知っておくべきMQL5ウィザードのテクニック（第65回）：FrAMAとForce Indexのパターンを活用する
知っておくべきMQL5ウィザードのテクニック（第65回）：FrAMAとForce Indexのパターンを活用する
フラクタル適応移動平均(FrAMA)とForce Indexオシレーターは、MQL5エキスパートアドバイザー(EA)内で組み合わせて使用できるもう1つのインジケーターのペアです。FrAMAはトレンドフォロー型インジケーターですが、Force Indexはボリュームベースのオシレーターであるため、これら2つのインジケーターは互いに少し補完し合います。いつものように、MQL5ウィザードを使用して、これら2つの可能性を迅速に調査します。
MQL5取引ツール（第2回）：インタラクティブな取引アシスタントの強化：動的視覚フィードバックの導入
MQL5取引ツール（第2回）：インタラクティブな取引アシスタントの強化：動的視覚フィードバックの導入
この記事では、取引アシスタントツール(Trade Assistant Tool)をアップグレードし、ドラッグ＆ドロップ可能なパネル機能やホバー効果を追加して、インターフェースをより直感的で応答性の高いものにします。ツールを改良してリアルタイムの注文設定を検証し、市場価格に対して正確な取引構成が可能となるようにします。また、これらの改善をバックテストし、その信頼性を確認します。
MQL5取引ツール（第1回）：インタラクティブで視覚的なペンディングオーダー取引アシスタントツールの構築
MQL5取引ツール（第1回）：インタラクティブで視覚的なペンディングオーダー取引アシスタントツールの構築
この記事では、FX取引におけるペンディングオーダーの設置を簡素化するために開発した、MQL5によるインタラクティブ取引アシスタントツール(Trade Assistant Tool)について紹介します。まず概念設計を説明し、チャート上でエントリー、ストップロス、テイクプロフィット水準を視覚的に設定できるユーザーフレンドリーなGUIに焦点を当てます。さらに、MQL5での実装およびバックテストのプロセスを詳述し、このツールの信頼性を確認します。そして、後続のパートで発展的な機能を追加するための基盤を整えます。
知っておくべきMQL5ウィザードのテクニック（第62回）：強化学習TRPOでADXとCCIのパターンを活用する
知っておくべきMQL5ウィザードのテクニック（第62回）：強化学習TRPOでADXとCCIのパターンを活用する
ADXオシレーターとCCIオシレーターはそれぞれトレンドフォローインジケーターおよびモメンタムインジケーターであり、エキスパートアドバイザー(EA)を開発する際に組み合わせることができます。前回の記事に続き、今回は開発済みモデルの運用中の学習や更新を、強化学習を用いてどのように実現できるかを検討します。この記事で使用するアルゴリズムは、本連載ではまだ扱っていない「TRPO（Trust Region Policy Optimization、信頼領域方策最適化)」として知られる手法です。また、MQL5ウィザードによるEAの組み立ては、モデルのテストをより迅速におこなえるだけでなく、異なるシグナルタイプで配布し検証できる形でセットアップできる点も利点です。
知っておくべきMQL5ウィザードのテクニック（第63回）：DeMarkerとEnvelope Channelsのパターンを活用する
知っておくべきMQL5ウィザードのテクニック（第63回）：DeMarkerとEnvelope Channelsのパターンを活用する
DeMarkerオシレーターとEnvelopesインジケーターは、エキスパートアドバイザー(EA)を開発するときに組み合わせることができるモメンタムおよびサポート/レジスタンスツールです。パターンごとに何が役に立つのか、そして何を避けることができるのかを調べます。いつものように、ウィザードで組み立てられたEAと、エキスパートシグナルクラスに組み込まれているパターン使用関数を使用しています。
知っておくべきMQL5ウィザードのテクニック（第61回）：教師あり学習でADXとCCIのパターンを活用する
知っておくべきMQL5ウィザードのテクニック（第61回）：教師あり学習でADXとCCIのパターンを活用する
ADXオシレーターとCCIオシレーターはそれぞれトレンドフォローインジケーターおよびモメンタムインジケーターであり、エキスパートアドバイザー(EA)を開発する際に組み合わせることができます。今回は、機械学習の主要な3つの学習モードすべてを活用して、どのように体系化できるかを見ていきます。ウィザードによって組み立てられたEAを使用することで、これら2つのインジケーターが示すパターンを評価することが可能になり、まずは教師あり学習をこれらのパターンにどのように適用できるかを検討します。
汎用MLP近似器に基づくエキスパートアドバイザー
