Анализ главных компонент (PCA) - это сосредоточение внимания только на "главных компонентах" среди множества измерений набора данных, что позволяет сократить размерность этого набора данных, игнорируя "непринципиальные" части.
Однако PCA с собственными значениями и векторами имеет несколько более глубокий подход. Как правило, наборы данных, обрабатываемые в рамках PCA, имеют матричный формат, и главные компоненты, которые ищутся в матрице, представляют собой один векторный столбец (или строку), который является наиболее значимым среди других векторов матрицы и может служить представителем всей матрицы. Как уже говорилось во вступлении, только этот вектор будет содержать главные компоненты всей матрицы, отсюда и название PCA. Однако для определения этого вектора необязательно использовать собственные векторы и значения, поскольку другими альтернативами являются сингулярное разложение значений (SVD) и итерация мощности.
Principal Component Analysis, a dimensionality reducing technique in data analysis, is looked at in this article, with how it could be implemented with Eigen values and vectors. As always, we aim to develop a prototype expert-signal-class usable in the MQL5 wizard.
Эта статья продолжает цикл статей о том, как мастер MQL5 идеально подходит для быстрого тестирования и создания прототипов идей для трейдеров. Для многих людей, разрабатывающих экспертов и торговые системы, очень важна необходимость постоянно учиться и быть в курсе тенденций не только машинного обучения, но и торговли и управления рисками в целом. Поэтому в этой серии мы рассмотрим, как MQL5 IDE помогает в этом деле, не только экономя время, но и минимизируя ошибки при кодировании.
Trading across multiple currencies is not available by default when an expert advisor is assembled via the wizard. We examine 2 possible hacks traders can make when looking to test their ideas off more than one symbol at a time.
Мы продолжаем серию статей о внедрении мастеров MQL5, рассматривая поиск нейронной архитектуры и особо останавливаясь на роли собственных векторов в повышении эффективности этого процесса, ускоряющего обучение сети. Нейронные сети можно сравнить с подгонкой кривой к набору данных, поскольку они помогают составить формульное выражение, которое, будучи примененным к входным данным (x), дает целевое значение (y) точно так же, как квадратное уравнение делает это с кривой. Однако точки данных x и y могут быть, и даже часто бывают, многомерными, именно поэтому нейронные сети завоевали большую популярность. Тем не менее, принцип получения формульного выражения остается, поэтому нейронные сети являются лишь средством достижения этой цели, но не единственным способом.
Neural Architecture Search, an automated approach at determining the ideal neural network settings can be a plus when facing many options and large test data sets. We examine how when paired Eigen Vectors this process can be made even more efficient.
Мы продолжаем знакомство с мастером MQL5, рассматривая байесовский вывод- метод в статистике, который обрабатывает и обновляет вероятности при каждом новом поступлении информации. Очевидно, что он имеет широкий спектр возможных применений, однако для наших целей, как трейдеров, мы остановимся на его роли в прогнозировании временных рядов. Временные ряды, открытые трейдерам для анализа, - это, прежде всего, цены торгуемых ценных бумаг, но, как мы увидим в этой статье, эти ряды можно "расширить", включив в них такие альтернативы, как история торговли ценными бумагами.
Bayesian inference is the adoption of Bayes Theorem to update probability hypothesis as new information is made available. This intuitively leans to adaptation in time series analysis, and so we have a look at how we could use this in building custom classes not just for the signal but also money-management and trailing-stops.
Мы продолжаем серию статей, в которых рассматриваем алгоритмы, которые можно быстро закодировать, протестировать и, возможно, даже развернуть, благодаря мастеру MQL5, который не только имеет библиотеку стандартных торговых функций и классов, сопровождающих закодированный советник, но и альтернативные торговые сигналы и методы, которые можно использовать параллельно с реализацией любого пользовательского класса.
Symbolic Regression is a form of regression that starts with minimal to no assumptions on what the underlying model that maps the sets of data under study would look like. Even though it can be implemented by Bayesian Methods or Neural Networks, we look at how an implementation with Genetic Algorithms can help customize an expert signal class usable in the MQL5 wizard.
Мы продолжаем серию статей о советниках, собранных мастерами, и рассмотрим, как новостиэкономического календаря могут быть интегрированы в советник во время тестирования для подтверждения идеи или построения более надежной торговой системы, в немалой степени благодаря этой статье. Эта статья является частью серии, так как она первая, и поэтому я рекомендую читателям прочитать и проследить за ней, однако здесь мы рассматриваем исключительно то, как советники, собранные мастером, могут извлечь выгоду из этих инструментов MQL5 IDE. Для новых читателей есть вводные статьи здесь и здесь о том, как разрабатывать и собирать советники с помощью Мастера MQL5.
Economic Calendar Data is not available for testing with Expert Advisors within Strategy Tester, by default. We look at how Databases could help in providing a work around this limitation. So, for this article we explore how SQLite databases can be used to archive Economic Calendar news such that wizard assembled Expert Advisors can use this to generate trade signals.
