新しい記事を追加
MQL5-Telegram統合エキスパートアドバイザーの作成（第6回）：レスポンシブなインラインボタンの追加
MQL5-Telegram統合エキスパートアドバイザーの作成（第6回）：レスポンシブなインラインボタンの追加
この記事では、インタラクティブなインラインボタンをMQL5エキスパートアドバイザー(EA)に統合し、Telegram経由でリアルタイムにコントロールできるようにします。各ボタンを押すたびに特定のアクションがトリガーされ、ユーザーにレスポンスが返されます。また、Telegramメッセージやコールバッククエリを効率的に処理するための関数もモジュール化します。
知っておくべきMQL5ウィザードのテクニック（第38回）：ボリンジャーバンド
知っておくべきMQL5ウィザードのテクニック（第38回）：ボリンジャーバンド
ボリンジャーバンドは、多くのトレーダーが手動で取引を発注し、決済するために使用する、非常に一般的なエンベロープ指標です。この指標が生成する可能性のあるシグナルをできるだけ多く検討し、ウィザードで組み立てたエキスパートアドバイザー(EA)でどのように使用できるかを見ていきます。
Connexus入門（第１回）：WebRequest関数の使い方
Connexus入門（第１回）：WebRequest関数の使い方
この記事は、MQL5でHTTPリクエストを容易にするための「Connexus」と呼ばれるライブラリの開発シリーズの始まりです。このプロジェクトの目標は、エンドユーザーにこの機会を提供し、このヘルパーライブラリーの使い方を示すことです。学習を容易にし、将来の発展の可能性を提供するために、できるだけシンプルにすることを意図しました。
知っておくべきMQL5ウィザードのテクニック（第37回）：線形カーネルとMatérnカーネルによるガウス過程回帰
知っておくべきMQL5ウィザードのテクニック（第37回）：線形カーネルとMatérnカーネルによるガウス過程回帰
線形カーネルは、線形回帰やサポートベクターマシンの機械学習で使用される、この種の行列の中で最も単純な行列です。一方、Matérnカーネルは、以前の記事で紹介したRBF (Radial Basis Function)をより汎用的にしたもので、RBFが想定するほど滑らかではない関数をマッピングするのに長けています。売買条件を予測する際に、両方のカーネルを利用するカスタムシグナルクラスを構築します。
確率最適化と最適制御の例
確率最適化と最適制御の例
SMOC（Stochastic Model Optimal Controlの略と思われる）と名付けられたこのエキスパートアドバイザー(EA)は、MetaTrader 5用の高度なアルゴリズム取引システムのシンプルな例です。テクニカル指標、モデル予測制御、動的リスク管理を組み合わせて取引判断をおこないます。このEAには、適応パラメーター、ボラティリティに基づくポジションサイジング、トレンド分析が組み込まれており、さまざまな市場環境においてパフォーマンスを最適化します。
MQL5入門（第9回）：MQL5のオブジェクトの理解と使用
MQL5入門（第9回）：MQL5のオブジェクトの理解と使用
現在のデータと履歴データを使用して、MQL5でチャートオブジェクトを作成およびカスタマイズする方法を学びます。このプロジェクトベースのガイドは、取引を可視化し、MQL5の概念を実際に適用するのに役立ち、取引のニーズに合わせたツールの構築が容易になります。
MQL5-Telegram統合エキスパートアドバイザーの作成（第5回）：TelegramからMQL5にコマンドを送信し、リアルタイムの応答を受信する
MQL5-Telegram統合エキスパートアドバイザーの作成（第5回）：TelegramからMQL5にコマンドを送信し、リアルタイムの応答を受信する
この記事では、MQL5とTelegram間のリアルタイム通信を容易にするためのいくつかのクラスを作成します。Telegramからコマンドを取得し、それをデコードして解釈し、適切な応答を送り返すことに重点を置きます。最終的には、これらの相互作用が取引環境内で効果的にテストされ、運用されていることを確認します。
知っておくべきMQL5ウィザードのテクニック（第36回）：マルコフ連鎖を用いたQ学習
知っておくべきMQL5ウィザードのテクニック（第36回）：マルコフ連鎖を用いたQ学習
強化学習は、教師あり学習、教師なし学習と並んで、機械学習における3つの主要な考え方の1つです。そのため、最適制御、つまり目的関数に最も適した長期的な方針を学習することに関心があります。このような背景から、ウィザードが作成したEAのMLPの学習プロセスにおいて、MLPがどのような役割を果たす可能性があるのかを探ります。
多通貨エキスパートアドバイザーの開発（第12回）：プロップトレーディングレベルのリスクマネージャーの育成
多通貨エキスパートアドバイザーの開発（第12回）：プロップトレーディングレベルのリスクマネージャーの育成
開発中のEAには、ドローダウンを制御するための特定のメカニズムがすでに備わっています。しかし、これは過去の価格データに対するテストの結果に基づいているため、本質的には確率的です。したがって、ドローダウンは最大予想値を超える場合があります (ただし、確率は小さいです)。指定されたドローダウン レベルへの準拠を保証するメカニズムを追加してみましょう。