汎用MLP近似器に基づくエキスパートアドバイザー
この記事では、機械学習の深い知識がなくても利用できる、取引EAでのニューラルネットワークの簡単でアクセスしやすい使用方法を紹介しています。この方法では、目的関数の正規化を省略できるほか、「重みの爆発」や「収束停止」といった問題を解消し、直感的な学習と結果の視覚的な管理を可能にしています。
外国為替におけるポートフォリオ最適化：VaRとマーコウィッツ理論の統合
外国為替におけるポートフォリオ最適化：VaRとマーコウィッツ理論の統合
FXにおけるポートフォリオ取引はどのように機能するのでしょうか。マーコウィッツのポートフォリオ理論による資産配分最適化と、VaRモデルによるリスク最適化はどのように統合できるのでしょうか。ポートフォリオ理論に基づいたコードを作成し、一方では低リスクを確保し、もう一方では受け入れ可能な長期的収益性を得ることを試みます。
リプレイシステムの開発（第76回）：新しいChart Trade(III)
リプレイシステムの開発（第76回）：新しいChart Trade(III)
この記事では、前回の記事で省略されていたDispatchMessageのコードがどのように動作するのかを見ていきます。さらに、次回の記事のテーマについても紹介します。そのため、次のトピックに進む前に、このコードの仕組みを理解しておくことが重要です。ここで提示されるコンテンツは、教育目的のみに使用されることを意図しています。いかなる状況においても、提示された概念を学習し習得する以外の目的でアプリケーションを利用することは避けてください。
周期と取引
周期と取引
この記事は、取引における周期の活用についてです。周期モデルに基づいた取引戦略の構築を考えてみます。
取引におけるニューラルネットワーク：Segment Attentionを備えたパラメータ効率重視Transformer（最終回）
取引におけるニューラルネットワーク：Segment Attentionを備えたパラメータ効率重視Transformer（最終回）
前回の記事では、PSformerフレームワークの理論的側面について議論しました。このフレームワークは、従来のTransformerアーキテクチャに、パラメータ共有(PS)メカニズムと時空間Segment Attention (SegAtt)という2つの主要な革新をもたらします。本稿では、前回に引き続き、提案された手法をMQL5を用いて実装する作業について説明します。
株式市場における非線形回帰モデル
株式市場における非線形回帰モデル
株式市場における非線形回帰モデル：金融市場は予測できるのかEURUSDの価格を予測するモデルを作成し、それに基づいて2つのロボット（Python版とMQL5版）を作ることを考えてみましょう。
多通貨エキスパートアドバイザーの開発（第20回）：自動プロジェクト最適化段階のコンベアの配置(I)
多通貨エキスパートアドバイザーの開発（第20回）：自動プロジェクト最適化段階のコンベアの配置(I)
私たちはすでに、自動最適化を支援するいくつかのコンポーネントを作成しています。作成の過程では、最小限の動作するコードを作るところからリファクタリングを経て、改善されたコードを得るという従来の循環的な構造に従いました。そろそろ、私たちが作成しているシステムの重要なコンポーネントでもあるデータベースの整理を始める時期です。
取引におけるニューラルネットワーク：シャープネス低減によるTransformerの効率向上(SAMformer)
取引におけるニューラルネットワーク：シャープネス低減によるTransformerの効率向上(SAMformer)
Transformerモデルの学習には大量のデータが必要であり、小規模データセットに対しては汎化性能が低いため、学習はしばしば困難です。SAMformerフレームワークは、この問題を回避し、不良な局所最小値に陥ることを防ぐことで解決を助けます。これにより、限られた学習データセットにおいてもモデルの効率が向上します。
原子軌道探索(AOS)アルゴリズム：改良版
原子軌道探索(AOS)アルゴリズム：改良版
第2部では、AOS (Atomic Orbital Search)アルゴリズムの改良版の開発を続け、特定の演算子に注目して効率性と適応性の向上を図ります。アルゴリズムの基礎とメカニズムを分析した後、複雑な解探索空間を解析する能力を高めるための性能向上のアイデアについて議論し、最適化ツールとしての機能を拡張する新しいアプローチを提案します。
未来のトレンドを見通す鍵としての取引量ニューラルネットワーク分析
未来のトレンドを見通す鍵としての取引量ニューラルネットワーク分析
この記事では、テクニカル分析の原理とLSTMニューラルネットワークの構造を統合することで、取引量分析に基づく価格予測の改善可能性を探ります。特に、異常な取引量の検出と解釈、クラスタリングの活用、および機械学習の文脈における取引量に基づく特徴量の作成と定義に注目しています。
