知っておくべきMQL5ウィザードのテクニック（第10回）：型破りなRBM
知っておくべきMQL5ウィザードのテクニック（第10回）：型破りなRBM
制限ボルツマンマシン（Restrictive Boltzmann Machine、RBM）は、基本的なレベルでは、次元削減による教師なし分類に長けた2層のニューラルネットワークです。その基本原理を採用し、常識にとらわれない方法で設計し直して訓練すれば有用なシグナルフィルタが得られるかどうかを検証します。
float16およびfloat8形式のONNXモデルを扱う
float16およびfloat8形式のONNXモデルを扱う
機械学習モデルの表現に使用されるデータ形式は、その有効性に決定的な役割を果たします。近年、深層学習モデルを扱うために特別に設計された新しい型のデータがいくつか登場しています。この記事では、現代のモデルで広く採用されるようになった2つの新しいデータ形式に焦点を当てます。
時系列マイニングのためのデータラベル（第6回）：ONNXを使用したEAへの応用とテスト
時系列マイニングのためのデータラベル（第6回）：ONNXを使用したEAへの応用とテスト
この連載では、ほとんどの人工知能モデルに適合するデータを作成できる、時系列のラベル付け方法をいくつかご紹介します。ニーズに応じて的を絞ったデータのラベル付けをおこなうことで、訓練済みの人工知能モデルをより期待通りの設計に近づけ、モデルの精度を向上させ、さらにはモデルの質的飛躍を助けることができます。
データサイエンスと機械学習（第18回）：市場複雑性を極める戦い - 打ち切りSVD v.s. NMF
データサイエンスと機械学習（第18回）：市場複雑性を極める戦い - 打ち切りSVD v.s. NMF
打ち切り特異値分解(Truncated SVD)と非負行列因子分解(NMF)は次元削減技法です。両者とも、データ主導の取引戦略を形成する上で重要な役割を果たしています。次元削減、洞察の解明、定量分析の最適化など、複雑な金融市場をナビゲートするための情報満載のアプローチをご覧ください。
時系列マイニングのためのデータラベル（第5回）：ソケットを使用したEAへの応用とテスト
時系列マイニングのためのデータラベル（第5回）：ソケットを使用したEAへの応用とテスト
この連載では、ほとんどの人工知能モデルに適合するデータを作成できる、時系列のラベル付け方法をいくつかご紹介します。ニーズに応じて的を絞ったデータのラベル付けをおこなうことで、訓練済みの人工知能モデルをより期待通りの設計に近づけ、モデルの精度を向上させ、さらにはモデルの質的飛躍を助けることができます。
MQL5入門（第4部）：構造体、クラス、時間関数をマスターする
MQL5入門（第4部）：構造体、クラス、時間関数をマスターする
最新記事でMQL5プログラミングの秘密を解き明かしましょう。構造体、クラス、時間関数の本質に迫り、コーディングの旅に力を与えます。初心者から経験豊富な開発者まで、個のガイドは、MQL5をマスターするための貴重な洞察を提供し、複雑な概念を簡素化します。プログラミングのスキルを高め、アルゴリズム取引の世界で一歩先を行きましょう。
MQL5入門（第2部）：定義済み変数、共通関数、制御フロー文の操作
MQL5入門（第2部）：定義済み変数、共通関数、制御フロー文の操作
連載第2部の光り輝く旅に出かけましょう。これらの記事は単なるチュートリアルではなく、プログラミング初心者と魔法使いが共に集う魔法の世界への入り口です。この旅を本当に魔法のようなものにしているのは何でしょうか。連載第2部は、複雑な概念を誰にでも理解できるようにした、さわやかなシンプルさが際立っています。読者の質問にお答えしながら、双方向的に私たちと関わることで、充実した個別学習体験をお約束します。MQL5を理解することが誰にとっても冒険となるようなコミュニティを作りましょう。魔法の世界へようこそ。
母集団最適化アルゴリズム：スマート頭足類（SC、Smart Cephalopod）を使用した変化する形状、確率分布の変化とテスト
母集団最適化アルゴリズム：スマート頭足類（SC、Smart Cephalopod）を使用した変化する形状、確率分布の変化とテスト
この記事では、確率分布の形状を変えることが最適化アルゴリズムの性能に与える影響について検証します。最適化問題の文脈における様々な確率分布の効率を評価するために、スマート頭足類（SC、Smart Cephalopod）テストアルゴリズムを用いた実験をおこないます。
母集団最適化アルゴリズム：等方的焼きなまし（Simulated Isotropic Annealing、SIA）アルゴリズム（第2部）
母集団最適化アルゴリズム：等方的焼きなまし（Simulated Isotropic Annealing、SIA）アルゴリズム（第2部）
