Add a new article
Python ve MQL5'te bir robot geliştirme (Bölüm 1): Veri ön işleme
Python ve MQL5'te bir robot geliştirme (Bölüm 1): Veri ön işleme
Makine öğrenimine dayalı bir alım-satım robotu geliştirme: Ayrıntılı bir rehber. Serinin ilk makalesi veri ve özelliklerin toplanması ve hazırlanması ile ilgilidir. Projenin uygulanması için Python programlama dili ve kütüphaneleri ile MetaTrader 5 platformu kullanılmıştır.
Gösterge Bilgisinin Ölçülmesi
Gösterge Bilgisinin Ölçülmesi
Makine öğrenimi, strateji geliştirme için popüler bir yöntem haline gelmiştir. Karlılığı ve tahmin doğruluğunu en üst düzeye çıkarmaya daha fazla odaklanılırken, tahmin modelleri oluşturmak için kullanılan verilerin işlenmesinin önemine çok fazla dikkat edilmemiştir. Bu makalede, Timothy Masters'ın “Testing and Tuning Market Trading Systems” (piyasa alım-satım sistemlerinin test edilmesi ve ayarlanması) kitabında belgelendiği gibi, tahmin modeli oluşturmada kullanılacak göstergelerin uygunluğunu değerlendirmek için entropi kavramını kullanmayı ele alacağız.
Popülasyon optimizasyon algoritmaları: Yerçekimsel arama algoritması (Gravitational Search Algorithm, GSA)
Popülasyon optimizasyon algoritmaları: Yerçekimsel arama algoritması (Gravitational Search Algorithm, GSA)
GSA, cansız doğadan ilham alan bir popülasyon optimizasyon algoritmasıdır. Algoritmada uygulanan Newton'un yerçekimi yasası sayesinde, fiziksel cisimlerin etkileşimini modellemenin yüksek güvenilirliği, gezegen sistemlerinin ve galaktik kümelerin büyüleyici dansını gözlemlememize olanak tanır. Bu makalede, en ilginç ve orijinal optimizasyon algoritmalarından birini ele alacağız. Uzay nesnelerinin hareket simülatörü de sağlanmıştır.
Scikit-learn kütüphanesinin sınıflandırma modelleri ve bunların ONNX'e aktarılması
Scikit-learn kütüphanesinin sınıflandırma modelleri ve bunların ONNX'e aktarılması
Bu makalede, Fisher'ın iris veri kümesinin sınıflandırma görevini çözmek için Scikit-learn kütüphanesinde bulunan tüm sınıflandırma modellerinin uygulanmasını inceleyeceğiz. Bu modelleri ONNX formatına dönüştürmeye ve elde edilen modelleri MQL5 programlarında kullanmaya çalışacağız. Ek olarak, orijinal modellerin doğruluğunu tam iris veri setindeki ONNX versiyonlarıyla karşılaştıracağız.
Scikit-learn kütüphanesinin regresyon modelleri ve bunların ONNX'e aktarılması
Scikit-learn kütüphanesinin regresyon modelleri ve bunların ONNX'e aktarılması
Bu makalede, Scikit-learn paketinden regresyon modellerinin uygulanmasını inceleyecek, bunları ONNX formatına dönüştürmeye çalışacak ve sonuçta ortaya çıkan modelleri MQL5 programlarında kullanacağız. Ayrıca, orijinal modellerin doğruluğunu hem float hem de double hassasiyet için ONNX versiyonlarıyla karşılaştıracağız. Ek olarak, regresyon modellerinin ONNX temsilini inceleyerek iç yapılarının ve çalışma prensiplerinin daha iyi anlaşılmasını sağlayacağız.
ONNX modellerini sınıflara sarma
ONNX modellerini sınıflara sarma
Nesne yönelimli programlama, okunması ve değiştirilmesi kolay olan daha kompakt bir kod oluşturulmasını sağlar. Burada üç ONNX modeli için örneğe bir göz atacağız.
MQL5'te matrisler ve vektörler: Aktivasyon fonksiyonları
MQL5'te matrisler ve vektörler: Aktivasyon fonksiyonları
Burada makine öğreniminin sadece bir yönünü - aktivasyon fonksiyonlarını - açıklayacağız. Yapay sinir ağlarında, bir nöron aktivasyon fonksiyonu, bir girdi sinyalinin veya bir dizi girdi sinyalinin değerlerine dayalı olarak bir çıktı sinyali değerini hesaplar. Sürecin iç işleyişini derinlemesine inceleyeceğiz.
MQL5'te ONNX modelleri nasıl kullanılır?
MQL5'te ONNX modelleri nasıl kullanılır?
Açık sinir ağı santrali (Open Neural Network eXchange, ONNX), makine öğrenimi modellerini temsil etmek için oluşturulmuş açık bir formattır. Bu makalede, finansal zaman serilerini öngörmek için bir CNN-LSTM modelinin nasıl oluşturulacağını ele alacağız. Ayrıca oluşturulan ONNX modelinin bir MQL5 Uzman Danışmanında nasıl kullanılacağını da göstereceğiz.
Popülasyon optimizasyon algoritmaları: Balık sürüsü arama (Fish School Search, FSS)
Popülasyon optimizasyon algoritmaları: Balık sürüsü arama (Fish School Search, FSS)
Balık sürüsü arama (Fish School Search, FSS) algoritması, %80'e varan çoğunluğu türdeş organize topluluklar halinde yüzen balıkların sürü içerisindeki davranışlarından esinlenen yeni bir optimizasyon algoritmasıdır. Balık kümelerinin, yiyecek arama ve avcılardan korunma verimliliğinde önemli bir rol oynadığı kanıtlanmıştır.