MQL5-Telegram統合エキスパートアドバイザーの作成（第4回）：関数コードのモジュール化による再利用性の向上
MQL5-Telegram統合エキスパートアドバイザーの作成（第4回）：関数コードのモジュール化による再利用性の向上
の記事では、MQL5からTelegramへのメッセージおよびスクリーンショット送信に使用されている既存コードを、再利用可能なモジュール関数へと整理し、リファクタリングをおこないます。これによりプロセス全体が効率化され、複数インスタンスでの実行効率が高まるだけでなく、コードの管理も容易になります。
知っておくべきMQL5ウィザードのテクニック（第34回）：非従来型RBMによる価格の埋め込み
知っておくべきMQL5ウィザードのテクニック（第34回）：非従来型RBMによる価格の埋め込み
制限ボルツマンマシンは、1980年代半ば、計算資源が非常に高価だった時代に開発されたニューラルネットワークの一種です。当初は、入力された訓練データセットの次元を削減し、隠れた確率や特性を捉えるために、ギブスサンプリングとコントラストダイバージェンス（Contrastive Divergence）に依存していました。RBMが予測用の多層パーセプトロンに価格を「埋め込む」場合、バックプロパゲーションがどのように同様の性能を発揮できるかを検証します。
MQL5-Telegram統合エキスパートアドバイザーの作成（第3回）：MQL5からTelegramにキャプション付きチャートのスクリーンショットを送信する
MQL5-Telegram統合エキスパートアドバイザーの作成（第3回）：MQL5からTelegramにキャプション付きチャートのスクリーンショットを送信する
この記事では、チャートのスクリーンショットを画像データとしてエンコードし、HTTPリクエストを通じてTelegramチャットに送信するMQL5のエキスパートアドバイザー(EA)を作成します。この画像のエンコードと送信の統合によって、既存のMQL5-Telegramシステムが強化され、Telegram上で直接視覚的な取引洞察を提供できるようになります。
知っておくべきMQL5ウィザードのテクニック（第32回）：正則化
知っておくべきMQL5ウィザードのテクニック（第32回）：正則化
正則化とは、ニューラルネットワークのさまざまな層全体に適用される離散的な重み付けに比例して、損失関数にペナルティを与える形式です。様々な正則化形式について、ウィザードで組み立てたEAを使ったテスト実行で、この正則化が持つ重要性を見てみます。
古典的な戦略を再構築する（第5回）：USDZARの多銘柄分析
古典的な戦略を再構築する（第5回）：USDZARの多銘柄分析
この連載では、古典的な戦略を再検討し、AIを使って戦略を改善できるかどうかを検証します。今日の記事では、複数の相関する証券をまとめて分析するという一般的な戦略について検討し、エキゾチックな通貨ペアであるUSDZAR（米ドル/南アフリカランド）に焦点を当てます。
Candlestick Trend Constraintモデルの構築（第8回）：エキスパートアドバイザーの開発 (I)
Candlestick Trend Constraintモデルの構築（第8回）：エキスパートアドバイザーの開発 (I)
今回は、前回の記事で作成した指標を元に、MQL5で最初のエキスパートアドバイザー(EA)を作成します。リスク管理を含め、取引プロセスを自動化するために必要な全機能を紹介します。これにより、手動の取引執行から自動化されたシステムへとスムーズに移行できるメリットがあります。
MQL5の統合：Python
MQL5の統合：Python
Pythonは、特に金融、データサイエンス、人工知能、機械学習の分野で多くの特徴を持つ、よく知られた人気のプログラミング言語です。また、Pythonは取引にも有効な強力なツールです。MQL5では、この強力な言語を統合して使用することで、目的を効果的に達成することができます。本記事では、Pythonの基本的な情報を学んだ後、MQL5でPythonを統合して使用する方法を紹介します。
多通貨エキスパートアドバイザーの開発（第11回）：最適化の自動化（最初のステップ）
多通貨エキスパートアドバイザーの開発（第11回）：最適化の自動化（最初のステップ）
良いEAを得るためには、取引戦略の複数のインスタンスから優れたパラメータセットを選択する必要があります。これを実現するためには、さまざまな銘柄で最適化を行い、最良の結果を選ぶという手動のプロセスがあります。しかし、この作業をプログラムに任せ、より生産的な活動に専念したほうが効率的です。
アルゴリズム取引のリスクマネージャー
アルゴリズム取引のリスクマネージャー
本稿の目的は、リスクマネージャーを利用する必要性を証明し、アルゴリズム取引におけるリスク管理の原則を別クラスで実践することで、金融市場におけるデイ取引と投資におけるリスク標準化アプローチの有効性を誰もが検証できるようにすることです。この記事では、アルゴリズム取引用のリスクマネージャークラスを作成します。これは、手動取引のリスクマネージャーの作成について述べた前回の記事の論理的な続きです。
