添加新文章
群体优化算法：带电系统搜索（CSS）算法
群体优化算法：带电系统搜索（CSS）算法
在本文中，我们将探讨另一种受无生命自然启发的优化算法--带电系统搜索（Charged System Search，CSS）算法。本文旨在介绍一种基于物理和力学原理的新的优化算法。
Scikit-Learn 库中的分类模型及其导出到 ONNX
Scikit-Learn 库中的分类模型及其导出到 ONNX
在本文中，我们将探讨使用 Scikit-Learn 库中所有可用的分类模型来解决 Fisher 鸢尾花数据集的分类任务。我们将尝试把这些模型转换为 ONNX 格式，并在 MQL5 程序中使用生成的模型。此外，我们将在完整的鸢尾花数据集上比较原始模型与其 ONNX 版本的准确性。
群体优化算法：随机扩散搜索（SDS）
群体优化算法：随机扩散搜索（SDS）
本文讨论了基于随机游走原理的随机扩散搜索（Stochastic Diffusion Search，SDS）算法，它是一种非常强大和高效的优化算法。该算法允许在复杂的多维空间中找到最优解，同时具有高收敛速度和避免局部极值的能力。
群体优化算法：混合蛙跳算法（SFL）
群体优化算法：混合蛙跳算法（SFL）
本文详细描述了混合蛙跳（Shuffled Frog-Leaping，SFL）算法及其在求解优化问题中的能力。SFL算法的灵感来源于青蛙在自然环境中的行为，为函数优化提供了一种新的方法。SFL算法是一种高效灵活的工具，能够处理各种数据类型并实现最佳解决方案。
将您自己的LLM集成到EA中（第2部分）：环境部署示例
将您自己的LLM集成到EA中（第2部分）：环境部署示例
随着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，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
MQL5 中的范畴论 (第 17 部分)：函子与幺半群
MQL5 中的范畴论 (第 17 部分)：函子与幺半群
本文是我们系列文章的最后一篇，将函子作为一个主题来讨论，且把幺半群作为一个范畴来重新审视。幺半群已在我们的系列中多次讲述，于此配合多层感知器帮助确定持仓规模。
MQL5中的范畴论（第19部分）：自然性四边形归纳法
MQL5中的范畴论（第19部分）：自然性四边形归纳法
我们继续通过探讨自然性四边形归纳法来研究自然变换。对于使用MQL5向导构建的EA交易来说，对多货币实现的轻微限制意味着我们正在通过脚本展示我们的数据分类能力。所考虑的主要应用是价格变化分类及其预测。
MQL5中的范畴论（第18部分）：自然性四边形
MQL5中的范畴论（第18部分）：自然性四边形
本文通过介绍自然变换这一主题中的一个关键支柱，继续我们的范畴理论系列。我们研究看似复杂的定义，然后深入研究本系列“面包和黄油”的示例和应用程序；波动性预测。
MQL5 中的范畴论 (第 16 部分)：多层感知器函子
MQL5 中的范畴论 (第 16 部分)：多层感知器函子
本文是我们系列文章的第 16 篇，继续考察函子以及如何使用人工神经网络实现它们。我们偏离了迄今为止在该系列中所采用的方式，这涉及预测波动率，并尝试实现自定义信号类来设置入仓和出仓信号。
神经网络变得轻松（第五十三部分）：奖励分解
神经网络变得轻松（第五十三部分）：奖励分解
我们已经不止一次地讨论过正确选择奖励函数的重要性，我们通过为单独动作添加奖励或惩罚来刺激代理者的预期行为。但是关于由代理者解密我们的信号的问题仍旧悬而未决。在本文中，我们将探讨将单独信号传输至已训练代理者时的奖励分解。
在 ONNX 模型中使用 float16 和 float8 格式
在 ONNX 模型中使用 float16 和 float8 格式
用于表示机器学习模型的数据格式对其有效性起着至关重要的作用。近年来，出现了几种新类型的数据，专门为使用深度学习模型而设计。在本文中，我们将重点介绍两种新的数据格式，它们已在现代模型中广泛采用。
MQL5 中的范畴论 (第 15 部分)：函子与图论
MQL5 中的范畴论 (第 15 部分)：函子与图论
本文是以 MQL5 实现范畴论，着眼于函子之系列的续篇，但这次是作为图论和集合之间的桥梁。我们重新审视日历数据，尽管它在策略测试器中存在使用局限，但在相关性的帮助下，可利用函子来预测波动性。
MQL5 中的范畴论 (第 14 部分)：线性序函子
MQL5 中的范畴论 (第 14 部分)：线性序函子
本文是更广泛关于以 MQL5 实现范畴论系列的一部分，深入探讨了函子（Functors）。我们实验了如何将线性序映射到集合，这要归功于函子；通过研究两组数据，典型情况下会忽略其间的任何联系。