Мы продолжаем серию статей, в которых рассматриваем алгоритмы, которые можно быстро закодировать, протестировать и, возможно, даже развернуть, благодаря мастеру MQL5, который не только имеет библиотеку стандартных торговых функций и классов, сопровождающих закодированный советник, но и альтернативные торговые сигналы и методы, которые можно использовать параллельно с реализацией любого пользовательского класса.
Эта ветка (где мы сейчас находимся) - авто-переводная ветка с англоязычного форума (это англоязычная ветка).
Если насчет статей, то ранние статьи переведены с английского на русский, японский, португальский, испанский и немецкий языки. Более поздние статьи - пока нет.
Эта ветка (где мы сейчас находимся) - авто-переводная ветка с англоязычного форума (это англоязычная ветка).
Если насчет статей, то ранние статьи переведены с английского на русский, японский, португальский, испанский и немецкий языки. Более поздние статьи - пока нет.
Условно-генеративные адверсарные сети ( cGAN) - это разновидность GAN, которая позволяет настраивать тип входных данных в своей генеративной сети. Как видно из общей ссылки и из чтения по теме, GAN представляют собой пару нейронных сетей: генератор и дискриминатор. Обе они обучаются или тренируются друг на друге, при этом генератор совершенствуется в генерации целевого вывода, а дискриминатор обучается на идентификации данных (они же поддельные данные) из генератора.
В чем преимущества cGAN для прогнозирования финансовых временных рядов? Доказательство, как говорится, в пудинге, поэтому мы проведем несколько тестов в конце статьи, как это принято, однако в распознавании образов GAN, безусловно, имеют определенное влияние, хотя они не так хороши, как CNN или ViT, из-за их вычислительных затрат. По имеющимся данным, они лучше справляются с синтезом и дополнением изображений.
Generative Adversarial Networks are a pairing of Neural Networks that train off of each other for more accurate results. We adopt the conditional type of these networks as we look to possible application in forecasting Financial time series within an Expert Signal Class.
Техники мастера MQL5, которые вы должны знать (часть 16): Анализ главных компонент с собственными векторами
Анализ главных компонент (PCA) - это сосредоточение внимания только на "главных компонентах" среди множества измерений набора данных, что позволяет сократить размерность этого набора данных, игнорируя "непринципиальные" части.
Техники мастера MQL5, которые вы должны знать (часть 17): Мультивалютная торговля
Техники мастера MQL5, которые вы должны знать (часть 18): Поиск нейронной архитектуры с помощью собственных векторов
Техники мастера MQL5, которые вы должны знать (часть 20): Символическая регрессия
Мы продолжаем серию статей, в которых рассматриваем алгоритмы, которые можно быстро закодировать, протестировать и, возможно, даже развернуть, благодаря мастеру MQL5, который не только имеет библиотеку стандартных торговых функций и классов, сопровождающих закодированный советник, но и альтернативные торговые сигналы и методы, которые можно использовать параллельно с реализацией любого пользовательского класса.
Техники мастера MQL5, которые вы должны знать (часть 20): Символическая регрессия
Мы продолжаем серию статей, в которых рассматриваем алгоритмы, которые можно быстро закодировать, протестировать и, возможно, даже развернуть, благодаря мастеру MQL5, который не только имеет библиотеку стандартных торговых функций и классов, сопровождающих закодированный советник, но и альтернативные торговые сигналы и методы, которые можно использовать параллельно с реализацией любого пользовательского класса.
А на русском есть?
Эта ветка (где мы сейчас находимся) - авто-переводная ветка с англоязычного форума (это англоязычная ветка).
Если насчет статей, то ранние статьи переведены с английского на русский, японский, португальский, испанский и немецкий языки.
Более поздние статьи - пока нет.
Эта ветка (где мы сейчас находимся) - авто-переводная ветка с англоязычного форума (это англоязычная ветка).
Если насчет статей, то ранние статьи переведены с английского на русский, японский, португальский, испанский и немецкий языки.
Более поздние статьи - пока нет.
Техники мастера MQL5, которые вы должны знать (часть 22): Условные ГАНы
Условно-генеративные адверсарные сети ( cGAN) - это разновидность GAN, которая позволяет настраивать тип входных данных в своей генеративной сети. Как видно из общей ссылки и из чтения по теме, GAN представляют собой пару нейронных сетей: генератор и дискриминатор. Обе они обучаются или тренируются друг на друге, при этом генератор совершенствуется в генерации целевого вывода, а дискриминатор обучается на идентификации данных (они же поддельные данные) из генератора.
В чем преимущества cGAN для прогнозирования финансовых временных рядов? Доказательство, как говорится, в пудинге, поэтому мы проведем несколько тестов в конце статьи, как это принято, однако в распознавании образов GAN, безусловно, имеют определенное влияние, хотя они не так хороши, как CNN или ViT , из-за их вычислительных затрат. По имеющимся данным, они лучше справляются с синтезом и дополнением изображений.