Add a new article
MQL5における段階的特徴量選択
MQL5における段階的特徴量選択
この記事では、MQL5で実装された段階的特徴量選択の修正バージョンを紹介します。このアプローチは、Timothy Masters著の「Modern Data Mining Algorithms in C++ and CUDA C」で概説されている手法に基づいています。
古典的な戦略を再構築する（第11回）：移動平均クロスオーバー(II)
古典的な戦略を再構築する（第11回）：移動平均クロスオーバー(II)
移動平均とストキャスティクスオシレーターは、トレンドに従う取引シグナルを生成するために使用できます。ただし、これらのシグナルは価格変動が発生した後にのみ観察されます。AIを使用することで、テクニカルインジケーターに内在するこの遅れを効果的に克服できます。この記事では、既存の取引戦略を改善できるような、完全に自律的なAI搭載のエキスパートアドバイザー(EA)を作成する方法を説明します。最も古い取引戦略であっても、改善することは可能です。
金融モデリングにおける合成データのための敵対的生成ネットワーク(GAN)（第1回）：金融モデリングにおけるGANと合成データの紹介
金融モデリングにおける合成データのための敵対的生成ネットワーク(GAN)（第1回）：金融モデリングにおけるGANと合成データの紹介
この記事では、モデル訓練におけるデータの制限に対処しながら、合成金融データを生成するための敵対的生成ネットワーク(GAN)をトレーダーに紹介します。GANの基礎、PythonおよびMQL5コードの実装、金融における実用的なアプリケーションをカバーし、トレーダーが合成データを通じてモデルの精度と堅牢性を高めることができるようにします。
PythonとMQL5を使用した特徴量エンジニアリング（第2回）：価格の角度
PythonとMQL5を使用した特徴量エンジニアリング（第2回）：価格の角度
MQL5フォーラムには、価格変動の傾斜を計算する方法についての支援を求める投稿が多数あります。この記事では、取引したい市場における価格の変化によって形成される角度を計算する1つの方法を説明します。さらに、この新しい特徴量の設計に追加の労力と時間を投資する価値があるかどうかについてもお答えします。M1でUSDZARペアを予測する際に、価格の傾斜によってAIモデルの精度が向上するかどうかを調査します。
取引におけるニューラルネットワーク：状態空間モデル
取引におけるニューラルネットワーク：状態空間モデル
これまでにレビューしたモデルの多くは、Transformerアーキテクチャに基づいています。ただし、長いシーケンスを処理する場合には非効率的になる可能性があります。この記事では、状態空間モデルに基づく時系列予測の別の方向性について説明します。
人工藻類アルゴリズム(AAA)
人工藻類アルゴリズム(AAA)
本稿では、微細藻類に特徴的な生物学的プロセスに基づく人工藻類アルゴリズム(AAA)について考察します。このアルゴリズムには、螺旋運動、進化過程、適応過程が含まれており、最適化問題を解くことができます。この記事では、AAAが機能する原理と、数学的モデリングにおけるその可能性について詳しく分析し、自然とアルゴリズムによる解とのつながりを強調しています。
無政府社会最適化(ASO)アルゴリズム
無政府社会最適化(ASO)アルゴリズム
この記事では、無政府社会最適化(ASO)アルゴリズムに触れ、無政府社会（中央集権的な権力や様々な種類のヒエラルキーから解放された社会的相互作用の異常なシステム）の参加者の非合理的で冒険的な行動に基づくアルゴリズムが、解空間を探索し、局所最適の罠を回避できることを議論します。本稿では、連続問題にも離散問題にも適用可能な統一的なASO構造を提示します。
ニューラルネットワークの実践：ニューロンのスケッチ
ニューラルネットワークの実践：ニューロンのスケッチ
この記事では、基本的なニューロンを作ります。単純に見えるし、多くの人はこのコードをまったくつまらない無意味なものだと考えるかもしれませんが、このニューロンの単純なスケッチを楽しく勉強してほしいと思います。コードを修正することを恐れず、完全に理解することが目標です。
動物移動最適化(AMO)アルゴリズム
動物移動最適化(AMO)アルゴリズム
