Add a new article
交易中的神经网络：降低锐度强化变换器效率（终章）
交易中的神经网络：降低锐度强化变换器效率（终章）
SAMformer 为长期时间序列预测中变换器模型的主要缺点，譬如训练复杂性，及小型数据集的普适能力差，提供了解决方案。其浅层架构和锐度感知优化有助于避免次优的局部最小值。在本文中，我们将继续利用 MQL5 实现方式，并评估其实用价值。
基于Python与MQL5的多模块交易机器人（第一部分）：构建基础架构与首个模块
基于Python与MQL5的多模块交易机器人（第一部分）：构建基础架构与首个模块
我们将开发一个模块化交易系统，该系统结合了 Python 进行数据分析，并使用 MQL5 执行交易。四个独立模块并行监控市场的不同方面：成交量、套利、经济指标和风险，并使用包含400棵树的随机森林（ RandomForest ）。特别强调风险管理，因为即使是最先进的交易算法，如果没有适当的风险管理，也是毫无用处的。
数据科学和机器学习（第 32 部分）：保持您的 AI 模型更新，在线学习
数据科学和机器学习（第 32 部分）：保持您的 AI 模型更新，在线学习
在瞬息万变的交易世界中，适应市场变化不仅是一种选择 — 而且是一种必要。每天都有新的形态和趋势出现，即使是最先进的机器学习模型，也难以面对不断变化的条件保持有效。在本文中，我们将探讨如何通过自动重训练，令您的模型保持相关性、及对新市场数据的响应能力。
基于通用 MLP 逼近器的EA
基于通用 MLP 逼近器的EA
本文介绍了一种在交易 EA 中使用神经网络的简单且易于实现的方法，该方法不需要深厚的机器学习知识。该方法免除了对目标函数进行归一化的步骤，同时克服了“权重爆炸”和“网络停滞”等问题，并提供了直观的训练过程和结果的可视化控制。
基于三维反转形态的算法交易
基于三维反转形态的算法交易
在三维K线上探索自动化交易的新世界。基于多维价格K线的交易机器人是什么样的？三维K线中的“黄色”簇群能否预测趋势反转？多维交易是什么样的？
交易中的神经网络：双曲型潜在扩散模型（终篇）
交易中的神经网络：双曲型潜在扩散模型（终篇）
正如 HypDIff 框架所提议，使用各向异性扩散过程针对双曲潜在空间中的初始数据进行编码，助力保留当前市场状况的拓扑特征，并提升其分析品质。在上一篇文章中，我们开始利用 MQL5 实现所提议的方式。今天，我们将继续我们已开始的工作，并得出合乎逻辑的结论。
群体自适应矩估计（ADAM）优化算法
群体自适应矩估计（ADAM）优化算法
本文介绍了将广为人知且广受欢迎的ADAM梯度优化方法转变为群体算法的过程，并介绍了通过引入混合个体对其进行改进的方案。这种新方法能够利用概率分布创建融合了成功决策要素的智能体。关键创新点在于形成了群体混合个体，这些个体能够自适应地积累来自最具潜力解决方案的信息，从而提高了在复杂多维空间中的搜索效率。
通过成交量洞察交易：趋势确认
通过成交量洞察交易：趋势确认
增强型趋势确认技术结合了价格行为、成交量分析和机器学习，用以识别真实的市场行情。该技术要求价格突破和成交量激增（高于平均值50%）这两个条件同时满足以验证交易信号，同时使用一个LSTM神经网络进行附加确认。该系统采用基于ATR（平均真实波幅）的仓位调整和动态风险管理，使其能够适应不同的市场条件，同时过滤掉虚假信号。
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（二）-LoRA-调优
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（二）-LoRA-调优
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。
利用CatBoost机器学习模型作为趋势跟踪策略的过滤器
