EA 交易 | 算法交易文章

我们继续研究从点云提取特征的算法。在本文中，我们将领略提升 PointNet 方法效率的机制。

您应当知道的 MQL5 向导技术（第 37 部分）：配以线性和 Matérn 内核的高斯过程回归

线性内核是机器学习中，针对线性回归和支持向量机所用的同类中最简单的矩阵。另一方面，Matérn 内核是我们在之前的文章中讲述的径向基函数的更普遍版本，它擅长映射不如 RBF 假设那样平滑的函数。我们构建了一个自定义信号类，即利用两个内核来预测做多和做空条件。

我们继续开发Connexus库。在本章中，我们探讨HTTP协议中请求头的概念，解释它们是什么、它们的用途以及如何在请求中使用它们。我们将涵盖用于与API通信的主要头信息，并展示了如何在库中配置它们的实例。

直接分析点云避免了不必要的数据增长，并改进了模型在分类和任务分段时的性能。如此方式对于原始数据中的扰动展现出高性能和稳健性。

学习使用当前和历史数据在 MQL5 中创建和自定义图表对象。本基于项目的指南可帮助您可视化交易并实际应用 MQL5 概念，从而更容易构建适合您交易需求的工具。

创建 MQL5-Telegram 集成 EA 交易（第 4 部分）：模块化代码函数以增强可重用性

在本文中，我们将现有的用于从 MQL5 向 Telegram 发送消息和截图的代码重构为可重复使用的模块化函数。这将简化流程，实现跨多个实例的更高效执行和更轻松的代码管理。

您应当知道的 MQL5 向导技术（第 36 部分）：依据马尔可夫（Markov）链的 Q-学习

强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。

我们继续研究层次化向量变换器方法。在本文中，我们将完成模型的构造。我们还会在真实历史数据上对其进行训练和测试。

支持向量回归是一种理想主义的途径，寻找最能描述两组数据之间关系的函数或“超平面”。我们尝试在 MQL5 向导的自定义类内利用这一点来进行时间序列预测。

我们邀请您来领略层次化矢量转换器（HiVT）方法，其专为快速、准确地预测多模态时间序列而开发。

本文探讨了HTTP协议的基础知识，涵盖了主要方法（GET、POST、PUT、DELETE）、状态码以及URL的结构。此外，还介绍了Conexus库的构建起点，以及CQueryParam和CURL类，这些类用于在HTTP请求中操作URL和查询参数。

这款MetaTrader 5 EA实现了基于订单流的剥头皮交易策略，并配备了高级风险管理功能。它使用多种技术指标，通过订单的不平衡性来识别交易机会。回测结果显示该策略具有潜在的盈利能力，但同时也突显了需要进一步优化的必要性，尤其是在风险管理和交易结果比率方面。该策略适合经验丰富的交易者，但在实际部署之前，需要进行彻底的测试和深入理解。

理解个体在众多不同领域的行为很重要，但大多数方法只专注其中一项任务（理解、噪声消除、或预测），这会降低它们在现实中的有效性。在本文中，我们将领略一个可以适配解决各种问题的模型。

目前，我们的 EA 使用数据库来获取交易策略单个实例的初始化字符串。然而，这个数据库相当大，包含许多实际 EA 操作不需要的信息。让我们尝试在不强制连接到数据库的情况下确保 EA 的功能。

您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入

受限玻尔兹曼（Boltzmann）机是一种神经网络形式，开发于 1980 年代中叶，当时的计算资源非常昂贵。在其初创时，它依赖于 Gibbs 采样，以及对比散度来降低维度，或捕获输入训练数据集上的隐藏概率/属性。我们验证当 RBM 为预测多层感知器“嵌入”价格时，反向传播如何执行类似的操作。

数据科学和机器学习（第 27 部分）：MetaTrader 5 中训练卷积神经网络（CNN）交易机器人 — 值得吗?

