![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。
![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。
![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?
![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。
![数据科学和机器学习(第 13 部分):配合主成分分析(PCA)改善您的金融市场分析](https://c.mql5.com/2/52/pca_600x314.jpg)
数据科学和机器学习(第 13 部分):配合主成分分析(PCA)改善您的金融市场分析
运用主成分分析(PCA)彻底革新您的金融市场分析! 发现这种强大的技术如何解锁数据中隐藏的形态,揭示潜在的市场趋势,并优化您的投资策略。 在本文中,我们将探讨 PCA 如何为分析复杂的金融数据提供新的视角,揭示传统方法会错过的见解。 发掘 PCA 应用于金融市场数据如何为您带来竞争优势,并帮助您保持领先地位。
![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”。
![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。
![数据科学与机器学习(第 09 部分):K-最近邻算法(KNN)](https://c.mql5.com/2/50/k_nearest_neighbors_algorithm_knn_600x314.jpg)
数据科学与机器学习(第 09 部分):K-最近邻算法(KNN)
这是一种惰性算法,它不是基于训练数据集学习,而是以存储数据集替代,并在给定新样本时立即采取行动。 尽管它很简单,但它能用于各种实际应用。
![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。
![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。
![群体优化算法:粒子群(PSO)](https://c.mql5.com/2/49/cover_PSO_600x314.jpg)
群体优化算法:粒子群(PSO)
在本文中,我将研究流行的粒子群优化(PSO)算法。 之前,我们曾讨论过优化算法的重要特征,如收敛性、收敛率、稳定性、可伸缩性,并开发了一个测试台,并研究了最简单的 RNG 算法。
![神经网络变得轻松(第四十六部分):条件导向目标强化学习(GCRL)](https://c.mql5.com/2/55/Neural_Networks_Part_46_600x314.jpg)
神经网络变得轻松(第四十六部分):条件导向目标强化学习(GCRL)
在本文中,我们要看看另一种强化学习方式。 它被称为条件导向目标强化学习(GCRL)。 按这种方式,代理者经过训练,可以在特定场景中达成不同的目标。
![数据科学与机器学习(第 03 部分):矩阵回归](https://c.mql5.com/2/49/matrix_regression_600x314.jpg)
数据科学与机器学习(第 03 部分):矩阵回归
这一次,我们的模型是由矩阵构建的,它更具灵活性,同时它允许我们构建更强大的模型,不仅可以处理五个独立变量,但凡我们保持在计算机的计算极限之内,它还可以处理更多变量,这篇文章肯定会是一篇阅读起来很有趣的文章。
![种群优化算法:鱼群搜索(FSS)](https://c.mql5.com/2/50/Fish_School_cover_600x314.jpg)
种群优化算法:鱼群搜索(FSS)
鱼群搜索(FSS)是一种新的优化算法,其灵感来自鱼群中鱼的行为,其中大多数(高达 80%)游弋在有组织的亲属群落中。 经证明,鱼类的聚集在觅食效率和保护捕食者方面起着重要作用。
![神经网络实验(第 5 部分):常规化传输到神经网络的输入参数](https://c.mql5.com/2/53/neural_network_experiments-p5_600x314.jpg)
神经网络实验(第 5 部分):常规化传输到神经网络的输入参数
神经网络是交易者工具包中的终极工具。 我们来检查一下这个假设是否成立。 在交易中运用神经网络,MetaTrader 5 是最接近自给自足的媒介。 为此提供了一个简单的解释。
![神经网络实验(第 4 部分):模板](https://c.mql5.com/2/52/neural_network_experiments-004_600x314.jpg)
神经网络实验(第 4 部分):模板
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。 简单的解释。
![MQL5 中的矩阵和向量:激活函数](https://c.mql5.com/2/54/matrix_vector_600x314.jpg)
MQL5 中的矩阵和向量:激活函数
在此,我们将只讲述机器学习的一个方面 — 激活函数。 在人工神经网络中,神经元激活函数会根据一个或一组输入信号的数值,计算输出信号值。 我们将深入研究该过程的内部运作。
![种群优化算法:类电磁算法(EM - ElectroMagnetism)](https://c.mql5.com/2/52/ElectroMagnetism-like_algorithm_mx_600x314.jpg)
种群优化算法:类电磁算法(EM - ElectroMagnetism)
