第 13 页 —— 机器学习的算法交易文章

在本系列文章中，我们已经不止一次提到了迁移学习。然而，都只是提及而已。在本文中，我建议填补这一空白，并仔细研究迁移学习。

我们继续研究无监督学习算法。这次我建议我们讨论自动编码器应用于递归模型训练时的特性。

梯度下降在训练神经网络和许多机器学习算法中起着重要作用。它是一种快速而智能的算法，尽管它的工作令人印象深刻，但它仍然被许多数据科学家误解，我们来看看有关它的全部。

在上一篇文章中，我们已熟悉了自动编码器算法。像其它任何算法一样，它也有其优点和缺点。在其原始实现中，自动编码器会尽可能多地将对象与训练样本分开。这次我们将讨论如何应对它的一些缺点。

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。

我们继续研究无监督学习算法。一些读者可能对最近发表的与神经网络主题的相关性有疑问。在这篇新文章中，我们回到了对神经网络的研究。

我们继续研究关联规则。在前一篇文章中，我们讨论了这种类型问题的理论层面。在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。我们还将采用真实数据测试所实现的解决方案。

作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。这种问题类型首先用于零售业，即超市等，来分析市场篮子。在本文中，我们将讨论这些算法在交易中的适用性。

决策树模仿人类的方式针对数据进行分类。我们看看如何构建这棵树，并利用它们来分类和预测一些数据。决策树算法的主要目标是将含有杂质的数据分离成纯节点或靠近节点。

机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。

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。

在本部分中，我们将继续讨论人工智能模型。即，我们研究无监督学习算法。我们已经讨论了众多聚类算法之一。在本文中，我将分享一种解决与降维相关问题的方法。

在本文中，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。

在上一篇文章中，我们为数据聚类创建了一个类。在本文中，我想分享在解决实际交易任务时应用所获结果会遇到的可能变体。

这一次，我们的模型是由矩阵构建的，它更具灵活性，同时它允许我们构建更强大的模型，不仅可以处理五个独立变量，但凡我们保持在计算机的计算极限之内，它还可以处理更多变量，这篇文章肯定会是一篇阅读起来很有趣的文章。

我们继续研究聚类方法。在本文中，我们将创建一个新的 CKmeans 类来实现最常见的聚类方法之一：k-均值。在测试期间，该模型成功地识别了大约 500 种形态。

我的上一篇文章已经发表一年多了。这令我有了大量时间考虑修改思路和发展新方法。在这篇新文章中，我想转移一下以前使用的监督学习方法。这次我们将深入研究无监督学习算法。特别是，我们将考虑一种聚类算法 — k-均值。

数据分类对于算法交易者和程序员来说是至关重要的。在本文中，我们将重点关注一种分类逻辑算法，它有帮于我们识别“确定或否定”、“上行或下行”、“做多或做空”。

查看这些有用的资料选集，它们可以辅助交易者提高他们的算法交易知识。简约算法时代正在成为过去，如果不运用机器学习技术和神经网络，成功变得越来越困难。

我们作为交易员，现在是时候基于数字所言来培训我们的系统，并自行制定决策了。尽管我们的眼睛看不到，但我们的勇气让我们相信，这是世界前进的方向，所以，让我们顶着波浪的方向移动。

运用特殊的数据类型“矩阵”和“向量”，可以创建非常贴合数学符号本意的代码。运用这些方法，您可以避免创建嵌套循环，或在计算中分心记忆正确的数组索引。因此，矩阵和向量方法的运用能为开发复杂程序提高可靠性和速度。

本文旨在教导读者如何从头开始采用 MQL4/5 语言构建深度神经网络。

多层感知器和反向传播算法（第二部分）：利用 Python 实现并与 MQL5 集成

有一个 Python 程序包可用于开发与 MQL 的集成，它提供了大量机会，例如数据探索、创建和使用机器学习模型。集成在 MQL5 内置的 Python，能够创建各种解决方案，从简单的线性回归、到深度学习模型。我们来看看如何设置和准备开发环境，以及如何使用一些机器学习函数库。

在上一篇文章中，我们开始研究旨在提高神经网络训练品质的方法。在本文中，我们将继续这个主题，并会研讨另一种方法 — 批次数据常规化。

本文介绍了应用于网格和马丁格尔交易的机器学习技术。令人惊讶的是，这种方法在全球网络中难觅踪迹。阅读过本文之后，您将能够创建自己的交易机器人。

作为研究神经网络的下一步，我建议研究在神经网络训练过程中提高收敛性的方法。有若干种这样的方法。在本文中，我们将研究其中之一，名为“舍弃”。

也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。当然，我们不打算在家用 PC 上创建如此庞然之物。然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。

这两种方法的普及性日益增加，因此在 Matlab、R、Python、C++ 等领域开发了大量的库，它们接收到一个训练集作为输入，并自动为问题创建合适的网络。让我们试着理解基本的神经网络类型是如何工作的（包括单神经元感知机和多层感知机）。我们将探讨一个令人兴奋的算法，它负责网络训练 - 梯度下降和反向传播。现有的复杂模型往往基于这样简单的网络模型。