性能并不是很令人惊奇，但基本上，该系统可以运行。 日期范围标记在报告图表上，从中获取训练数据，以便找到最佳的 “gamma” 和 “sigma”（以绿色突出显示），这些范围在测试器中以训练模式定义（以黄色突出显示），以及 EA 在未知数据上进行交易的范围（以粉色突出显示）。
解释预测和围绕该预测构建交易策略的方式可以不同。 特别是，在我们的测试 EA 中，有一个输入 PreviousTargetCheck（默认为 false）。 若启用它，将用另一套策略执行基于预测的交易：业务方向由最新预测相对于前一个预测的位置判定。 还有其他一些进一步的构想，则是尝试其他设置，例如 SOM 集簇，根据预测的走势强度更改手数大小，重新填充等。
新文章 预测时间序列（第 2 部分）：最小二乘支持向量机（LS-SVM）已发布：
本文交流的是基于支持向量法，预测时间序列算法的理论和实际应用。 它还提议采用 MQL 来实现，并提供了测试指标和智能交易系统。 该技术尚未在 MQL 中实现。 但是首先，我们必须了解相关的数学知识。
我们运行一遍测试。
EA LSSVMbot Report on XAUUSD D1, 2017-2020
性能并不是很令人惊奇，但基本上，该系统可以运行。 日期范围标记在报告图表上，从中获取训练数据，以便找到最佳的 “gamma” 和 “sigma”（以绿色突出显示），这些范围在测试器中以训练模式定义（以黄色突出显示），以及 EA 在未知数据上进行交易的范围（以粉色突出显示）。
解释预测和围绕该预测构建交易策略的方式可以不同。 特别是，在我们的测试 EA 中，有一个输入 PreviousTargetCheck（默认为 false）。 若启用它，将用另一套策略执行基于预测的交易：业务方向由最新预测相对于前一个预测的位置判定。 还有其他一些进一步的构想，则是尝试其他设置，例如 SOM 集簇，根据预测的走势强度更改手数大小，重新填充等。
作者：Stanislav Korotky