Numbaを使用したPythonの高速取引ストラテジーテスター
Numbaを使用したPythonの高速取引ストラテジーテスター
この記事では、Numbaを使った機械学習モデルのための高速ストラテジーテスターを実装しています。純粋なPythonのストラテジーテスターと比べて50倍速く動作します。このライブラリを使って特にループを含む数学計算を高速化することを推奨しています
取引におけるニューラルネットワーク：双曲潜在拡散モデル（最終回）
取引におけるニューラルネットワーク：双曲潜在拡散モデル（最終回）
HypDiffフレームワークで提案されているように、双曲潜在空間における初期データのエンコーディングに異方性拡散プロセスを用いることで、現在の市場状況におけるトポロジー的特徴を保持しやすくなり、分析の質を向上させることができます。前回の記事では、提案されたアプローチの実装をMQL5を用いて開始しました。今回はその作業を継続し、論理的な完結に向けて進めていきます。
高度なICT取引システムの開発：インジケーターへのオーダーブロックの実装
高度なICT取引システムの開発：インジケーターへのオーダーブロックの実装
この記事では、オーダーブロックのミティゲーションを検出し、描画し、アラートを発するインジケーターの作り方を学びます。また、チャート上でこれらのブロックを正確に特定する方法や、正確なアラートの設定方法、価格の動きをより理解しやすくするために矩形で位置を可視化する方法についても詳しく解説します。このインジケーターは、スマートマネーコンセプトやインナーサークルトレーダーの手法を用いるトレーダーにとって重要なツールとなるでしょう。
取引におけるニューラルネットワーク：対照パターンTransformer（最終回）
取引におけるニューラルネットワーク：対照パターンTransformer（最終回）
本連載の前回の記事では、Atom-Motif Contrastive Transformer (AMCT)フレームワークについて取り上げました。これは、対照学習を用いて、基本要素から複雑な構造に至るまでのあらゆるレベルで重要なパターンを発見することを目的とした手法です。この記事では、MQL5を用いたAMCTアプローチの実装を引き続き解説していきます。
多通貨エキスパートアドバイザーの開発（第19回）：Pythonで実装されたステージの作成
多通貨エキスパートアドバイザーの開発（第19回）：Pythonで実装されたステージの作成
これまでは、標準のストラテジーテスター内で最適化タスクを順に自動実行することだけを考えてきました。しかし、もしそれらの実行の合間に、別の手段で得られたデータを処理したいとしたらどうなるでしょうか。ここでは、Pythonで記述されたプログラムによって新たな最適化ステージを作成する機能の追加を試みます。
取引におけるニューラルネットワーク：対照パターンTransformer
取引におけるニューラルネットワーク：対照パターンTransformer
Contrastive Transformerは、個々のローソク足のレベルと、全体のパターンに基づいて市場を分析するよう設計されています。これにより、市場トレンドのモデリングの質が向上します。さらに、ローソク足とパターンの表現を整合させるために対照学習を用いることで、自己調整が促され、予測の精度が高まります。
Candlestick Trend Constraintモデルの構築（第10回）：戦略的ゴールデンクロスとデスクロス(EA)
Candlestick Trend Constraintモデルの構築（第10回）：戦略的ゴールデンクロスとデスクロス(EA)
移動平均線のクロスオーバーに基づくゴールデンクロスおよびデッドクロス戦略は、長期的な市場トレンドを見極める上で最も信頼性の高い指標の一つであることをご存知でしょうか。ゴールデンクロスは、短期移動平均線が長期移動平均線を上回るときに強気トレンドの到来を示します。一方、デッドクロスは、短期移動平均線が長期線を下回ることで弱気トレンドの兆候を示します。これらの戦略は非常にシンプルでありながら効果的ですが、手動で運用すると機会の逸失やエントリーの遅れが発生しやすいという課題があります。
取引におけるニューラルネットワーク：相対エンコーディング対応Transformer
取引におけるニューラルネットワーク：相対エンコーディング対応Transformer
自己教師あり学習は、ラベル付けされていない大量のデータを分析する効果的な手段となり得ます。この手法の効率性は、モデルが金融市場特有の特徴に適応することで実現され、従来手法の有効性も向上します。本記事では、入力間の相対的な依存関係や関係性を考慮した新しいAttention（注意）機構を紹介します。
プライスアクション分析ツールキットの開発（第21回）：Market Structure Flip Detector Tool