本文讲述在各种优化问题中采用电磁算法(EM - ElectroMagnetism)的原理、方法和可能性。 EM 算法是一种高效的优化工具,能够处理大量数据和多维函数。
![MQL5中的范畴论(第22部分):对移动平均的不同看法](https://c.mql5.com/2/58/Category-Theory-p22_600x314.jpg)
MQL5中的范畴论(第22部分):对移动平均的不同看法
在本文中,我们尝试通过只关注一个指标来简化对这些系列中所涵盖概念的说明,这是最常见的,可能也是最容易理解的。它就是移动平均。在这样做的时候,我们会探讨垂直自然变换的意义和可能的应用。
![数据科学与机器学习(第 07 部分):多项式回归](https://c.mql5.com/2/49/Data_Science_and_Machine_Learning_Part_07_Polynomial_Regression_600x314.jpg)
数据科学与机器学习(第 07 部分):多项式回归
与线性回归不同,多项式回归是一种很灵活的模型,旨在更好地执行线性回归模型无法处理的任务,我们来找出如何在 MQL5 中制作多项式模型,并据其做出积极东西。
![时间序列的频域表示:功率谱](https://c.mql5.com/2/54/power_spectrumn_600x314.jpg)
时间序列的频域表示:功率谱
在本文中,我们将讨论在频域中分析时间序列的相关方法。 构建预测模型时,强调检验时间序列功率谱的效用 在本文中,我们将讨论运用离散傅里叶变换(dft)在频域中分析时间序列获得的一些实用观点。
![您应该知道的 MQL5 向导技术(第 04 部分):线性判别分析](https://c.mql5.com/2/50/linear_discriminant_analysis_600x314.jpg)
您应该知道的 MQL5 向导技术(第 04 部分):线性判别分析
今天的交易者都是哲学家,几乎总是在寻找新的想法,尝试提炼它们,选择修改或丢弃它们:一个探索性的过程,肯定会花费相当的勤奋程度。 这些系列文章将提出 MQL5 向导应该是交易者在此领域努力的中流砥柱。
![MQL5 中的范畴论 (第 1 部分)](https://c.mql5.com/2/50/Category-Theory-001_600x314.jpg)
MQL5 中的范畴论 (第 1 部分)
范畴论是数学的一个多样化和不断扩展的分支,到目前为止,在 MQL 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念,其总体目标是建立一个开放的函数库,吸引评论和研讨,同时希望在交易者的策略开发中进一步在运用这一非凡的领域。
![MQL5 中的范畴论 (第 2 部分)](https://c.mql5.com/2/51/Category-Theory-part-2_600x314.jpg)
MQL5 中的范畴论 (第 2 部分)
范畴论是数学的一个多样化和不断扩展的分支,到目前为止,在 MQL5 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念,其总体目标是建立一个开放的函数库,吸引评论和研讨,同时希望在交易者的策略开发中进一步在运用这一非凡的领域。
![神经网络变得轻松(第三十七部分):分散关注度](https://c.mql5.com/2/53/NN_part_37_Sparse_Attention_600x314.jpg)
神经网络变得轻松(第三十七部分):分散关注度
在上一篇文章中,我们讨论了在其架构中使用关注度机制的关系模型。 这些模型的具体特征之一是计算资源的密集功用。 在本文中,我们将研究于自我关注度模块内减少计算操作数量的机制之一。 这将提高模型的常规性能。
![衡量指标信息](https://c.mql5.com/2/51/Measuring_Indicator_Information_600x314.jpg)
衡量指标信息
机器学习已成为策略制定的流行方法。 虽然人们更强调最大化盈利能力和预测准确性,但处理用于构建预测模型的数据的重要性,仍未受到太多关注。 在本文中,我们研究依据熵的概念来评估预测模型构建的指标的适配性,如 Timothy Masters 的《测试和优调市场交易系统》一书中所述。
![将您自己的LLM集成到EA中(第1部分):硬件和环境部署](https://c.mql5.com/2/59/Hardware_and_Environment_Deployment_up_600x314.jpg)
将您自己的LLM集成到EA中(第1部分):硬件和环境部署
随着人工智能的快速发展,大型语言模型(LLM)成为人工智能的重要组成部分,因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说,很难根据他们的需求对这些强大的模型进行微调,在本地部署,然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
![时间序列挖掘的数据标签(第1部分):通过EA操作图制作具有趋势标记的数据集](https://c.mql5.com/2/57/data-label-for-time-series-mining_600x314.jpg)
时间序列挖掘的数据标签(第1部分):通过EA操作图制作具有趋势标记的数据集
本系列文章介绍了几种时间序列标记方法,这些方法可以创建符合大多数人工智能模型的数据,而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计,提高我们模型的准确性,甚至帮助模型实现质的飞跃!