![第三代神经网络:深度网络](https://c.mql5.com/2/12/Deep_neural_network_MetaTrader5__2.png)
![第三代神经网络:深度网络](https://c.mql5.com/i/articles/overlay.png)
第三代神经网络:深度网络
本文致力于介绍一种新的有前景的机器学习方向 — 深度学习或者更准确的说,深度神经网络。简要回顾第二代神经网络,它们的连结架构和主要类型,学习的方法和规则以及缺点,随后介绍第三代神经网络的发展,它们的主要类型,特点和学习方法。创建并训练一个深度神经网络,由真实数据通过堆栈式自动编码器权重进行初始化。从输入数据的选择到数量化求解的所有步骤都会详细讲述。文章的最后部分包含一个深度神经网络的EA实例,其中带有一个MQL4/R的内置指标。
![机器学习模型的变量评估和选择](https://c.mql5.com/2/20/machine_learning.png)
![机器学习模型的变量评估和选择](https://c.mql5.com/i/articles/overlay.png)
机器学习模型的变量评估和选择
本文重点介绍机器学习模型中输入变量(预测因子)的选择,预处理以及评估的相关细节。同时将探讨新的方法和预测因子深度分析及其对模型过度拟合可能的影响。模型的总体效果很大程度上取决于这一阶段的结果。我们将分析两个包,它们分别提供预测因子选择的新老方法。
![深度神经网络 (第五部分)。 DNN 超参数的贝叶斯优化](https://c.mql5.com/2/48/Deep_Neural_Networks_05.png)
![深度神经网络 (第五部分)。 DNN 超参数的贝叶斯优化](https://c.mql5.com/i/articles/overlay.png)
深度神经网络 (第五部分)。 DNN 超参数的贝叶斯优化
本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数,获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。
![神经网络: 智能交易系统自我优化](https://c.mql5.com/2/24/Red_Neuronal.png)
![神经网络: 智能交易系统自我优化](https://c.mql5.com/i/articles/overlay.png)
神经网络: 智能交易系统自我优化
是否有可能开发一款能够根据代码命令, 定期优化开仓和平仓条件的智能交易系统?如果我们以模块化的形式实现一个神经网络 (多层感知器) 来分析历史并提供策略, 会发生什么?我们可以做到 EA 每月(每周, 每天或每小时) 进行神经网络优化, 然后继续其工作。因此, 我们可以开发一款自我优化 EA。
![神经网络:从理论到实践](https://c.mql5.com/2/0/ava_seti.png)
![神经网络:从理论到实践](https://c.mql5.com/i/articles/overlay.png)
神经网络:从理论到实践
现在,每一位交易者肯定听说过神经网络并知道使用它们有多酷。大多数人相信那些能够使用神经网络的人是某种超人。在本文中,我将尝试向您解释神经网络架构,描述其应用并提供几个实践例子。
![神经网络轻松制作](https://c.mql5.com/2/49/Neural_Networks_Easy_002_600x314.jpg)
神经网络轻松制作
人工智能往往伴随着极其复杂和难以理解的事物。 同时,人工智能在日常生活中也越来越多地被提及。 不同的媒体也经常发布有关运用神经网络成就的新闻。 本文的目在于展示任何人都可以轻松创建神经网络,并在交易中运用 AI 成就。
![深度神经网络 (第 I 部)。准备数据](https://c.mql5.com/2/48/Deep_Neural_Networks_01.png)
![深度神经网络 (第 I 部)。准备数据](https://c.mql5.com/i/articles/overlay.png)
深度神经网络 (第 I 部)。准备数据
本系列文章继续探索深度神经网络 (DNN) 在众多应用领域 (包括交易) 中的运用。在此会探索本主题的新维度, 同时使用实际的实验测试新的方法和思路。本系列的第一篇文章致力于为 DNN 准备数据。
![深度神经网络 (第七部分)。 神经网络的融合: 堆叠](https://c.mql5.com/2/48/Deep_Neural_Networks_07.png)
