添加新文章
神经网络实验（第 4 部分）：模板

神经网络实验（第 4 部分）：模板

在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证神经网络是否对交易者有任何帮助。 若在交易中运用神经网络的话， MetaTrader 5 完全可作为一款自给自足的工具。 简单的解释。
神经网络变得轻松（第三十六部分）：关系强化学习

神经网络变得轻松（第三十六部分）：关系强化学习

在上一篇文章中讨论的强化学习模型中，我们用到了卷积网络的各种变体，这些变体能够识别原始数据中的各种对象。 卷积网络的主要优点是能够识别对象，无关它们的位置。 与此同时，当物体存在各种变形和噪声时，卷积网络并不能始终表现良好。 这些是关系模型可以解决的问题。
多层感知器和反向传播算法（第 3 部分）：与策略测试器集成 - 概述（I）

多层感知器和反向传播算法（第 3 部分）：与策略测试器集成 - 概述（I）

多层感知器是简单感知器的演变，可以解决非线性可分离问题。 结合反向传播算法，可以有效地训练该神经网络。 在多层感知器和反向传播系列的第 3 部分当中，我们将见识到如何将此技术集成到策略测试器之中。 这种集成将允许使用复杂的数据分析，旨在制定更好的决策，从而优化您的交易策略。 在本文中，我们将讨论这种技术的优点和问题。
神经网络实验（第 3 部分）：实际应用

神经网络实验（第 3 部分）：实际应用

在本系列文章中，我会采用实验和非标准方法来开发一个可盈利的交易系统，并检查神经网络是否对交易者有任何帮助。 若在交易中运用神经网络，MetaTrader 5 则可作为近乎自给自足的工具。
构建自动运行的 EA（第 09 部分）：自动化（II）

构建自动运行的 EA（第 09 部分）：自动化（II）

如果您无法控制其调度表，则自动化就意味着毫无意义。 没有工人能够一天 24 小时高效工作。 然而，许多人认为自动化系统理所当然地每天 24 小时运行。 但为 EA 设置工作时间范围总是有好处的。 在本文中，我们将研究如何正确设置这样的时间范围。
构建自动运行的 EA（第 09 部分）：自动化（I）

构建自动运行的 EA（第 09 部分）：自动化（I）

尽管创建自动 EA 并非一项非常困难的任务，但在缺乏必要知识的情况下可能会犯许多错误。 在本文中，我们将研究如何构建初级自动化，其中包括创建一个触发器来激活盈亏平衡和尾随停止价位。
神经网络变得轻松（第三十五部分）：内在好奇心模块

神经网络变得轻松（第三十五部分）：内在好奇心模块

我们继续研究强化学习算法。 到目前为止，我们所研究的所有算法都需要创建一个奖励政策，从而令代理者能够每次从一个系统状态过渡到另一个系统状态的转换中估算其每个动作。 然而，这种方式人为因素相当大。 在实践中，动作和奖励之间存在一些时间滞后。 在本文中，我们将领略一种模型训练算法，该算法可以操控从动作到奖励的各种时间延迟。
神经网络变得轻松（第三十四部分）：全部参数化的分位数函数

神经网络变得轻松（第三十四部分）：全部参数化的分位数函数

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。
非线性指标

非线性指标

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。
构建自动运行的 EA（第 03 部分）：新函数

构建自动运行的 EA（第 03 部分）：新函数

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。
构建自动运行的 EA（第 02 部分）：开始编码

构建自动运行的 EA（第 02 部分）：开始编码

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。
帧分析器（Frames Analyzer）工具带来的时间片交易魔法

帧分析器（Frames Analyzer）工具带来的时间片交易魔法

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。
神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法

神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法

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。
神经网络变得轻松（第二十八部分）：政策梯度算法

神经网络变得轻松（第二十八部分）：政策梯度算法

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。
神经网络变得轻松（第二十四部分）：改进迁移学习工具

神经网络变得轻松（第二十四部分）：改进迁移学习工具

在上一篇文章中，我们创建了一款用于创建和编辑神经网络架构的工具。 今天我们将继续打造这款工具。 我们将努力令其对用户更加友好。 也许可以看到，我们的主题往上更进一步。 但是，您不认为规划良好的工作空间在实现结果方面起着重要作用吗？