多通貨エキスパートアドバイザーの開発（第10回）：文字列からオブジェクトを作成する
多通貨エキスパートアドバイザーの開発（第10回）：文字列からオブジェクトを作成する
エキスパートアドバイザー(EA)の開発計画は複数の段階で構成されており、中間結果はデータベースに保存されます。しかし、これらの結果はオブジェクトとしてではなく、文字列や数値としてのみ抽出できます。したがって、データベースから読み込んだ文字列を基に、EAで目的のオブジェクトを再構築する方法が必要です。
ニューラルネットワークが簡単に（第88回）：Time-series Dense Encoder (TiDE)
ニューラルネットワークが簡単に（第88回）：Time-series Dense Encoder (TiDE)
研究者たちは、より正確な予測を得るために、しばしばモデルを複雑化します。しかし、その結果として、モデルの訓練やメンテナンスにかかるコストも増加します。この増大したコストは常に正当化されるのでしょうか。本記事では、シンプルで高速な線形モデルの特性を活かし、複雑なアーキテクチャを持つ最新モデルに匹敵する結果を示すアルゴリズムを紹介します。
知っておくべきMQL5ウィザードのテクニック（第31回）：損失関数の選択
知っておくべきMQL5ウィザードのテクニック（第31回）：損失関数の選択
損失関数は、機械学習アルゴリズムの重要な指標です。これは、与えられたパラメータセットが目標に対してどれだけうまく機能しているかを定量的に評価し、学習プロセスにフィードバックを提供する役割を果たします。本記事では、MQL5のカスタムウィザードクラスを使って、損失関数のさまざまな形式を探っていきます。
MQL5-Telegram統合エキスパートアドバイザーの作成（第2回）：MQL5からTelegramへのシグナル送信
MQL5-Telegram統合エキスパートアドバイザーの作成（第2回）：MQL5からTelegramへのシグナル送信
この記事では、移動平均クロスオーバーシグナルをTelegramに送信するMQL5-Telegram統合エキスパートアドバイザー(EA)を作成します。移動平均クロスオーバーから売買シグナルを生成し、MQL5で必要なコードを実装し、統合がシームレスに機能するようにするプロセスを詳しく説明します。その結果、リアルタイムの取引アラートをTelegramのグループチャットに直接提供するシステムが完成します。
MQL5-Telegram統合エキスパートアドバイザーの作成（第1回）：MQL5からTelegramへのメッセージ送信
MQL5-Telegram統合エキスパートアドバイザーの作成（第1回）：MQL5からTelegramへのメッセージ送信
この記事では、MQL5を使用してEAを作成し、Telegramに自動でメッセージを送信する方法を説明します。ボットのAPIトークンやチャットIDといった必要なパラメータを設定し、HTTP POSTリクエストを実行してメッセージを配信する流れを学びます。また、応答を処理し、万が一メッセージ送信が失敗した場合には、トラブルシューティングについても解説します。最終的には、MQL5を通じてTelegramにメッセージを送るボットを構築する手順をマスターします。
知っておくべきMQL5ウィザードのテクニック（第30回）：機械学習におけるバッチ正規化のスポットライト
知っておくべきMQL5ウィザードのテクニック（第30回）：機械学習におけるバッチ正規化のスポットライト
バッチ正規化とは、ニューラルネットワークのような機械学習アルゴリズムに投入するデータの前処理です。これは、アルゴリズムが使用する活性化の種類を常に意識しながらおこなわれます。そこで、エキスパートアドバイザー(EA)を使って、そのメリットを享受するためのさまざまなアプローチを探ります。
独自のLLMをEAに総合する（第5部）： LLMを使った取引戦略の開発とテスト(I) - 微調整
独自のLLMをEAに総合する（第5部）： LLMを使った取引戦略の開発とテスト(I) - 微調整
今日の人工知能の急速な発展に伴い、言語モデル(LLM)は人工知能の重要な部分となっています。私たちは、強力なLLMをアルゴリズム取引に統合する方法を考える必要があります。ほとんどの人にとって、これらの強力なモデルをニーズに応じて微調整（ファインチューニング）し、ローカルに展開して、アルゴリズム取引に適用することは困難です。本連載では、この目標を達成するために段階的なアプローチをとっていきます。
MQL5で動的な多銘柄多期間の相対力指標(RSI)指標ダッシュボードを作成する
MQL5で動的な多銘柄多期間の相対力指標(RSI)指標ダッシュボードを作成する
この記事では、MQL5を使用して、動的に複数の銘柄と時間枠にわたるRSI指標のダッシュボードを開発し、トレーダーにリアルタイムでRSI値を提供する方法を解説します。このダッシュボードには、インタラクティブなボタン、リアルタイム更新、色分けされた指標が搭載されており、トレーダーがより的確な意思決定をおこなうためのサポートをします。