![深度神经网络 (第七部分)。 神经网络的融合: 堆叠](https://c.mql5.com/i/articles/overlay.png)
深度神经网络 (第七部分)。 神经网络的融合: 堆叠
我们继续构建融合。 这次,之前创建的融合袋将辅以可训练的合并器 — 深度神经网络。 一个神经网络在修剪后合并了 7 个最佳融合输出。 第二个将融合的所有 500 个输出作为输入,修剪并合并它们。 神经网络将使用 Python 的 keras/TensorFlow 软件包构建。 该软件包的功能也会简要介绍。 还会进行测试并比较装型融合和堆叠融合的分类品质。
![深度神经网络 (第 IV 部)。创建, 训练和测试神经网络模型](https://c.mql5.com/2/48/Deep_Neural_Networks_04.png)
![深度神经网络 (第 IV 部)。创建, 训练和测试神经网络模型](https://c.mql5.com/i/articles/overlay.png)
深度神经网络 (第 IV 部)。创建, 训练和测试神经网络模型
本文将研究 darch 软件包的新功能 (v.0.12.0)。它包含具有不同数据类型, 不同结构和训练顺序的深度神经网络训练的描述。培训结果也包括在内。
![深度神经网络 (第六部分)。 神经网络分类器的融合: 引导聚合](https://c.mql5.com/2/48/Deep_Neural_Networks_06.png)
![深度神经网络 (第六部分)。 神经网络分类器的融合: 引导聚合](https://c.mql5.com/i/articles/overlay.png)
深度神经网络 (第六部分)。 神经网络分类器的融合: 引导聚合
本文讨论了用引导聚合结构构建并训练神经网络融合的方法。 它还确定了构成融合的各独立神经网络分类器的超参数优化的特性。 本文中所创建的神经网络融合的品质将与该系列前一篇文章中获得的优化神经网络的品质进行比较。 已考虑到进一步提高融合分类品质的可能性。
![深度神经网络 (第 III 部)。样品选择和降维](https://c.mql5.com/2/48/Deep_Neural_Networks_03.png)
![深度神经网络 (第 III 部)。样品选择和降维](https://c.mql5.com/i/articles/overlay.png)
深度神经网络 (第 III 部)。样品选择和降维
本文是一系列有关深层神经网络的延续文章。在此, 我们将研究选择样本 (消除噪声), 降低输入数据的维度, 并在数据准备期间将数据集合划分为训练/验证/测试集合, 以便训练神经网络。
![网格和马丁格尔交易系统中的机器学习。 您敢为其打赌吗?](https://c.mql5.com/2/49/8826_ml_grid_martingale_600x314.jpg)
网格和马丁格尔交易系统中的机器学习。 您敢为其打赌吗?
本文介绍了应用于网格和马丁格尔交易的机器学习技术。 令人惊讶的是,这种方法在全球网络中难觅踪迹。 阅读过本文之后,您将能够创建自己的交易机器人。
![物美价廉的神经网络 - 链接 NeuroPro 与 MetaTrader 5](https://c.mql5.com/2/12/NeuroPro_MetaTrader4_neural_net.png)
![物美价廉的神经网络 - 链接 NeuroPro 与 MetaTrader 5](https://c.mql5.com/i/articles/overlay.png)
物美价廉的神经网络 - 链接 NeuroPro 与 MetaTrader 5
是否用于交易的特殊神经网络程序好似很昂贵和复杂,或是与此相反,太简单?来试试 NeuroPro。它是免费的,并且包含针对业余爱好者的最佳功能集合。这篇文章将告诉您如何结合 MetaTrader 5 来使用它。
![连接 NeuroSolutions 神经网络](https://c.mql5.com/2/0/neural_DLL.png)
![连接 NeuroSolutions 神经网络](https://c.mql5.com/i/articles/overlay.png)
连接 NeuroSolutions 神经网络
除了创建神经网络,NeuroSolutions 软件套件允许将它们导出为 DLL。本文介绍创建神经网络、生成 DLL 并将其连接至"EA 交易"以在 MetaTrader 5 中交易的过程。