プライスアクション分析ツールキットの開発（第21回）：Market Structure Flip Detector Tool
The Market Structure Flip Detectorエキスパートアドバイザー(EA)は、市場センチメントの変化を常に監視する頼れるパートナーとして機能します。ATR (Average True Range)に基づく閾値を活用することで、構造の反転を的確に検出し、各高値切り下げおよび安値切り上げを明確なインジケーターで表示します。MQL5の高速な実行性能と柔軟なAPIにより、このツールはリアルタイム分析を可能にし、最適な視認性を保つよう表示を調整しながら、反転の回数やタイミングをモニターできるライブダッシュボードも提供します。さらに、カスタマイズ可能なサウンド通知やプッシュ通知により、重要なシグナルを確実に受け取ることができ、シンプルな入力と補助ルーチンがどのように価格変動を実用的な戦略へと変換するかを実感できます。
取引チャート上で双三次補間を用いたリソース駆動型画像スケーリングによる動的MQL5グラフィカルインターフェイスの作成
取引チャート上で双三次補間を用いたリソース駆動型画像スケーリングによる動的MQL5グラフィカルインターフェイスの作成
本記事では、取引チャート上で高品質な画像スケーリングを実現するために、双三次補間（バイキュービック補間）を使用した動的なMQL5グラフィカルインターフェイスについて解説します。カスタムオフセットによる動的な中央配置やコーナーアンカーなど、柔軟なポジショニングオプションも紹介します。
MQL5での取引戦略の自動化（第16回）：ミッドナイトレンジブレイクアウト+Break of Structure (BoS)のプライスアクション
MQL5での取引戦略の自動化（第16回）：ミッドナイトレンジブレイクアウト+Break of Structure (BoS)のプライスアクション
本記事では、MQL5を用いて「ミッドナイトレンジブレイクアウト + Break of Structure (BoS)」戦略を自動化し、ブレイクアウトの検出および取引実行のコードを詳細に解説します。エントリー、ストップ、利益確定のためのリスクパラメータを正確に定義し、実際の取引に活用できるようバックテストおよび最適化もおこないます。
データサイエンスとML（第37回）：ローソク足パターンとAIを活用して市場をリードする
データサイエンスとML（第37回）：ローソク足パターンとAIを活用して市場をリードする
ローソク足パターンは、トレーダーが市場の心理を理解し、金融市場におけるトレンドを特定するのに役立ちます。これにより、より情報に基づいた取引判断が可能となり、より良い成果につながる可能性があります。本記事では、AIモデルとローソク足パターンを組み合わせて最適な取引パフォーマンスを実現する方法を探っていきます。
MQL5での取引戦略の自動化（第15回）：プライスアクションハーモニックCypherパターンの可視化
MQL5での取引戦略の自動化（第15回）：プライスアクションハーモニックCypherパターンの可視化
この記事では、CypherハーモニックパターンのMQL5における自動化について探究し、その検出方法とMetaTrader 5チャート上での可視化を詳しく解説します。スイングポイントを特定し、フィボナッチに基づいたパターンを検証し、明確な視覚的注釈とともに取引を実行するエキスパートアドバイザー(EA)を実装します。記事の最後では、効果的な取引のためのバックテストおよび最適化方法についても説明します。
知っておくべきMQL5ウィザードのテクニック（第60回）：移動平均とストキャスティクスパターンを用いた推論（ワッサースタインVAE）
知っておくべきMQL5ウィザードのテクニック（第60回）：移動平均とストキャスティクスパターンを用いた推論（ワッサースタインVAE）
MA（移動平均）とストキャスティクスの補完的な組み合わせに着目し、教師あり学習および強化学習を経た後の段階において、推論が果たしうる役割を検証します。推論にはさまざまなアプローチが存在しますが、この記事では変分オートエンコーダ(VAE: Variational Auto-Encoder)を用いる方法を採用します。まずはPythonでこのアプローチを探求し、その後、訓練済みモデルをONNX形式でエクスポートし、MetaTraderのウィザードで構築したエキスパートアドバイザー(EA)で活用します。
データサイエンスとML（第36回）：偏った金融市場への対処
データサイエンスとML（第36回）：偏った金融市場への対処
金融市場は完全に均衡しているわけではありません。強気の市場もあれば、弱気の市場もあり、どちらの方向にも不確かなレンジ相場を示す市場もあります。このようなバランスの取れていない情報を用いて機械学習モデルを訓練すると、市場が頻繁に変化するため、誤った予測を導く原因になります。この記事では、この問題に対処するためのいくつかの方法について議論していきます。