卷积神经网络（CNN）以其在检测图像和视频形态方面的出色能力而闻名，其应用涵盖众多领域。在本文中，我们探讨了 CNN 在金融市场中识别有价值形态，并为 MetaTrader 5 交易机器人生成有效交易信号的潜力。我们来发现这种深度机器学习技术如何能撬动更聪明的交易决策。

您应当知道的 MQL5 向导技术（第 33 部分）：高斯（Gaussian）进程核心

高斯（Gaussian）进程核心是正态分布的协方差函数，能够在预测中扮演角色。我们在 MQL5 的自定义信号类中探索这种独特的算法，看看它是否可当作主要入场和离场信号。

正则化是一种在贯穿神经网络各层应用离散权重，按比例惩罚损失函数的形式。我们来考察其重要性，对于一些不同的正则化形式，能够在配合向导组装的智能系统运行测试。

构思一个独立的EA。之前，我们讨论了一个基于指标的EA，它还与一个独立脚本配合，用于绘制风险与收益图形。今天，我们将讨论一个整合了所有功能的MQL5 EA的架构。

创建 MQL5-Telegram 集成 EA 交易 (第 3 部分):将带有标题的图表截图从 MQL5 发送到 Telegram

在本文中，我们创建一个 MQL5 EA 交易，将图表截图编码为图像数据并通过 HTTP 请求将其发送到 Telegram 聊天。通过集成图片编码和传输，我们直接在 Telegram 内通过可视化交易洞察增强了现有的 MQL5-Telegram 系统。

到目前为止，我们审阅的大量模型都是基于变换器架构。不过，在处理长序列时，它们或许效率低下。在本文中，我们将领略一种替代方向，即基于状态空间模型的时间序列预测。

损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。

本文是‘Connexus’库开发系列的开篇之作，旨在为MQL5环境下的HTTP请求提供便利支持。该项目的目的是为终端用户提供这个机会，并展示如何使用这个辅助库。我打算尽可能地简化，以便于学习，从而为进一步开发提供可能性。

在本文中，我们将增强之前创建过的管理面板的响应性。此外，我们还将探讨在交易信号背景下快速消息传递的重要性。

这款名为SMOC（可能代表随机模型最优控制）的EA，是MetaTrader 5平台上一个较为先进的算法交易系统的简单示例。它结合了技术指标、模型预测控制以及动态风险管理来做出交易决策。该EA融入了自适应参数、基于波动率的仓位规模调整以及趋势分析，以优化其在不同市场条件下的表现。

大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。

动态多货币对EA利用正负相关性来优化EA的交易表现。通过分析实时市场数据，它识别并利用货币对之间的相关性。

批量归一化是把数据投喂给机器学习算法（如神经网络）之前对数据进行预处理。始终要留意算法所用的激活类型，完成该操作。因此，我们探索在向导组装的智能系统帮助下，能够采取的不同方式，并从中受益。

在MQL5中实现基于抛物线转向指标（Parabolic SAR）和简单移动平均线（SMA）的快速交易策略算法

在本文中，我们将在MQL5中开发一个快速交易EA，利用抛物线SAR和简单移动平均线（SMA）指标来创建一个响应迅速的交易策略。我们详细介绍了该策略的实施过程，包括指标的使用、信号的生成以及测试和优化过程。

我们继续领略 TEMPO 方法。在本文中，我们将评估所提议方法在真实历史数据上的真实有效性。

将您自己的 LLM 集成到 EA 中（第 4 部分）：使用 GPU 训练自己的 LLM

随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。

我们继续研究时间序列预测模型。在本文中，我们领略一种建立在预训练语言模型基础上的复杂算法。

在本文中，我们将通过MQL5实现抛物线SAR趋势策略的自动化交易：打造高效的EA。该EA将根据抛物线SAR指标识别出的趋势进行交易。

我们主要验证自适应学习率，圆满考察学习率对智能系统性能的敏感性。这些学习率旨在在训练过程中针对层中的每个参数进行自定义，故我们评估潜在收益相较于预期的性能损失。

在大数据的世界里，有数以百万计的备选数据集，它们有可能提升我们的交易策略。在这一系列文章中，我们将帮助您识别最有信息量的公开数据集。

在开发上一篇文章的主题时，我决定创建一个更灵活、功能更强大的模板，该模板具有更大的功能，可以有效地用于自由职业，也可以作为开发多货币和多时段 EA 的基础，并能够与外部解决方案集成。

