![并行粒子群优化](https://c.mql5.com/2/49/Parallel-Particle-Swarm-Optimization_600x314.jpg)
并行粒子群优化
本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现,它既可以在EA交易内部的单线程模式下使用,也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。
![数据科学与机器学习(第 06 部分):梯度下降](https://c.mql5.com/2/49/gradient_descent_600x314.jpg)
数据科学与机器学习(第 06 部分):梯度下降
梯度下降在训练神经网络和许多机器学习算法中起着重要作用。 它是一种快速而智能的算法,尽管它的工作令人印象深刻,但它仍然被许多数据科学家误解,我们来看看有关它的全部。
![数据科学与机器学习 — 神经网络(第 02 部分):前馈神经网络架构设计](https://c.mql5.com/2/49/feed_forward_nn_architectures_design_600x314.jpg)
数据科学与机器学习 — 神经网络(第 02 部分):前馈神经网络架构设计
在我们透彻之前,还有一些涵盖前馈神经网络的次要事情,设计就是其中之一。 针对我们的输入,看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。
![从头开始开发智能交易系统(第 19 部分):新订单系统 (II)](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_from_scratch_010_600x314.jpg)
从头开始开发智能交易系统(第 19 部分):新订单系统 (II)
在本文中,我们将开发一个“看看发生了什么”类型的图形订单系统。 请注意,我们这次不是从头开始,只不过我们将修改现有系统,在我们交易的资产图表上添加更多对象和事件。
![神经网络变得轻松(第三十四部分):全部参数化的分位数函数](https://c.mql5.com/2/50/Neural_Networks_Made_Easy_quantile-parameterized_600x314.jpg)
神经网络变得轻松(第三十四部分):全部参数化的分位数函数
我们继续研究分布式 Q-学习算法。 在之前的文章中,我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中,我们训练了给定数值范围的概率。 在第二种算法中,我们用给定的概率训练了范围。 在这两个发行版中,我们采用了一个先验分布知识,并训练了另一个。 在本文中,我们将研究一种算法,其允许模型针对两种分布进行训练。
![神经网络变得轻松(第四十三部分):无需奖励函数精通技能](https://c.mql5.com/2/54/NN_Simple_Part_43_600x314.jpg)
神经网络变得轻松(第四十三部分):无需奖励函数精通技能
强化学习的问题在于需要定义奖励函数。 它可能很复杂,或难以形式化。 为了定解这个问题,我们正在探索一些基于行动和基于环境的方式,无需明确的奖励函数即可学习技能。
![DoEasy 库中的其他类(第六十七部分):图表对象类](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__5.png)
![DoEasy 库中的其他类(第六十七部分):图表对象类](https://c.mql5.com/i/articles/overlay.png)
DoEasy 库中的其他类(第六十七部分):图表对象类
在本文中,我将创建图表对象类(单个交易金融产品图表),并改进 MQL5 信号对象的集合类,以便在更新列表时也能为存储在集合中的每个信号对象更新其所有参数。
![数据科学与机器学习(第 09 部分):以 MQL5 平铺直叙 K-均值聚类](https://c.mql5.com/2/50/k-means_clustering_600x314.jpg)
数据科学与机器学习(第 09 部分):以 MQL5 平铺直叙 K-均值聚类
数据挖掘在数据科学家和交易者看来至关重要,因为很多时候,数据并非如我们想象的那么简单。 人类的肉眼无法理解数据集中的不显眼底层形态和关系,也许 K-means 算法可以帮助我们解决这个问题。 我们来发掘一下...