Popülasyon optimizasyon algoritmaları: Gri kurt optimizasyonu (Grey Wolf Optimizer, GWO)
Popülasyon optimizasyon algoritmaları: Gri kurt optimizasyonu (Grey Wolf Optimizer, GWO)
Bu makalede en yeni modern optimizasyon algoritmalarından biri olan gri kurt optimizasyonunu ele alacağız. Test fonksiyonları üzerindeki orijinal davranışı, bu algoritmayı daha önce incelenenler arasında en dikkat çekici olanlardan biri haline getirmektedir. Bu, sinir ağlarının, çok değişkenli düzgün fonksiyonların eğitiminde kullanılan en iyi algoritmalardan biridir.
Veri Bilimi ve Makine Öğrenimi (Bölüm 06): Gradyan İniş
Veri Bilimi ve Makine Öğrenimi (Bölüm 06): Gradyan İniş
Gradyan iniş, sinir ağlarının ve çeşitli makine öğrenimi algoritmalarının eğitiminde önemli bir rol oynamaktadır - hızlı ve akıllı bir algoritmadır. Etkileyici bir şekilde çalışmasına rağmen, birçok veri bilimci tarafından hala yanlış anlaşılmaktadır. Bu makalemizde onu detaylıca inceleyerek daha iyi anlayacağız.
Veri Bilimi ve Makine Öğrenimi (Bölüm 05): Karar Ağaçları
Veri Bilimi ve Makine Öğrenimi (Bölüm 05): Karar Ağaçları
Karar ağaçları, insanların düşünme şeklini taklit ederek verileri sınıflandırır. Bu makalede, karar ağaçlarını nasıl oluşturacağımızı ve onları verileri sınıflandırmak ve öngörmek için nasıl kullanacağımızı göreceğiz. Karar ağacı algoritmasının temel amacı, heterojen verilerden homojen veya homojene yakın verileri ayırmaktır.
Veri Bilimi ve Makine Öğrenimi (Bölüm 04): Borsa Çöküşünü Öngörme
Veri Bilimi ve Makine Öğrenimi (Bölüm 04): Borsa Çöküşünü Öngörme
Bu makalede, ABD ekonomisinin temel analizine dayalı olarak borsa çöküşünü öngörmek için lojistik modelimizi kullanmaya çalışacağız. Değerlendirmemizi Netflix ve Apple hisse senetleri üzerinde yapacağız ve 2019 ve 2020’deki borsa çöküşlerindeki verileri kullanacağız. Bakalım lojistik modelimiz kasvetli piyasa koşullarında nasıl performans gösterecek.
MQL5'te matrisler ve vektörler
MQL5'te matrisler ve vektörler
matrix ve vector özel veri türleri, matematiksel gösterime çok yakın kodların oluşturulmasına olanak sağlar. Bu, programcıyı iç içe döngüler oluşturmaktan ve hesaplamaya dahil olan dizilerin sürekli olarak doğru bir şekilde indekslenmesine dikkat etmekten kurtarır. Dolayısıyla, matrix ve vector metotlarının kullanılması, karmaşık programların geliştirilmesinde güvenilirliği ve hızı artırır.
Veri Bilimi ve Makine Öğrenimi (Bölüm 03): Matris Regresyonları
Veri Bilimi ve Makine Öğrenimi (Bölüm 03): Matris Regresyonları
Bu sefer matrisleri kullanarak modeller oluşturacağız. Matrisler, modellere esneklik sağlar. Yalnızca beş bağımsız değişkeni değil, bilgisayarın hesaplama yeteneklerinin izin verdiği ölçüde çok sayıda değişkeni işleyebilen güçlü modeller oluşturmamıza olanak tanır.
Veri Bilimi ve Makine Öğrenimi (Bölüm 02): Lojistik Regresyon
Veri Bilimi ve Makine Öğrenimi (Bölüm 02): Lojistik Regresyon
Veri sınıflandırması, bir algo yatırımcısı ve bir programcı için çok önemli bir şeydir. Bu makalede, evet veya hayırları, yükseliş ve düşüşleri, alış ve satışları belirlememize yardımcı olabilecek sınıflandırma lojistik algoritmalarından birine odaklanacağız.
Veri Bilimi ve Makine Öğrenimi (Bölüm 01): Lineer Regresyon
Veri Bilimi ve Makine Öğrenimi (Bölüm 01): Lineer Regresyon
Yatırımcılar olarak sistemlerimizi ve kendimizi sayıların söylediklerine dayalı şekilde kararlar alma konusunda eğitmemizin zamanı geldi. Tüm dünyanın hareket ettiği şekilde, görsel veya sezgisel olarak değil, biz, bu genel dalganın yönüne dik olarak hareket edeceğiz.
Rastgele Ormanlar Öngörü Trendleri
Rastgele Ormanlar Öngörü Trendleri
Bu makale, Forex'te döviz çiftlerinin uzun ve kısa pozisyonlarını tahmin ederek formasyonların otomatik araması için Rattle paketi kullanmayı ele almaktadır. Bu makale hem acemi hem de deneyimli yatırımcılar için faydalı olabilir.