第 12 页 —— 机器学习的算法交易文章

文章介绍了一种基于自然界螺旋轨迹构造模式（如软体动物贝壳）的优化算法 - 螺旋动力学优化算法（Spiral Dynamics Optimization，SDO）。我对作者提出的算法进行了彻底的修改和完善，本文将探讨这些修改的必要性。

您应当知道的 MQL5 向导技术（第 09 部分）：K-Means 聚类与分形波配对

“K-均值”聚类采用数据点分组的方式，该过程最初侧重于数据集的宏观视图，使用随机生成的聚类质心，然后放大并调整这些质心，从而准确表示数据集。我们将对此进行研究，并开拓一些它的用例。

文章探讨了一种源自无生命自然的有趣算法 - 模拟河床形成过程的智能水滴（IWD，Intelligent Water Drops）。这种算法的理念大大改进了之前的评级领先者 - SDS。与往常一样，新的领先者（修改后的 SDSm）可在附件中找到。

在本文中，我们将继续讨论收集数据至训练集之中的方法。显然，学习过程需要与环境不断互动。不过，状况可能会有所不同。

感知器，单隐藏层网络，对于任何精熟基本自动交易，并希望涉足神经网络的人来说都是一个很好的切入点。我们查看这是如何在一个信号类当中一步一步组装实现的，其是 MQL5 向导类中用于智能交易系统的部分。

本文表述针对 Nelder-Mead 方法进行的彻底探索，解释了如何在每次迭代中修改和重新排列单纯形（函数参数空间），从而达成最优解，并讲述了如何改进该方法。

在本文中，我们将领略一个有趣的算法，它是在监督和强化学习方法的交叉点上构建的。

机器学习中的量化（第 2 部分）：数据预处理、表格选择、训练 CatBoost 模型

本文探讨了量化在树模型构建中的实际应用。探讨了选择量化表和数据预处理的方法。没有使用复杂的数学方程。

据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。

开发具有 RestAPI 集成的 MQL5 强化学习代理（第 1 部分）：如何在 MQL5 中使用 RestAPI

在本文中，我们将讨论 API（Application Programming Interface，应用程序编程接口）对于不同应用程序和软件系统之间交互的重要性。我们将看到 API 在简化应用程序间交互方面的作用，使它们能够有效地共享数据和功能。

我们将继续讨论决策转换器方法系列。从上一篇文章中，我们已经注意到，训练这些方法架构下的转换器是一项相当复杂的任务，需要一个大型标记数据集进行训练。在本文中，我们将观看到一种使用未标记轨迹进行初步模型训练的算法。

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。

在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。

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。

在离线学习期间，我们基于训练样本数据优化了智能体的政策。成品政策令智能体对其动作充满信心。然而，这种乐观情绪并不总是正当的，并且可能会在模型操作期间导致风险增加。今天，我们要寻找降低这些风险的方法之一。

出于分析和预测目的而把数据分类是机器学习中一个非常多样化的领域，它具有大量的方式和方法。本文着眼于一种这样的方式，即集聚层次化分类。

传递指标至感知器的示例。本文讲述了一般概念，并展示了最简单的现成智能交易系统，后随其优化和前向验算结果。

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。

最近两篇文章专门介绍了决策转换器方法，其在期望奖励的自回归模型境况下针对动作序列进行建模。在本文中，我们将研究该方法的另一种优化算法。

本文探讨了MEC家族的算法，称为简单思维进化计算（Simple Mind Evolutionary Computation, Simple-MEC，SMEC）算法。该算法以其思想之美和易于实现而著称。

在上一篇文章中，我们领略了决策变换器。但是，外汇市场复杂的随机环境不允许我们充分发挥所提议方法的潜能。在本文中，我将讲述一种算法，旨在提高在随机环境中的性能。

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。

我们继续探索强化学习方法。在本文中，我将专注于一种略有不同的算法，其参考智能体政策构造一连串动作的范式。

机器学习中的量化（第1部分）：使用 CatBoost 的理论、示例代码和实现分析

本文探讨了量化在树模型构建中的理论应用，并展示了使用 CatBoost 实现的量化方法。不使用复杂的数学方程。

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。

在此，我将研究相当新颖的随机边际扮演者-评论者（SMAC）算法，该算法允许在熵值最大化的框架内构建潜在变量政策。

强化学习中的环境研究是一个紧迫的问题。我们之前已视察过一些方式。在本文中，我们将讲述另一种基于最大化核范数的方法。它允许智能体识别拥有高度新颖性和多样性的环境状态。

