Algorithmic Trading Articles for 专家

在本文中，我们将目睹如何利用事件处理系统快速有效地处理与订单系统相关的问题。配合这个系统，EA 就能更快地工作，如此它就不必持续不断地搜索所需的数据。

我们继续研究分布式 Q-学习算法。在之前的文章中，我们研究了分布式和分位数 Q-学习算法。在第一种算法当中，我们训练了给定数值范围的概率。在第二种算法中，我们用给定的概率训练了范围。在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。

在本文中，我将尝试研究一些构建非线性指标的方法，并探索其在交易中的用处。 MetaTrader 交易平台中有相当多的指标采用非线性方式。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。交易者应当始终明白自动 EA 正在做什么，以便若它“偏离轨道”，交易者可以尽早将其从图表中删除，并控制事态。

我们继续研究分布式 Q-学习。今天我们将从另一个角度来看待这种方式。我们将研究使用分位数回归来解决价格预测任务的可能性。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。当前状态下，我们的 EA 已能在任何状况下工作，但尚未准备好自动化。我们仍然需要在几点上努力。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。在上一篇文章的末尾，我建议允许手工操作 EA 是合适的，至少在一段时间内。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。在上一篇文章中，我们已启动开发一个在自动化 EA 中使用的订单系统。然而，我们只创建了一个必要的函数。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。在上一篇文章中，我们讨论了任何人在继续创建自动交易的智能系统之前需要了解的第一步。我们首先研究了概念和结构。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。

我们在本系列的早期文章中领略了 Q-学习方法。此方法均化每次操作的奖励。 2017 年出现了两篇论文，在研究奖励分配函数时展现出了极大的成功。我们来研究运用这种技术解决我们问题的可能性。

什么是帧分析器（Frames Analyzer）？这是适用于任意智能系统的一个插件模块，在策略测试器中、以及测试器之外进行参数优化期间，该工具在参数优化完成后立即读取测试创建的 MQD 文件、或数据库，并分析优化帧数据。您能够与拥有帧分析器工具的其他用户共享这些优化结果，从而共同讨论结果。

在上一篇文章中，我们开始探索非梯度优化方法。我们领略了遗传算法。今天，我们将继续这个话题，并将研究另一类进化算法。

今天我想给大家介绍一种略有不同的学习方法。我们可以说它是从达尔文的进化论中借鉴而来的。它可能比前面所讨论方法的可控性更低，但它允许训练不可微分的模型。

在本系列的前几篇文章中，我们见识到两种增强的学习算法。它们中的每一个都有自己的优点和缺点。正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。这将弥补它们每种的短处。本文将讨论其中一种方法。

我们继续研究强化学习方法。在上一篇文章中，我们领略了深度 Q-学习方法。按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。然后，根据政策和预期奖励执行动作。但并不总是能够近似 Q-函数。有时它的近似不会产生预期的结果。在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。其中一种方法是政策梯度。