この記事は、生命と繁殖に最適な条件を求めて動物が季節的に移動する様子をモデル化するAMOアルゴリズムについて説明しています。AMOの主な機能には、トポロジカル近傍の使用と確率的更新メカニズムが含まれており、実装が容易で、さまざまな最適化タスクに柔軟に対応できます。
取引におけるニューラルネットワーク：独立したチャネルへのグローバル情報の注入(InjectTST)
取引におけるニューラルネットワーク：独立したチャネルへのグローバル情報の注入(InjectTST)
最新のマルチモーダル時系列予測方法のほとんどは、独立チャネルアプローチを使用しています。これにより、同じ時系列の異なるチャネルの自然な依存関係が無視されます。2つのアプローチ（独立チャネルと混合チャネル）を賢く使用することが、モデルのパフォーマンスを向上させる鍵となります。
人工蜂の巣アルゴリズム(ABHA)：テストと結果
人工蜂の巣アルゴリズム(ABHA)：テストと結果
この記事では、人工蜂の巣アルゴリズム(ABHA)の探索を続け、コードの詳細を掘り下げるとともに、残りのメソッドについて考察します。ご存じのとおり、このモデルにおける各蜂は個別のエージェントとして表現されており、その行動は内部情報、外部情報、および動機付けの状態に依存します。さまざまな関数を用いてアルゴリズムをテストし、その結果を評価表としてまとめて提示します。
人工蜂の巣アルゴリズム(ABHA)：理論と方法
人工蜂の巣アルゴリズム(ABHA)：理論と方法
この記事では、2009年に開発された人工蜂の巣アルゴリズム(ABHA)について説明します。このアルゴリズムは、連続的な最適化問題を解決することを目的としています。この記事では、蜂がそれぞれの役割を担って効率的に資源を見つける蜂のコロニーの行動から、ABHAがどのようにインスピレーションを得ているかを探ります。
PythonとMQL5を使用した特徴量エンジニアリング（第1回）：長期AIモデルの移動平均の予測
PythonとMQL5を使用した特徴量エンジニアリング（第1回）：長期AIモデルの移動平均の予測
移動平均は、AIモデルが予測するのに最適な指標です。しかし、データを慎重に変換することで、さらなる精度向上が可能です。本記事では、現在の手法よりもさらに先の未来を、高い精度を維持しながら予測できるAIモデルの構築方法を解説します。移動平均がこれほど有用な指標であることには驚かされます。
適応型社会行動最適化(ASBO)：二段階の進化
適応型社会行動最適化(ASBO)：二段階の進化
生物の社会的行動と、それが新しい数学モデルであるASBO（適応型社会的行動最適化）の開発に与える影響について、引き続き考察していきます。今回は、二段階の進化プロセスを詳しく分析し、アルゴリズムをテストした上で結論を導き出します。自然界において生物の集団が生存のために協力するのと同様に、ASBOも集団行動の原理を活用し、複雑な最適化問題を解決します。
適応型社会行動最適化(ASBO):Schwefel、ボックス=ミュラー法
適応型社会行動最適化(ASBO):Schwefel、ボックス=ミュラー法
この記事は、生物の社会的行動の世界と、それが新たな数学モデルであるASBO（適応型社会的行動最適化、Adaptive Social Behavior Optimization）の構築に与える影響について、興味深い洞察を提供します。生物社会におけるリーダーシップ、近隣関係、協力の原則が、革新的な最適化アルゴリズムの開発にどのように着想を与えるのかを探ります。
人工電界アルゴリズム(AEFA)
人工電界アルゴリズム(AEFA)
この記事では、クーロンの静電気力の法則に触発された人工電界アルゴリズム(AEFA: Artificial Electric Field Algorithm)を紹介します。このアルゴリズムは、荷電粒子とその相互作用を利用して複雑な最適化問題を解決するために電気現象をシミュレートします。AEFAは、自然法則に基づいた他のアルゴリズムと比較して、独自の特性を示します。
ニューラルネットワークの実践：擬似逆行列(II)
ニューラルネットワークの実践：擬似逆行列(II)
この連載は教育的な性質のものであり、特定の機能の実装を示すことを目的としていないため、この記事では少し異なる方法でおこないます。因数分解を適用して行列の逆行列を取得する方法を示す代わりに、擬似逆行列の因数分解に焦点を当てます。その理由は、特別な方法で一般的な係数を取得することができる場合、一般的な係数を取得する方法を示すことに意味がないからです。さらに良いことに、読者は物事がなぜそのように起こるのかをより深く理解できるようになります。それでは、時間の経過とともにハードウェアがソフトウェアに取って代わる理由を考えてみましょう。
