机器学习 | 算法交易文章

在MQL5论坛上，有许多帖子询问如何计算价格变化的斜率。本文将展示一种计算任意交易市场中价格变化所形成角度的可行方法。此外，我们还将探讨为这项新特征工程投入额外精力和时间是否值得。我们将研究价格斜率是否能在预测M1时间框架下的USDZAR货币对时，提高我们人工智能（AI）模型的准确性。

移动平均线和随机振荡器可用于生成趋势跟踪交易信号。然而，这些信号只有在价格行为发生之后才会被观察到。我们可以有效地利用人工智能克服技术指标中这种固有的滞后性。本文将教您如何创建一个完全自主的人工智能驱动型EA，这种方式可以改进您现有的任何交易策略。即使是最古老的交易策略也可以被改进。

“深度-Q-网络” 是一种强化学习算法，在机器学习模块的训练过程中，神经网络参与预测下一个 Q 值和理想动作。我们曾研究过另一种强化学习算法 “Q-学习”。本文因此出示了另一个如何配以强化学习训练 MLP 的示例，可于自定义信号类中所用。

在分析市场状况时，我们将其切分为不同的段落，标识关键趋势。然而，传统的分析方法往往只关注一个层面，从而限制了正确的感知。在本文中，我们将学习一种方法，可选择多个对象，以确保对形势进行更全面、及多层次的理解。

传统的机器学习教导从业者要警惕不要使模型陷入过度拟合。然而，这种观念正受到哈佛大学研究人员最新发表的学术见解的挑战。他们发现，看似过拟合的情形在某些情况下可能是由于提前终止训练过程导致的。我们将展示如何利用研究论文中发表的观点，来改进我们使用人工智能预测市场行为的方式。

基于Python和MQL5的特征工程（第一部分）：为长期 AI 模型预测移动平均线

移动平均线无疑是我们的 AI 模型进行预测的最佳指标。然而，我们可以通过严谨数据变换来进一步提高其准确性。本文将展示如何构建能够预测更远范围的AI模型，超越您目前所实现的水平，同时不会显著降低准确率。移动平均线的实用性确实令人惊叹。

数据科学和机器学习（第 30 部分）：预测股票市场的幂对、卷积神经网络（CNN）、和递归神经网络（RNN）

在本文中，我们会探讨卷积神经网络（CNN）和递归神经网络（RNN）在股票市场预测中的动态集成。借力 CNN 提取形态的能力，以及 RNN 的精练度，来处理序列数据。我们看看这个强大的组合如何强化交易算法的准确性和效率。

在本文中，我们将讨论免掩码注意力变换器（MAFT）方法，及其在交易领域的应用。不同于传统的变换器，即处理序列时需要数据掩码，MAFT 通过消除掩码需求来优化注意力过程，显著改进了计算效率。

在本文中，我们概述一种基于“超点变换器”（SPFormer）的三维物体分段方法，其剔除了对中间数据聚合的需求。这加快了分段过程，并提高了模型的性能。

在本文中，我们将继续研究ALGLIB库中剩余的优化方法，并特别关注它们在复杂多维函数上的测试表现。这样我们不仅能够评估每种算法的效率，还能在不同条件下比较出它们的优势与不足。

在本文中，我们将了解适用于MQL5的ALGLIB库的优化方法。本文包含了使用ALGLIB解决优化问题的简单且清晰的示例，旨在使读者能够尽可能轻松地掌握这些方法。我们将详细探讨BLEIC、L-BFGS和NS等算法的连接方式，并使用它们来解决一个简单的测试问题。

今天，我们将探讨如何使用MQL5将多种策略集成到一个EA中。EA不仅仅提供指标和脚本，还允许采用更复杂的交易方法，这些方法能够适应不断变化的市场条件。请阅读本文，带您了解更多。

在嘈杂的条件下有效识别和预存市场数据的局部结构是交易中的一项关键任务。运用自注意力机制在处理这类数据方面展现出可喜的结果；不过，经典方式并未考虑底层结构的局部特征。在本文中，我将引入一种能够协同这些结构依赖关系的算法。

我们邀请您来领略一种利用超网络检测物体的新方式。超网络针对主模型生成权重，允许参考具体的当前市场形势。这种方式令我们能够通过令模型适配不同的交易条件来提升预测准确性。

加入我们的行列，我们将实证分析MACD指标，以测试将AI应用于包含该指标的策略是否会在预测欧元兑美元（EURUSD）方面提高准确性。我们同时评估该指标本身是否比价格更容易预测，以及该指标的值是否能预测未来的价格水平。我们将为您提供所需的信息，以决定是否应该考虑将MACD整合到您的AI交易策略中。

在本文中，我们将说道有关使用注意力方法解决点云中物体检测问题的算法。点云中的物体检测对于很多现世应用都很重要。

本文探讨了一种元启发式算法——基于人工生态系统的优化（Artificial Ecosystem-based Optimization, AEO）算法。该算法通过生成初始解种群并应用自适应更新策略，模拟生态系统各组成部分之间的相互作用。文中详细阐述了AEO算法的运行阶段，包括消耗阶段与分解阶段，以及不同智能体的行为策略。文章还介绍了该算法的特点和优势。

我们继续研究从点云提取特征的算法。在本文中，我们将领略提升 PointNet 方法效率的机制。

本文介绍了非洲水牛优化（ABO）算法，这是一种于2015年开发的元启发式方法，基于这些动物的独特行为。文章详细描述了算法实现的各个阶段及其在解决复杂问题时的效率，这使得它成为优化领域中一个有价值的工具。