![数据科学和机器学习(第 04 部分):预测当前股市崩盘](https://c.mql5.com/2/49/stock_market_crash_600x314.jpg)
数据科学和机器学习(第 04 部分):预测当前股市崩盘
在本文中,我将尝试运用我们的逻辑模型,基于美国经济的基本面,来预测股市崩盘,我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘,我们看看我们的模型在当前的厄运和低迷中会表现如何。
![如何利用 MQL5 创建简单的多币种智能交易系统(第 1 部分):基于 ADX 指标的信号,并结合抛物线 SAR](https://c.mql5.com/2/57/ADX_in_combination_with_Parabolic_SAR_600x314.jpg)
如何利用 MQL5 创建简单的多币种智能交易系统(第 1 部分):基于 ADX 指标的信号,并结合抛物线 SAR
本文中的多币种智能交易系统是交易机器人,它只能在单一品种图表中运营,但可交易(开单、平单和管理订单)超过一个品种对。
![神经网络变得轻松(第三十九部分):Go-Explore,一种不同的探索方式](https://c.mql5.com/2/54/NN_39_Go_Explore_600x314.jpg)
神经网络变得轻松(第三十九部分):Go-Explore,一种不同的探索方式
我们继续在强化学习模型中研究环境。 在本文中,我们将见识到另一种算法 — Go-Explore,它允许您在模型训练阶段有效地探索环境。
![从头开始开发智能交易系统(第 24 部分):提供系统健壮性(I)](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_003_600x314.jpg)
从头开始开发智能交易系统(第 24 部分):提供系统健壮性(I)
在本文中,我们将令系统更加可靠,来确保健壮和安全的使用。 实现所需健壮性的途径之一是尝试尽可能多地重用代码,从而能在不同情况下不断对其进行测试。 但这只是其中一种方式。 另一个是采用 OOP。
![神经网络实验(第 3 部分):实际应用](https://c.mql5.com/2/51/neural_network_experiments_p3_600x314.jpg)
神经网络实验(第 3 部分):实际应用
在本系列文章中,我会采用实验和非标准方法来开发一个可盈利的交易系统,并检查神经网络是否对交易者有任何帮助。 若在交易中运用神经网络,MetaTrader 5 则可作为近乎自给自足的工具。
![从头开始开发智能交易系统(第 16 部分):访问 web 上的数据(II)](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_from_scratch_007_600x314.jpg)
从头开始开发智能交易系统(第 16 部分):访问 web 上的数据(II)
掌握如何从网络向智能交易系统输入数据并非那么轻而易举。 如果不了解 MetaTrader 5 提供的所有可能性,就很难做到这一点。
![您应该知道的 MQL5 向导技术(第 05 部分):马尔可夫(Markov)链](https://c.mql5.com/2/51/markov_chains_600x314.jpg)
您应该知道的 MQL5 向导技术(第 05 部分):马尔可夫(Markov)链
马尔可夫(Markov)链是一个强大的数学工具,能够针对包括金融在内的各个领域的时间序列数据进行建模和预测。 在金融时间序列建模和预测中,马尔可夫链通常用于模拟金融资产随时间的演变,例如股票价格或汇率。 马尔可夫链模型的主要优点之一是其简单性和易用性。
![神经网络变得轻松(第二十四部分):改进迁移学习工具](https://c.mql5.com/2/49/Neural_Networks_Easy_016_600x314.jpg)
神经网络变得轻松(第二十四部分):改进迁移学习工具
在上一篇文章中,我们创建了一款用于创建和编辑神经网络架构的工具。 今天我们将继续打造这款工具。 我们将努力令其对用户更加友好。 也许可以看到,我们的主题往上更进一步。 但是,您不认为规划良好的工作空间在实现结果方面起着重要作用吗?