第１部では、よく知られた一般的なアルゴリズムである焼きなまし法について説明しました。その長所と短所を徹底的に検討しました。第2部では、アルゴリズムを抜本的に改良し、新たな最適化アルゴリズムである等方的焼きなまし（Simulated Isotropic Annealing、SIA）法を紹介します。
母集団最適化アルゴリズム：焼きなまし(SA)アルゴリズム（第１部）
母集団最適化アルゴリズム：焼きなまし(SA)アルゴリズム（第１部）
焼きなましアルゴリズムは、金属の焼きなまし過程にヒントを得たメタヒューリスティックです。この記事では、このアルゴリズムを徹底的に分析し、この広く知られている最適化方法を取り巻く多くの一般的な信念や神話を暴露します。この記事の後半では、カスタムの等方的焼きなまし（Simulated Isotropic Annealing、SIA）アルゴリズムについて説明します。
ニューラルネットワークが簡単に（第66回）：オフライン学習における探索問題
ニューラルネットワークが簡単に（第66回）：オフライン学習における探索問題
モデルは、用意された訓練データセットのデータを使用してオフラインで訓練されます。一定の利点がある反面、環境に関する情報が訓練データセットのサイズに大きく圧縮されてしまうというマイナス面もあります。それが逆に、探求の可能性を狭めています。この記事では、可能な限り多様なデータで訓練データセットを埋めることができる方法について考えます。
Scikit-Learnライブラリの分類器モデルとONNXへの書き出し
Scikit-Learnライブラリの分類器モデルとONNXへの書き出し
この記事では、Scikit-Learnライブラリで利用可能なすべての分類器モデルを適用して、フィッシャーのIrisデータセットの分類タスクを解決する方法について説明します。これらのモデルをONNX形式に変換し、その結果得られたモデルをMQL5プログラムで利用してみます。さらに、完全なIrisデータセットで元のモデルとONNXバージョンの精度を比較します。
ニューラルネットワークが簡単に（第61回）：オフライン強化学習における楽観論の問題
ニューラルネットワークが簡単に（第61回）：オフライン強化学習における楽観論の問題
オフライン訓練では、訓練サンプルデータに基づいてエージェントの方策を最適化します。その結果、エージェントは自分の行動に自信を持つことができます。しかし、そのような楽観論は必ずしも正当化されるとは限らず、模型の操作中にリスクを増大させる可能性があります。今日は、こうしたリスクを軽減するための方法の1つを紹介しましょう。
MLモデルとストラテジーテスターの統合（結論）：価格予測のための回帰モデルの実装
MLモデルとストラテジーテスターの統合（結論）：価格予測のための回帰モデルの実装
この記事では、決定木に基づく回帰モデルの実装について説明します。モデルは金融資産の価格を予測しなければなりません。すでにデータを準備し、モデルを訓練評価し、調整最適化しました。ただし、このモデルはあくまで研究用であり、実際の取引に使用するものではないことに留意する必要があります。
ニューラルネットワークが簡単に（第63回）：Unsupervised Pretraining for Decision Transformer (PDT)
ニューラルネットワークが簡単に（第63回）：Unsupervised Pretraining for Decision Transformer (PDT)
引き続き、Decision Transformer法のファミリーについて説明します。前回の記事から、これらの手法のアーキテクチャの基礎となるTransformerの訓練はかなり複雑なタスクであり、訓練のために大規模なラベル付きデータセットが必要であることにすでに気づきました。この記事では、ラベル付けされていない軌跡をモデルの予備訓練に使用するアルゴリズムについて見ていきます。
母集団最適化アルゴリズム：Spiral Dynamics Optimization (SDO)アルゴリズム
母集団最適化アルゴリズム：Spiral Dynamics Optimization (SDO)アルゴリズム
本稿では、軟体動物の殻など自然界における螺旋軌道の構築パターンに基づく最適化アルゴリズム、Spiral Dynamics Optimization（SDO、螺旋ダイナミクス最適化）アルゴリズムを紹介します。著者らが提案したアルゴリズムを徹底的に修正し、改変しました。この記事では、こうした変更の必要性について考えてみたいと思います。
母集団最適化アルゴリズム：Intelligent Water Drops (IWD)アルゴリズム