利用CatBoost机器学习模型作为趋势跟踪策略的过滤器
CatBoost是一种强大的基于树的机器学习模型，擅长基于静态特征进行决策。其他基于树的模型，如XGBoost和随机森林（Random Forest），在稳健性、处理复杂模式的能力以及可解释性方面具有相似特性。这些模型应用广泛，可用于特征分析、风险管理等多个领域。在本文中，我们将逐步介绍如何将训练好的CatBoost模型用作经典移动平均线交叉趋势跟踪策略的过滤器。
股票交易中的非线性回归模型
股票交易中的非线性回归模型
股票交易中的非线性回归模型：能否预测金融市场？让我们考虑创建一个用于预测欧元兑美元（EURUSD）汇率的模型，并基于此模型制作两个交易机器人——分别使用Python和MQL5语言。
基于交易量的神经网络分析：未来趋势的关键
基于交易量的神经网络分析：未来趋势的关键
本文探讨了通过将技术分析原理与 LSTM 神经网络架构相结合，基于交易量分析来改进价格预测准确性的可能性。文章特别关注异常交易量的检测与解读、聚类方法的使用，以及基于交易量的特征创建及其在机器学习背景下的定义。
在Python中使用Numba对交易策略进行快速测试
在Python中使用Numba对交易策略进行快速测试
本文实现了一个快速策略测试器，它使用Numba对机器学习模型进行快速策略测试。它的速度比纯 Python 策略回测器快 50 倍。作者推荐使用该库来加速数学计算，尤其是那些涉及循环的计算。
原子轨道搜索（AOS）算法
原子轨道搜索（AOS）算法
本文探讨了原子轨道搜索（Atomic Orbital Search，AOS）算法，该算法运用原子轨道模型的概念来模拟解的搜索过程。此算法基于概率分布以及原子内相互作用的动力学原理。本文详细阐述了关于AOS算法的数学层面，包括候选解位置的更新方式，以及能量吸收与释放的机制。AOS算法通过为计算问题提供一种创新的优化方法，为将量子原理应用于计算问题开辟了新思路。
MQL5中的逐步特征选择
MQL5中的逐步特征选择
在本文中，我们介绍一个在MQL5中实现的逐步特征选择算法的改进版本。这种方法基于Timothy Masters在其著作《C++和CUDA C中的现代数据挖掘算法》中概述的技术。
基于主成分的特征选择与降维
基于主成分的特征选择与降维
本文深入探讨了改进型前向选择成分分析（Forward Selection Component Analysis，FSCA）算法的实现，该算法灵感源自Luca Puggini和Sean McLoone在《前向选择成分分析：算法与应用》一文中所提出的研究。
交易中的神经网络：对比形态变换器（终章）
交易中的神经网络：对比形态变换器（终章）
在本系列的上一篇文章中，我们考察了“原子-基序对比变换器”（AMCT）框架，其用对比学习来发现各个级别的关键形态，从基本元素到复杂结构。在本文中，我们将继续利用 MQL5 实现 AMCT 方式。
名义变量的序数编码
名义变量的序数编码
在本文中，我们将讨论并演示如何使用Python和MQL5将名义预测变量转换为适合机器学习算法的数值格式。
人工喷淋算法（ASHA）
人工喷淋算法（ASHA）
本文介绍了人工喷淋算法（Artificial Showering Algorithm，ASHA），这是一种为解决一般优化问题而开发的新型元启发式方法。基于对水流和积聚过程的模拟，该算法构建了理想场的概念，其中要求每个资源单元（水）找到最优解。我们将了解 ASHA 如何调整流和累积原则来有效地分配搜索空间中的资源，并查看其实现和测试结果。
交易中的神经网络：对比形态变换器
交易中的神经网络：对比形态变换器
对比变换器在设计上基于单根烛条水平和整个形态来分析行情。这有助于提升行情趋势建模的品质。甚至，运用对比学习来统调烛条和形态的表示、促进自我调节，并提升预测的准确性。