主成分を用いた特徴量選択と次元削減
主成分を用いた特徴量選択と次元削減
この記事では、Luca Puggini氏とSean McLoone氏による論文「Forward Selection Component Analysis: Algorithms and Applications」に基づき、修正版のForward Selection Component Analysis (FSCA)アルゴリズムの実装について詳しく解説します。
MQL5とPythonで自己最適化エキスパートアドバイザーを構築する（第6回）： Deep Double Descentの活用
MQL5とPythonで自己最適化エキスパートアドバイザーを構築する（第6回）： Deep Double Descentの活用
伝統的な機械学習では、モデルの過剰適合を防ぐことが実践者にとって重要であると教えられます。しかし、この考え方は、ハーバード大学の勤勉な研究者たちによって発表された新たな洞察によって見直されつつあります。彼らの研究によれば、一見すると過剰適合に見える現象が、場合によっては訓練プロセスを早期に終了した結果である可能性があることが示唆されています。本記事では、この研究論文で提案されたアイデアを活用し、市場リターン予測におけるAIの利用をどのように向上させられるかを解説します。
知っておくべきMQL5ウィザードのテクニック（第43回）：SARSAによる強化学習
知っておくべきMQL5ウィザードのテクニック（第43回）：SARSAによる強化学習
SARSAは、State-Action-Reward-State-Actionの略で、強化学習を実装する際に使用できる別のアルゴリズムです。Q学習とDQNで見たように、ウィザードで組み立てられたエキスパートアドバイザー(EA)の中で、これを単なる訓練メカニズムとしてではなく、独立したモデルとしてどのように実装できるかを検討します。
MQL5とデータ処理パッケージの統合（第3回）：データ可視化の強化
MQL5とデータ処理パッケージの統合（第3回）：データ可視化の強化
この記事では、基本的なチャートの枠を超え、インタラクティブ性、データの層化、ダイナミックな要素といった機能を組み込むことで、トレーダーがトレンド、パターン、相関関係をより効果的に探求できるようにする、データ可視化の高度化について解説します。
古典的な戦略を再構築する（第10回）：AIはMACDを強化できるか？
古典的な戦略を再構築する（第10回）：AIはMACDを強化できるか？
MACDインジケーターを経験的に分析し、インジケーターを含む戦略にAIを適用することで、EURUSDの予測精度が向上するかどうかをテストします。さらに、インジケーター自体が価格より予測しやすいのか、またインジケーターの値が将来の価格水準を予測できるのかも同時に評価します。これにより、AI取引戦略にMACDを統合することに投資する価値があるかどうかを判断するための情報を提供します。
Across Neighbourhood Search (ANS)
Across Neighbourhood Search (ANS)
この記事では、問題の詳細と検索空間内の環境のダイナミクスを考慮できる柔軟でインテリジェントな最適化手法の開発における重要なステップとしてのANSアルゴリズムの可能性を明らかにします。
データサイエンスとML（第31回）：取引のためのCatBoost AIモデルの使用
データサイエンスとML（第31回）：取引のためのCatBoost AIモデルの使用
CatBoost AIモデルは、その予測精度、効率性、散在する困難なデータセットに対する頑健性により、機械学習コミュニティの間で最近大きな人気を博しています。この記事では、外国為替市場を打ち負かすために、この種のモデルをどのように導入するかについて詳しく説明します。
ニューラルネットワークが簡単に（第94回）：入力シーケンスの最適化
ニューラルネットワークが簡単に（第94回）：入力シーケンスの最適化
時系列を扱うときは、常にソースデータを履歴シーケンスで使用します。しかし、これが最善の選択肢なのでしょうか。入力データの順序を変更すると、訓練されたモデルの効率が向上するという意見があります。この記事では、入力シーケンスを最適化する方法の1つを紹介します。