийся эксперт на MQL5 и Python (часть IV): Сложение моделей
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.