第 14 页 —— EA 交易的算法交易文章

范畴论是数学的一个多样化和不断扩展的分支，到目前为止，在 MQL5 社区中还相对难以发现。这些系列文章旨在介绍和研究其一些概念，其总体目标是建立一个开放的函数库，提供洞察力，同时希望在交易者的策略开发中进一步运用这一非凡的领域。

数据科学和机器学习（第 14 部分）：运用 Kohonen 映射在市场中寻找出路

您是否正在寻找一种可以帮助您驾驭复杂且不断变化的市场的尖端交易方法？ Kohonen 映射是一种创新的人工神经网络形式，可以帮助您发现市场数据中隐藏的形态和趋势。在本文中，我们将探讨 Kohonen 映射的工作原理，以及如何运用它们来开发更智能、更有效的交易策略。无论您是经验丰富的交易者，还是刚刚起步，您都不想错过这种令人兴奋的新交易方式。

在本文中，我们将继续如何基于最流行的技术指标创建交易系统的系列文章。这次一个新的技术工具，即斐波那契（Fibonacci），我们将学习如何基于该技术指标设计交易系统。

您是否厌倦了持续尝试预测股市？您是否希望有一个水晶球来帮助您做出更明智的投资决策？自训练神经网络可能是您一直在寻找的解决方案。在本文中，我们将探讨这些强大的算法是否可以帮助您“乘风破浪”，并跑赢股市。通过分析大量数据和识别形态，自训练神经网络通常可以做出比人类交易者更准确的预测。发现如何使用这项尖端技术来最大化您的盈利，并制定更明智的投资决策。

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。

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。

学习如何基于比尔·威廉姆斯（Bill Williams）的 MFI 设计交易系统

这是该系列中的一篇新文章，我们将学习如何根据流行的技术指标设计交易系统。这次我们将涵盖比尔·威廉姆斯（Bill Williams）的市场促进指数（BW MFI）。

我们将继续讨论上一篇文章的主题，以便完成有关自动化的这一系列文章。我们将看到所有内容如何搭配到一起，令 EA 像钟表一样运行。

在本文中，我们将把本系列中的所有知识付诸实践。我们最终将建立一个 100% 自动化和功能性的系统。但在此之前，我们仍然需要学习最后一个细节。

您知道什么是流程图吗？您能用它吗？您认为流程图适合初学者吗？我建议我们一起继续阅读这篇新文章，学习如何使用流程图。

这篇文章是关于道义期望。我们将看到在交易中运用它的若干示例，以及在它的帮助下可以达成的结果。

本文尝试回答这个问题：我们如何选择正确的智能系统？哪些最适合我们的投资组合，我们如何过滤市场上提供的庞大交易机器人列表？本文将介绍二十条明确而强大的准则来拒绝一款智能系统。每条提出的准则都将得到很好的解释，从而帮助您做出更持久的决定，并为您建立一个更有前途的智能系统集合，从而赚取利润。

在本文中，我将在 MetaTrader 5 中检查并优化二元期权策略。

如果您认为自动化系统很简单，那么您可能并未完全理解创建它们需要什么。在本文中，我们将谈谈杀死大量智能系统的问题。不分青红皂白地触发订单是解决这个问题的可能方法。

如果没有健全的安全性，自动化系统就不会成功。但是，如果不对某些事情有很好的理解，就无法确保安全性。在本文中，我们将探讨为什么在自动化系统中实现最大安全性是一项挑战。

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。

这是我们关于学习如何基于流行技术指标设计交易系统系列的一篇新文章，将介绍鳄嘴（Gator）振荡器技术指标，以及如何通过简单的策略创建交易系统。

马尔可夫（Markov）链是一个强大的数学工具，能够针对包括金融在内的各个领域的时间序列数据进行建模和预测。在金融时间序列建模和预测中，马尔可夫链通常用于模拟金融资产随时间的演变，例如股票价格或汇率。马尔可夫链模型的主要优点之一是其简单性和易用性。

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。

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。

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。

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。