母集団最適化アルゴリズム：Intelligent Water Drops (IWD)アルゴリズム
この記事では、無生物由来の興味深いアルゴリズム、つまり川床形成プロセスをシミュレーションするIntelligent Water Drops (IWD)について考察しています。このアルゴリズムのアイデアにより、従来の格付けのリーダーであったSDSを大幅に改善することが可能になりました。いつものように、新しいリーダー（修正SDSm）は添付ファイルにあります。
母集団最適化アルゴリズム：Stochastic Diffusion Search (SDS)
母集団最適化アルゴリズム：Stochastic Diffusion Search (SDS)
この記事では、ランダムウォークの原理に基づく非常に強力で効率的な最適化アルゴリズムである確SDS（Stochastic Diffusion Search、確率的拡散探索）について説明します。このアルゴリズムは、複雑な多次元空間で最適解を求めることができ、収束速度が速く、局所極値を避けることができるのが特徴です。
時系列マイニングのためのデータラベル（第4回）：ラベルデータを使用した解釈可能性の分解
時系列マイニングのためのデータラベル（第4回）：ラベルデータを使用した解釈可能性の分解
この連載では、ほとんどの人工知能モデルに適合するデータを作成できる、時系列のラベル付け方法をいくつかご紹介します。ニーズに応じて的を絞ったデータのラベル付けをおこなうことで、訓練済みの人工知能モデルをより期待通りの設計に近づけ、モデルの精度を向上させ、さらにはモデルの質的飛躍を助けることができます。
知っておくべきMQL5ウィザードのテクニック（第09回）：K平均法とフラクタル波の組み合わせ
知っておくべきMQL5ウィザードのテクニック（第09回）：K平均法とフラクタル波の組み合わせ
K平均法では、まず無作為に生成されたクラスタ重心を使用するデータセットのマクロビューに焦点を当てたプロセスとしてデータポイントを集団化するアプローチを採用し、その後ズームインしてこれらの重心を調整してデータセットを正確に表現します。これを見て、その使用例をいくつか活用していきます。
データサイエンスと機械学習（第17回）：木の中のお金？外国為替取引におけるランダムフォレストの芸術と科学
データサイエンスと機械学習（第17回）：木の中のお金？外国為替取引におけるランダムフォレストの芸術と科学
金融情勢を解読する際の芸術性と正確性の融合についてガイドします。アルゴリズム錬金術の秘密を発見してください。ランダムフォレストがデータを予測能力に変換する方法を明らかにし、株式市場の複雑な地形をナビゲートするための独自の視点を提供します。金融の魔術の核心に触れ、市場の動向を形作り、収益の機会を開拓するランダムフォレストの役割を解き明かす旅にご参加ください。
データサイエンスと機械学習（第16回）：決定木を見直す
データサイエンスと機械学習（第16回）：決定木を見直す
連載「データサイエンスと機械学習」の最新作で、決定木の複雑な世界に飛び込みましょう。戦略的な洞察を求めるトレーダーのために、この記事は包括的な総括として、市場動向の分析において決定木が果たす強力な役割に光を当てています。これらのアルゴリズム木の根と枝を探り、取引の意思決定を強化する可能性を解き明かします。決定木について新たな視点から学び、複雑な金融市場をナビゲートする上で、決定木をどのように味方にできるかを発見しましょう。
知っておくべきMQL5ウィザードのテクニック（第08回）：パーセプトロン
知っておくべきMQL5ウィザードのテクニック（第08回）：パーセプトロン
パー​​セプトロン（単一隠れ層ネットワーク）は、基本的な自動取引に精通していて、ニューラルネットワークを試してみようとしている人にとって、優れた入門編となります。エキスパートアドバイザー(EA)用のMQL5ウィザードクラスの一部であるシグナルクラスアセンブリでこれをどのように実現できるかを段階的に見ていきます。
モデル解釈をマスターする：機械学習モデルからより深い洞察を得る
モデル解釈をマスターする：機械学習モデルからより深い洞察を得る
機械学習は複雑で、経験を問わず誰にとってもやりがいのある分野です。この記事では、構築されたモデルを動かす内部メカニズムに深く潜り込み、複雑な特徴、予測、そしてインパクトのある決断の世界を探求し、複雑さを解きほぐし、モデルの解釈をしっかりと把握します。トレードオフをナビゲートし、予測を強化し、確実な意思決定をおこないながら特徴の重要性をランク付けする技術を学びます。この必読書は、機械学習モデルからより多くのパフォーマンスを引き出し、機械学習手法を採用することでより多くの価値を引き出すのに役立ちます。