在这篇文章中，我们继续我们的主题，最后是从“新”的角度处理日常交易指标。我们正在为这篇文章处理自然变换的水平组合，而这方面的最佳指标是双重指数移动平均（DEMA），它扩展了我们刚刚涵盖的内容。

在本文中，我们尝试通过只关注一个指标来简化对这些系列中所涵盖概念的说明，这是最常见的，可能也是最容易理解的。它就是移动平均。在这样做的时候，我们会探讨垂直自然变换的意义和可能的应用。

这篇文章是我们系列的第21篇，继续研究自然变换以及如何使用线性判别分析（linear discriminant analysis，LDA）来实现它们。我们以信号类格式展示了它的应用程序，就像在前一篇文章中一样。

对比训练是一种无监督训练方法表象。它的目标是训练一个模型，突显数据集中的相似性和差异性。在本文中，我们将谈论使用对比训练方式来探索不同的扮演者技能。

本文描述了一个基于决策树的回归模型的实现。该模型应预测金融资产的价格。我们已经准备好了数据，对模型进行了训练和评估，并对其进行了调整和优化。然而，需要注意的是，该模型仅用于研究目的，不应用于实际交易。

我们暂时离开我们的系列文章，考虑一下 chatGPT 中的部分算法。有没有从自然变换中借鉴的相似之处或概念？我们尝试用信号类格式的代码，在一篇有趣的文章中回答这些和其他问题。

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。

无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。

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。

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。

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。

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。

由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。

群体优化算法：螺旋动态优化 (SDO) 算法

您应当知道的 MQL5 向导技术（第 09 部分）：K-Means 聚类与分形波配对

群体优化算法：智能水滴（IWD）算法

神经网络变得简单（第 67 部分）：按照过去的经验解决新任务

您应当知道的 MQL5 向导技术（第 08 部分）：感知器

种群优化算法：Nelder-Mead（NM），或单纯形搜索方法

神经网络变得简单（第 65 部分）：距离加权监督学习（DWSL）

机器学习中的量化（第 2 部分）：数据预处理、表格选择、训练 CatBoost 模型

神经网络变得简单（第 64 部分）：保守加权行为克隆（CWBC）方法

开发具有 RestAPI 集成的 MQL5 强化学习代理（第 1 部分）：如何在 MQL5 中使用 RestAPI

神经网络变得简单（第 63 部分）：决策转换器无监督预训练（PDT）

群体优化算法：带电系统搜索（CSS）算法

神经网络变得简单（第 62 部分）：在层次化模型中运用决策转换器

Scikit-Learn 库中的分类模型及其导出到 ONNX

神经网络变得简单（第 61 部分）：离线强化学习中的乐观情绪问题

您应当知道的 MQL5 向导技术（第 07 部分）：树状图

神经网络实验（第 7 部分）：传递指标

群体优化算法：随机扩散搜索（SDS）

神经网络变得简单（第 60 部分）：在线决策转换器（ODT）

群体优化算法：思维进化计算（MEC）算法

神经网络变得简单（第 59 部分）：控制二分法（DoC）

群体优化算法：混合蛙跳算法（SFL）

神经网络变得简单（第 58 部分）：决策转换器（DT）

机器学习中的量化（第1部分）：使用 CatBoost 的理论、示例代码和实现分析

将您自己的LLM集成到EA中（第2部分）：环境部署示例

神经网络变得简单（第 57 部分）：随机边际扮演者-评论者（SMAC）

神经网络变得简单（第 56 部分）：利用核范数推动研究

MQL5中的范畴论（第23部分）：对双重指数移动平均的不同看法

MQL5中的范畴论（第22部分）：对移动平均的不同看法

MQL5中的范畴论（第21部分）：使用LDA的自然变换

神经网络变得轻松（第五十五部分）：对比内在控制（CIC）

将ML模型与策略测试器集成（结论）：实现价格预测的回归模型

MQL5中的范畴论（第20部分）：自我注意的迂回与转换

MQL5 中的范畴论 (第 17 部分)：函子与幺半群

神经网络变得轻松（第五十四部分）：利用随机编码器（RE3）进行高效研究

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18部分）：自然性四边形

MQL5 中的范畴论 (第 16 部分)：多层感知器函子

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（第五十二部分）：研究乐观情绪和分布校正