您应当知道的 MQL5 向导技术（第 28 部分）：据入门学习率重新审视 GAN

学习率是许多机器学习算法在训练过程期间，朝向训练目标迈进的步长。我们检验了其众多调度和格式对于生成式对抗网络性能的影响，该神经网络类型我们在早前文章中已检验过。

在这一系列文章中，我们重新审视经典策略，看看是否可以利用人工智能（AI）对其进行改进。在本文中，我们将研究流行的多时间框架分析策略，以判断该策略是否可以通过人工智能得到增强。

数据科学和机器学习（第 26 部分）：时间序列预测的终极之战 — LSTM 对比 GRU 神经网络

在上一篇文章中，我们讨论了一个简单的 RNN，尽管它对理解数据中的长期依赖关系无能为力，却仍能制定可盈利策略。在本文中，我们将讨论长-短期记忆（LSTM）、门控递归单元（GRU）。引入这两个是为了克服简单 RNN 的缺点，并令其更聪慧。

在本文中，我想向您介绍一种为解决自动驾驶领域问题而开发的有趣的轨迹预测方法。该方法的作者结合了各种架构解决方案的最佳元素。

交易中的神经网络：点云的层次化特征学习

您应当知道的 MQL5 向导技术（第 37 部分）：配以线性和 Matérn 内核的高斯过程回归

Connexus的头（第三部分）：掌握HTTP请求头的使用方法

交易中的神经网络：点云分析（PointNet）

MQL5 简介（第 9 部分）：理解和使用 MQL5 中的对象

创建 MQL5-Telegram 集成 EA 交易（第 4 部分）：模块化代码函数以增强可重用性

您应当知道的 MQL5 向导技术（第 36 部分）：依据马尔可夫（Markov）链的 Q-学习

交易中的神经网络：层次化向量变换器（终章）

您应当知道的 MQL5 向导技术（第 35 部分）：支持向量回归

交易中的神经网络：层次化向量变换器（HiVT）

HTTP和Connexus（第2部分）：理解HTTP架构和库设计

基于MQL5的订单剥头皮交易系统

交易中的神经网络：统一轨迹生成模型（UniTraj）

开发多币种 EA 交易（第 17 部分）：为真实交易做进一步准备

您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入

数据科学和机器学习（第 27 部分）：MetaTrader 5 中训练卷积神经网络（CNN）交易机器人 — 值得吗?

您应当知道的 MQL5 向导技术（第 33 部分）：高斯（Gaussian）进程核心

您应当知道的 MQL5 向导技术（第 32 部分）：正则化

构建蜡烛图趋势约束模型（第8部分）：EA开发（II）

创建 MQL5-Telegram 集成 EA 交易 (第 3 部分):将带有标题的图表截图从 MQL5 发送到 Telegram

交易中的神经网络：状态空间模型

您应当知道的 MQL5 向导技术（第 31 部分）：选择损失函数

Connexus入门（第一部分）：如何使用WebRequest函数？

在MQL5中创建交易管理员面板（第二部分）：增强响应性和快速消息传递

随机优化和最优控制示例

交易中的神经网络：将全局信息注入独立通道（InjectTST）

创建动态多货币对EA（第1部分）：货币正相关性与负相关性

您应当知道的 MQL5 向导技术（第 30 部分）：聚焦机器学习中的批量归一化

在MQL5中实现基于抛物线转向指标（Parabolic SAR）和简单移动平均线（SMA）的快速交易策略算法

交易中的神经网络：TEMPO 方法的实施结果

将您自己的 LLM 集成到 EA 中（第 4 部分）：使用 GPU 训练自己的 LLM

交易中的神经网络：使用语言模型进行时间序列预测

使用MQL5实现抛物线SAR趋势策略的自动化交易：打造高效的EA

您应当知道的 MQL5 向导技术（第 29 部分）：继续学习率与 MLP

在任何市场中获得优势（第三部分）：Visa消费指数

MetaTrader 中的 Multibot（第二部分）：改进的动态模板

您应当知道的 MQL5 向导技术（第 28 部分）：据入门学习率重新审视 GAN

重塑经典策略（第六部分）：多时间框架分析

数据科学和机器学习（第 26 部分）：时间序列预测的终极之战 — LSTM 对比 GRU 神经网络

交易中的神经网络：一种复杂的轨迹预测方法（Traj-LLM）