![神经网络在交易中的实际应用。 是时候进行实践了](https://c.mql5.com/2/49/Practical_application_of_neural_networks_in_trading_002_600x314.jpg)
神经网络在交易中的实际应用。 是时候进行实践了
本文提供了在 Matlab 平台上实际运用神经网络模块的讲述和指南。 它还涵盖了运用神经网络模块创建交易系统的主要方面。 为了能够在一篇文章中厘清复杂内容,我必须对其进行修改,从而在一个程序中组合若干个神经网络模块函数。
![多层感知器和反向传播算法(第二部分):利用 Python 实现并与 MQL5 集成](https://c.mql5.com/2/49/Multilayer-perceptron-and-backpropagation-algorithm_002_600x314.jpg)
多层感知器和反向传播算法(第二部分):利用 Python 实现并与 MQL5 集成
有一个 Python 程序包可用于开发与 MQL 的集成,它提供了大量机会,例如数据探索、创建和使用机器学习模型。 集成在 MQL5 内置的 Python,能够创建各种解决方案,从简单的线性回归、到深度学习模型。 我们来看看如何设置和准备开发环境,以及如何使用一些机器学习函数库。
![机器学习:支持向量机如何应用于交易](https://c.mql5.com/2/0/iStock_000020410350_Small.png)
![机器学习:支持向量机如何应用于交易](https://c.mql5.com/i/articles/overlay.png)
机器学习:支持向量机如何应用于交易
长时间以来,支持向量机一直被应用于生物信息学和应用数学等领域,以评估复杂数据集以及提取可用于数据分类的有用模式。本文会研究何为支持向量机、它们的工作方式,以及为什么说它们在提取复杂模式时非常有用。之后,我们再研究如何将其应用于市场,并发挥交易建议的潜在作用。本文将提供使用支持向量机学习工具的有效示例,让读者能够试验自己的交易。
![神经网络变得轻松(第二部分):网络训练和测试](https://c.mql5.com/2/49/Neural_Networks_Easy_001_600x314.jpg)
神经网络变得轻松(第二部分):网络训练和测试
在第二篇文章中,我们将继续研究神经网络,并研究在智能交易系统当中调用我们所创建 CNet 类的示例。 我们将操控两个神经网络模型,它们在训练时间和预测准确性方面都表现出相似的结果。
![神经网络变得轻松(第十一部分):自 GPT 获取](https://c.mql5.com/2/49/Neural_networks_made_easy_001_600x314.jpg)
神经网络变得轻松(第十一部分):自 GPT 获取
也许,GPT-3 是目前已有语言类神经网络中最先进的模型之一,它的最大变体可包含 1750 亿个参数。 当然,我们不打算在家用 PC 上创建如此庞然之物。 然而,我们可以看看在我们的操作中能够采用哪种体系解决方案,以及如何从中受益。
![数据科学与机器学习(第 01 部分):线性回归](https://c.mql5.com/2/49/linear_regression_600x314.jpg)
数据科学与机器学习(第 01 部分):线性回归
我们作为交易员,现在是时候基于数字所言来培训我们的系统,并自行制定决策了。 尽管我们的眼睛看不到,但我们的勇气让我们相信,这是世界前进的方向,所以,让我们顶着波浪的方向移动。
![多层感知机与反向传播算法](https://c.mql5.com/2/49/Multilayer-perceptron-and-backpropagation-algorithm_001_600x314.jpg)
多层感知机与反向传播算法
这两种方法的普及性日益增加,因此在 Matlab、R、Python、C++ 等领域开发了大量的库,它们接收到一个训练集作为输入,并自动为问题创建合适的网络。让我们试着理解基本的神经网络类型是如何工作的(包括单神经元感知机和多层感知机)。我们将探讨一个令人兴奋的算法,它负责网络训练 - 梯度下降和反向传播。现有的复杂模型往往基于这样简单的网络模型。
![无需 Python 或 R 语言知识的 Yandex CatBoost 机器学习算法](https://c.mql5.com/2/49/CatBoost-machine-learning-algorithm-from-Yandex-with-no-Python-or-R-knowledge-required_600x314.jpg)
