Страница 21 — Статьи по алготрейдингу — Машинное обучение

Оптимизатор ястребов Харриса — Harris Hawks Optimization (HHO)

Мы реализуем в MQL5 алгоритм Harris Hawks Optimization и разбираем пять режимов движения агентов, управляемых единственным параметром — убывающей энергией побега E. Представлен класс C_AO_HHO, совместимый с унифицированным тестовым стендом, с воспроизводимой реализацией полёта Леви. Алгоритм протестирован на функциях Hilly, Forest и Megacity при 5, 25 и 500 координатах — результаты указывают на аномальное поведение.

Нейросети в трейдинге: Многодоменная архитектура анализа финансовых данных (Основные компоненты)

В статье продолжается перенос подходов фреймворка MDL в область решения задач финансовых рынков. Рассмотрены модули унифицированной токенизации разнородных данных, доменно-ориентированного внимание и Feature Self-Iteration, позволяющий эффективнее работать с историей признаков. Особое внимание уделено архитектурным решениям, снижающим вычислительную нагрузку и сохраняющим рыночный контекст в процессе анализа.

Эволюционный отбор LLM-агентов в MetaTrader 5

Статья описывает архитектуру торговой системы из 20 LLM-агентов на базе Grok (xAI), каждый из которых несёт уникальную торговую философию — от чистого моментума до статистического z-score. Система применяет генетический алгоритм прямо в ходе торговли: каждые 20 сделок автоматически убивает слабых агентов, клонирует сильных с мутацией промпта и публикует лидерборд на графике MetaTrader 5 — без остановки торговли и без единого SDK.

Нейросети в трейдинге: Многодоменная архитектура анализа финансовых данных (Окончание)

В статье завершается построение фреймворка MDL и его интеграция в среду MQL5/OpenCL. Реализован объект верхнего уровня, объединяющий признаки, сценарии и задачи в единый вычислительный процесс. Проведено тестирование на исторических данных, показавшее устойчивую работу модели и её способность адаптироваться к изменяющимся рыночным условиям.

Машинное обучение и Data Science (Часть 37): Использование моделей свечных графиков и ИИ в трейдинге

Свечные модели помогают трейдерам понимать психологию рынка и выявлять тренды на финансовых рынках. Они позволяют принимать более обоснованные торговые решения, которые могут привести к лучшим результатам. В этой статье мы рассмотрим, как использовать свечные паттерны в сочетании с моделями искусственного интеллекта для достижения оптимальных результатов в трейдинге.

Реализация LLM-агента с SQL-памятью в MetaTrader 5

LLM-агент с SQL-памятью в MetaTrader 5 — архитектура, которая устраняет главное ограничение классических LLM-советников: потерю контекста между запросами. Каждое решение агента записывается в SQLite с рыночными условиями в момент сигнала — RSI, выравнивание MA, волатильность — и после закрытия позиции база получает исход. При следующем запросе агент читает собственную историю: похожие условия RSI из прошлого и последние три решения — и только затем анализирует текущий рынок. Результат: система, которая помнит свои ошибки между перезапусками и адаптирует поведение на основе накопленной статистики, а не начинает с чистого листа при каждом новом баре.

Нейросети в трейдинге: Унифицированное смешивание признаков для торговых решений (UniMixer)

Статья разбирает архитектуру UniMixer и интерпретирует её принципы для задач финансовых рынков, акцентируя моделирование взаимодействий признаков вместо простого прогноза цен. Показано, как организовать входные данные и семантические домены. Реализован базовый токенизатор для MQL5, формирующий токены с независимыми проекциями и подготавливающий корректное входное представление для последующего построения торговой модели.

Нелинейные признаки OHLC из эллиптических кривых

В статье рассматривается проекция дневных свечей EURUSD на эллиптическую кривую secp256k1 и извлечение 96 признаков (EC+TA) для прогноза направления следующей свечи в CatBoost. Показаны маппинг цен на кривую и конвейер обучения на 2000 барах D1; полная модель достигает AUC на тесте 0,6508, вклад EC-признаков — 60,6%. Материалы пригодны для воспроизведения в Python/MetaTrader 5.

Нейросети в трейдинге: Унифицированное смешивание признаков для торговых решений (Основные компоненты)

В статье показана адаптация фреймворка UniMixer средствами MQL5 для анализа финансовых рынков. Модуль UniMixer сначала выполняет смешивание токенов на локальном масштабе. Затем при глобальном смешивании токены сжимаются для фильтрации шума и снижения вычислительной нагрузки. После чего восстанавливаются до исходного количества. Интеграция с PerToken SwiGLU обеспечивает доработку каждого токена, повышая точность и устойчивость модели к рыночным колебаниям.

Самооптимизирующиеся советники на MQL5 (Часть 12): Построение линейных классификаторов с использованием факторизации матриц

В данной статье рассматривается важная роль матричного разложения в алгоритмической торговле, в частности в приложениях MQL5. От регрессионных моделей до многоклассовых классификаторов — мы рассмотрим практические примеры, демонстрирующие, насколько легко эти методы можно интегрировать с помощью встроенных функций MQL5. Независимо от того, занимаетесь ли вы прогнозированием направления движения цен или моделированием поведения индикаторов, данное руководство заложит прочную основу для создания интеллектуальных торговых систем с использованием матричных методов.