![创建多交易品种、多周期指标](https://c.mql5.com/2/59/multi-period_indicators_4_600x314.jpg)
创建多交易品种、多周期指标
在本文中,我们将研究创建多交易品种、多周期指标的原则。我们还将了解如何从 EA 交易和其他指标中获取此类指标的数据。我们将探讨在 EA 交易和指标中使用多指标的主要功能,并将了解如何通过自定义指标缓冲区绘制它们。
![神经网络变得轻松(第十八部分):关联规则](https://c.mql5.com/2/49/Neural_Networks_Easy_010_600x314.jpg)
神经网络变得轻松(第十八部分):关联规则
作为本系列文章的延续,我们来研究无监督学习方法中的另一类问题:挖掘关联规则。 这种问题类型首先用于零售业,即超市等,来分析市场篮子。 在本文中,我们将讨论这些算法在交易中的适用性。
![数据科学与机器学习(第 02 部分):逻辑回归](https://c.mql5.com/2/49/logistic_regression_600x314.jpg)
数据科学与机器学习(第 02 部分):逻辑回归
数据分类对于算法交易者和程序员来说是至关重要的。 在本文中,我们将重点关注一种分类逻辑算法,它有帮于我们识别“确定或否定”、“上行或下行”、“做多或做空”。
![重新审视一种旧时的趋势交易策略:两个随机振荡指标,一个移动平均指标和斐波那契线](https://c.mql5.com/2/56/tranding_strategy_600x314.jpg)
重新审视一种旧时的趋势交易策略:两个随机振荡指标,一个移动平均指标和斐波那契线
旧时的交易策略本文介绍了一种纯技术型的趋势跟踪策略。该策略纯粹是技术性的,使用一些技术指标和工具来传递信号和目标。该策略的组成部分如下:一个周期数为14的随机振荡指标,一个周期数为5的随机振荡指标,一个周期数为200的移动平均指标,一个斐波那契投影工具(用于设定目标)。
![您应该知道的 MQL5 向导技术(第 06 部分):傅里叶(Fourier)变换](https://c.mql5.com/2/54/fourier_transform_600x314.jpg)
您应该知道的 MQL5 向导技术(第 06 部分):傅里叶(Fourier)变换
约瑟夫·傅里叶(Joseph Fourier)引入的傅里叶变换是将复杂的数据波分解构为简单分量波的一种方法。 此功能对交易者来说可能更机敏,本文将对此进行关注。
![神经网络变得轻松(第十五部分):利用 MQL5 进行数据聚类](https://c.mql5.com/2/49/Neural_networks_made_easy_005_600x314.jpg)
神经网络变得轻松(第十五部分):利用 MQL5 进行数据聚类
我们继续研究聚类方法。 在本文中,我们将创建一个新的 CKmeans 类来实现最常见的聚类方法之一:k-均值。 在测试期间,该模型成功地识别了大约 500 种形态。
![DoEasy 函数库中的时间序列(第五十七部分):指标缓冲区数据对象](https://c.mql5.com/2/49/doeasy_057_600x314.jpg)
DoEasy 函数库中的时间序列(第五十七部分):指标缓冲区数据对象
在本文中,开发一个对象,其中包含一个指标的一个缓冲区的所有数据。 这些对象对于存储指标缓冲区的数据序列将是必需的。 在其的辅助下,才有可能对任何指标的缓冲区数据,以及其他类似数据进行排序和比较。
![数据科学和机器学习(第 14 部分):运用 Kohonen 映射在市场中寻找出路](https://c.mql5.com/2/52/data_science_ml_kohonen_maps_014_600x314.jpg)
数据科学和机器学习(第 14 部分):运用 Kohonen 映射在市场中寻找出路
您是否正在寻找一种可以帮助您驾驭复杂且不断变化的市场的尖端交易方法? Kohonen 映射是一种创新的人工神经网络形式,可以帮助您发现市场数据中隐藏的形态和趋势。 在本文中,我们将探讨 Kohonen 映射的工作原理,以及如何运用它们来开发更智能、更有效的交易策略。 无论您是经验丰富的交易者,还是刚刚起步,您都不想错过这种令人兴奋的新交易方式。
![神经网络变得轻松(第二十九部分):优势扮演者-评价者算法](https://c.mql5.com/2/49/Neural_Networks_Easy_021_600x314.jpg)
神经网络变得轻松(第二十九部分):优势扮演者-评价者算法
在本系列的前几篇文章中,我们见识到两种增强的学习算法。 它们中的每一个都有自己的优点和缺点。 正如在这种情况下经常发生的那样,接下来的思路是将这两种方法合并到一个算法,使用两者间的最佳者。 这将弥补它们每种的短处。 本文将讨论其中一种方法。
![使用MQL5轻松创建图形面板](https://c.mql5.com/2/56/creating_graphical_panels_600x314.jpg)
使用MQL5轻松创建图形面板
在这篇文章中,我们将为任何需要创建交易中最有价值和最有用的工具之一的人提供一个简单易行的指南,即简化和轻松执行交易任务的图形面板,这有助于节省时间,并在不受任何干扰的情况下更多地关注您的交易过程本身。