无需 Python 或 R 语言知识的 Yandex CatBoost 机器学习算法
本文通过一个具体的例子提供了机器学习过程的主要阶段的代码和描述。您不需要 Python 或 R 语言知识就能够获得模型。此外,基本的MQL5知识已经足够了- 这正是我的水平。因此,我希望这篇文章能为广大读者提供一个很好的指导,帮助那些对评估机器学习能力感兴趣的人,并在他们的课程中实现这些能力。
![神经网络在交易中的实际应用 (第二部分). 计算机视觉](https://c.mql5.com/2/49/Practical_application_of_neural_networks_in_trading_001_600x314.jpg)
神经网络在交易中的实际应用 (第二部分). 计算机视觉
利用计算机视觉可以训练神经网络对价格图表和指标的直观表示。这种方法可以对整个复杂的技术指标进行更广泛的操作,因为不需要将它们以数字形式输入神经网络。
![神经网络变得轻松(第六部分):神经网络学习率实验](https://c.mql5.com/2/49/Neural_Networks_Easy_006_600x314.jpg)
神经网络变得轻松(第六部分):神经网络学习率实验
我们之前已研究过各种类型的神经网络及其实现。 在所有情况下,训练神经网络时都使用梯度下降法,为此我们需要选择学习率。 在本文中,我打算通过示例展示正确选择学习率的重要性,及其对神经网络训练的影响。
![神经网络变得轻松(第四十五部分):训练状态探索技能](https://c.mql5.com/2/55/Neural_Networks_Part_45_600x314.jpg)
神经网络变得轻松(第四十五部分):训练状态探索技能
在没有明确奖励函数的情况下,实用的训练技能就是分层强化学习的主要挑战之一。 以前,我们已领略了解决此问题的两种算法。 但环境研究的完整性问题仍然悬而未决。 本文演示了一种不同的技能训练方式,其可取决于系统的当前状态直接使用。
![梯度提升(CatBoost)在交易系统开发中的应用. 初级的方法](https://c.mql5.com/2/49/finding_seasonal_patterns_catboost_600x314.jpg)
梯度提升(CatBoost)在交易系统开发中的应用. 初级的方法
在 Python 中训练 CatBoost 分类器,并将模型导出到mql5,以及解析模型参数和自定义策略测试程序。Python 语言和 MetaTrader 5 库用于准备数据和训练模型。
![MQL5 中的矩阵和向量](https://c.mql5.com/2/49/matrix_vectors_mql5_600x314.jpg)
MQL5 中的矩阵和向量
运用特殊的数据类型“矩阵”和“向量”,可以创建非常贴合数学符号本意的代码。 运用这些方法,您可以避免创建嵌套循环,或在计算中分心记忆正确的数组索引。 因此,矩阵和向量方法的运用能为开发复杂程序提高可靠性和速度。
![神经网络变得轻松(第五部分):OpenCL 中的多线程计算](https://c.mql5.com/2/49/Neural_Networks_Easy_005_600x314.jpg)
神经网络变得轻松(第五部分):OpenCL 中的多线程计算
我们早前已经讨论过某些类型的神经网络实现。 在所研究的网络中,每个神经元都重复相同的操作。 逻辑上进一步应利用现代技术提供的多线程计算功能来加快神经网络学习过程。 本文介绍了一种可能的实现方式。
![神经网络变得轻松(第四部分):循环网络](https://c.mql5.com/2/49/Neural_Networks_Easy_004_600x314.jpg)
神经网络变得轻松(第四部分):循环网络
我们继续研究神经网络的世界。 在本文中,我们将研究另一种类型的神经网络,循环网络。 此类型建议与时间序列配合使用,其在 MetaTrader 5 交易平台中由价格图表呈现。
![神经网络变得轻松(第十部分):多目击者关注](https://c.mql5.com/2/49/Neural_Networks_Easy_009_600x314.jpg)
神经网络变得轻松(第十部分):多目击者关注
我们以前曾研究过神经网络中的自关注机制。 在实践中,现代神经网络体系结构会采用多个并行的自关注线程来查找序列元素之间的各种依存关系。 我们来研究这种方法的实现,并评估其对整体网络性能的影响。