关于交易中机器学习的文章

在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证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的话， MetaTrader 5 完全可作为一款自给自足的工具。

概率交易就像走钢丝一样 — 它需要精确、平衡和对风险的敏锐理解。 在交易世界中，概率就是一切。 这是成功与失败、盈利与亏损的区别。 通过利用概率的力量，交易者可以做出明智的决策，有效地管理风险，并实现他们的财务目标。 故此，无论您是经验丰富的投资者还是交易新手，了解概率都是解锁您的交易潜能的关键。 在本文中，我们将探索令人兴奋的概率交易世界，并向您展示如何将您的交易博弈提升到一个新的水平。

在之前的文章中，我们已经测试了组织规划神经网络的各种选项。 我们还研究了自图像处理算法中借鉴而来的卷积网络。 在本文中，我建议研究关注机制，它的出现为开发语言模型提供了动力。

这次我将分析蚁群优化算法。 该算法非常有趣且复杂。 在本文中，我尝试创建一种新型的 ACO。

决策树模仿人类的方式针对数据进行分类。 我们看看如何构建这棵树，并利用它们来分类和预测一些数据。 决策树算法的主要目标是将含有杂质的数据分离成纯节点或靠近节点。

在本文中，我们将探讨利用真实数据的主动机器学习方法，并讨论它们的优缺点。也许你会发现这些方法很有用，并将它们包含在你的机器学习模型库中。直推是由支持向量机（SVM）的共同发明者弗拉基米尔·瓦普尼克（Vladimir Vapnik）提出的。

本文提供了一个的示例，运用感知器作为自给自足的价格预测工具，展示其一般概念和最简单的已制备智能系统，然后是其优化结果。

我们继续研究无监督学习算法。 一些读者可能对最近发表的与神经网络主题的相关性有疑问。 在这篇新文章中，我们回到了对神经网络的研究。

在本文中，我将研究萤火虫算法（FA）优化方法。 致谢优化修订，该算法已从局外人变成了评级表上的真正领先者。

岭回归是一种简单的技术，可降低模型复杂度，并防止简单线性回归可能导致的过度拟合。

您是否厌倦了持续尝试预测股市？ 您是否希望有一个水晶球来帮助您做出更明智的投资决策？ 自训练神经网络可能是您一直在寻找的解决方案。 在本文中，我们将探讨这些强大的算法是否可以帮助您“乘风破浪”，并跑赢股市。 通过分析大量数据和识别形态，自训练神经网络通常可以做出比人类交易者更准确的预测。 发现如何使用这项尖端技术来最大化您的盈利，并制定更明智的投资决策。

我们继续研究强化学习算法。 到目前为止，我们所研究的所有算法都需要创建一个奖励政策，从而令代理者能够每次从一个系统状态过渡到另一个系统状态的转换中估算其每个动作。 然而，这种方式人为因素相当大。 在实践中，动作和奖励之间存在一些时间滞后。 在本文中，我们将领略一种模型训练算法，该算法可以操控从动作到奖励的各种时间延迟。

我们已经经历了很长一段路，并且函数库中的代码越来越庞大。 这令跟踪所有连接和依赖性变得难以维护。 因此，我建议为先前创建的代码创建文档，并保持伴随每个新步骤进行更新。 正确准备的文档将有助我们看到操作的完整性。

许多人喜欢它们，但却只有少数人理解神经网络背后的整个操作。 在本文中，我尝试用淳朴的语言来解释前馈多层感知，解密其封闭大门背后的一切。

我们继续研究无监督学习算法。 这次我建议我们讨论自动编码器应用于递归模型训练时的特性。

我将研究的下一个算法是 Levy 飞行正在使用的杜鹃搜索优化。 这是最新的优化算法之一，也是排行榜的新领导者。

在本文中，我将研究猴子优化算法（MA）。 这些动物克服困难障碍，并到达最难以接近的树顶的能力构成了 MA 算法思想的基础。

在本部分中，我们将继续讨论人工智能模型。 即，我们研究无监督学习算法。 我们已经讨论了众多聚类算法之一。 在本文中，我将分享一种解决与降维相关问题的方法。

我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。

在上一篇文章中，我们开始探索非梯度优化方法。 我们领略了遗传算法。 今天，我们将继续这个话题，并将研究另一类进化算法。

在最晚的两篇文章中，我们开发了一个创建和编辑神经网络模型的工具。 现在是时候通过实践示例来评估迁移学习技术的潜在用途了。

我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。

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。

在上一篇文章中讨论的强化学习模型中，我们用到了卷积网络的各种变体，这些变体能够识别原始数据中的各种对象。 卷积网络的主要优点是能够识别对象，无关它们的位置。 与此同时，当物体存在各种变形和噪声时，卷积网络并不能始终表现良好。 这些是关系模型可以解决的问题。

我们来研究一种最新的现代优化算法 — 灰狼优化。 测试函数的原始行为令该算法成为以前研究过的算法中最有趣的算法之一。 这是训练神经网络的顶级算法之一，具有许多变量的平滑函数。

回归是一项依据未标记样本预测真实数值的任务。 所谓的回归衡量度则是用来评估回归模型的预测准确性。

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。

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...

我们继续研究分布式 Q-学习。 今天我们将从另一个角度来看待这种方式。 我们将研究使用分位数回归来解决价格预测任务的可能性。

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。

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。

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。

ONNX（开放式神经网络交换）是一种开源的机器学习模型格式。 在本文中，我们将研究如何创建 CNN-LSTM 模型，来预测金融时间序列。 我们还将展示如何在 MQL5 智能系统中运用创建的 ONNX 模型。