Add a new article
神经网络变得轻松（第四十四部分）：动态学习技能
神经网络变得轻松（第四十四部分）：动态学习技能
在上一篇文章中，我们讲解了 DIAYN 方法，它提供了学习各种技能的算法。 获得的技能可用在各种任务。 但这些技能可能非常难以预测，而这可能令它们难以运用。 在本文中，我们要研究一种针对学习可预测技能的算法。
在类中包装 ONNX 模型
在类中包装 ONNX 模型
面向对象编程可以创建更紧凑、易于阅读和修改的代码。 在此，我们将会看到三个 ONNX 模型的示例。
神经网络变得轻松（第三十七部分）：分散关注度
神经网络变得轻松（第三十七部分）：分散关注度
在上一篇文章中，我们讨论了在其架构中使用关注度机制的关系模型。 这些模型的具体特征之一是计算资源的密集功用。 在本文中，我们将研究于自我关注度模块内减少计算操作数量的机制之一。 这将提高模型的常规性能。
另一个 MQL5 OOP 类
另一个 MQL5 OOP 类
本文会从一种理论性交易概念的构想，到编制一个在经验世界中实现这一概念的 MQL5 EA 交易，为您讲解如何从头建立一个面向对象的 EA 交易。依本人看，边做边学是取得成功的一种可靠方法。所以，我会拿出一个实用的例子，让您明白如何才能整理自己的想法，并最终完成外汇自动交易代码。和您一起遵守“面向对象”原则，也是我的目标之一。
MQL5 中的范畴论 (第 7 部分)：多域、相对域和索引域
MQL5 中的范畴论 (第 7 部分)：多域、相对域和索引域
范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。
MQL5 中的范畴论 (第 6 部分)：单态回拉和满态外推
MQL5 中的范畴论 (第 6 部分)：单态回拉和满态外推
范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。
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。
连续前行优化 (第八部分): 程序改进和修复
连续前行优化 (第八部分): 程序改进和修复
根据本系列文章的用户和读者的评论和要求，程序已进行了修改。 本文包含一个自动优化器的新版本。 该版本实现了所需的功能，并提供了其他改进，这些是我运用该程序操作时发现的。
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。