Algorithmic Trading Articles for 机器学习

鱼群搜索（FSS）是一种新的优化算法，其灵感来自鱼群中鱼的行为，其中大多数（高达 80%）游弋在有组织的亲属群落中。经证明，鱼类的聚集在觅食效率和保护捕食者方面起着重要作用。

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。

我将研究的下一个算法是 Levy 飞行正在使用的杜鹃搜索优化。这是最新的优化算法之一，也是排行榜的新领导者。

我们来研究一种最新的现代优化算法 — 灰狼优化。测试函数的原始行为令该算法成为以前研究过的算法中最有趣的算法之一。这是训练神经网络的顶级算法之一，具有许多变量的平滑函数。

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。

在本文中，我们将研究人工蜂群的算法，并用研究函数空间得到的新原理来补充我们的知识库。在本文中，我将陈列我对经典算法版本的解释。

我们继续研究分布式 Q-学习。今天我们将从另一个角度来看待这种方式。我们将研究使用分位数回归来解决价格预测任务的可能性。

我们在本系列的早期文章中领略了 Q-学习方法。此方法均化每次操作的奖励。 2017 年出现了两篇论文，在研究奖励分配函数时展现出了极大的成功。我们来研究运用这种技术解决我们问题的可能性。

今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。这些系列文章将提出 MQL5 向导应该是交易者在此领域努力的中流砥柱。

这是一种惰性算法，它不是基于训练数据集学习，而是以存储数据集替代，并在给定新样本时立即采取行动。尽管它很简单，但它能用于各种实际应用。

这次我将分析蚁群优化算法。该算法非常有趣且复杂。在本文中，我尝试创建一种新型的 ACO。

数据挖掘在数据科学家和交易者看来至关重要，因为很多时候，数据并非如我们想象的那么简单。人类的肉眼无法理解数据集中的不显眼底层形态和关系，也许 K-means 算法可以帮助我们解决这个问题。我们来发掘一下...

在上一篇文章中，我们开始探索非梯度优化方法。我们领略了遗传算法。今天，我们将继续这个话题，并将研究另一类进化算法。

在本文中，我将研究流行的粒子群优化（PSO）算法。之前，我们曾讨论过优化算法的重要特征，如收敛性、收敛率、稳定性、可伸缩性，并开发了一个测试台，并研究了最简单的 RNG 算法。

与线性回归不同，多项式回归是一种很灵活的模型，旨在更好地执行线性回归模型无法处理的任务，我们来找出如何在 MQL5 中制作多项式模型，并据其做出积极东西。

今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。本系列文章将提出，MQL5 向导应该是交易者的支柱。

今天我想给大家介绍一种略有不同的学习方法。我们可以说它是从达尔文的进化论中借鉴而来的。它可能比前面所讨论方法的可控性更低，但它允许训练不可微分的模型。

在本系列的前几篇文章中，我们见识到两种增强的学习算法。它们中的每一个都有自己的优点和缺点。正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。这将弥补它们每种的短处。本文将讨论其中一种方法。

我们继续研究强化学习方法。在上一篇文章中，我们领略了深度 Q-学习方法。按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。然后，根据政策和预期奖励执行动作。但并不总是能够近似 Q-函数。有时它的近似不会产生预期的结果。在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。其中一种方法是政策梯度。