直接分析点云避免了不必要的数据增长，并改进了模型在分类和任务分段时的性能。如此方式对于原始数据中的扰动展现出高性能和稳健性。

在今天的讨论中，我们探讨了多时间框架分析的策略，以确定我们的人工智能（AI）模型在哪个时间框架上表现最优。分析结果表明，在欧元兑美元（EURUSD）货币对上，月度和小时时间框架生成的模型具有相对较低的误差率。我们利用这一优势，开发了一个交易算法，该算法在月度时间框架上进行人工智能预测，并在小时时间框架上执行交易。

在本文中，我们将继续深入研究大气云模型优化（ACMO）算法的实现。特别是，我们将讨论两个关键方面：云向低压区域的移动以及降雨模拟，包括液滴的初始化及其在云中的分布。我们还将研究其他在管理云的状态以及确保它们与环境相互作用方面发挥重要作用的方法。

您应当知道的 MQL5 向导技术（第 36 部分）：依据马尔可夫（Markov）链的 Q-学习

强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。

我们继续研究层次化向量变换器方法。在本文中，我们将完成模型的构造。我们还会在真实历史数据上对其进行训练和测试。

在任何市场中获得优势（第五部分）：联邦储备经济数据库（FRED）欧元兑美元（ EURUSD）可替代数据

在今天的讨论中，我们使用了圣路易斯联邦储备银行（St. Louis Federal Reserve）提供的关于广义美元指数以及其他一系列宏观经济指标的可替代日数据，来预测欧元兑美元（EURUSD）未来的汇率。遗憾的是，尽管数据似乎具有近乎完美的相关性，但我们在模型准确性方面未能实现任何实质性提升，这可能暗示投资者最好采用常规的市场价格数据。

支持向量回归是一种理想主义的途径，寻找最能描述两组数据之间关系的函数或“超平面”。我们尝试在 MQL5 向导的自定义类内利用这一点来进行时间序列预测。

本文探讨了一种用于自动化交易的EA的开发，该EA结合了技术分析和深度学习预测。

在本文中，我们将开始构建一些简单而不起眼的东西：神经元。我们将使用非常少量的 MQL5 代码对其进行编程。神经元在我的测试中表现良好。让我们回到这一系列关于神经网络的文章中，了解一下我在说什么。

我们邀请您来领略层次化矢量转换器（HiVT）方法，其专为快速、准确地预测多模态时间序列而开发。

理解个体在众多不同领域的行为很重要，但大多数方法只专注其中一项任务（理解、噪声消除、或预测），这会降低它们在现实中的有效性。在本文中，我们将领略一个可以适配解决各种问题的模型。

今天，我们将展示如何构建能够从自身错误中学习的AI驱动的交易应用程序。我们将展示一种称为堆叠（stacking）的技术，我们使用2个模型来做出1个预测。第一个模型通常是较弱的学习器，而第二个模型通常是更强大的模型，它学习较弱学习器的残差。我们的目标是创建一个模型集成，以期获得更高的准确性。

我们将分析芝加哥期权交易所（CBOE）整理的替代数据，以提高我们的深度神经网络在预测XAUEUR货币对时的准确性。

您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入

受限玻尔兹曼（Boltzmann）机是一种神经网络形式，开发于 1980 年代中叶，当时的计算资源非常昂贵。在其初创时，它依赖于 Gibbs 采样，以及对比散度来降低维度，或捕获输入训练数据集上的隐藏概率/属性。我们验证当 RBM 为预测多层感知器“嵌入”价格时，反向传播如何执行类似的操作。

本文致力于介绍一种元启发式算法——大气云模型优化（ACMO）算法，该算法通过模拟云层的行为来解决优化问题。该算法利用云层的生成、移动和传播的原理，适应解空间中的“天气条件”。本文揭示了该算法如何通过气象模拟在复杂的可能性空间中找到最优解，并详细描述了ACMO运行的各个阶段，包括“天空”准备、云层的生成、云层的移动以及水的集中。

数据科学和机器学习（第 27 部分）：MetaTrader 5 中训练卷积神经网络（CNN）交易机器人 — 值得吗?

卷积神经网络（CNN）以其在检测图像和视频形态方面的出色能力而闻名，其应用涵盖众多领域。在本文中，我们探讨了 CNN 在金融市场中识别有价值形态，并为 MetaTrader 5 交易机器人生成有效交易信号的潜力。我们来发现这种深度机器学习技术如何能撬动更聪明的交易决策。

本项目探索深度学习与技术分析的融合，用于在外汇市场测试交易策略。使用Python脚本进行快速实验，结合ONNX模型和传统指标（如PSAR、SMA和RSI）来预测欧元/美元（EUR/USD ）的走势。之后，MQL5脚本将此策略引入实时环境，利用历史数据和技术分析帮助交易者做出明智的交易决策。回测结果表明，该策略秉持保守且稳健的运作理念，始终将风险管控置于首位，追求持续稳定的收益增长模式，摒弃激进逐利的行为。

正则化是一种在贯穿神经网络各层应用离散权重，按比例惩罚损失函数的形式。我们来考察其重要性，对于一些不同的正则化形式，能够在配合向导组装的智能系统运行测试。

到目前为止，我们审阅的大量模型都是基于变换器架构。不过，在处理长序列时，它们或许效率低下。在本文中，我们将领略一种替代方向，即基于状态空间模型的时间序列预测。

在我们关于将 MQL5 与数据处理包集成的系列文章中，我们深入研究了机器学习和预测分析的强大组合。我们将探索如何将 MQL5 与流行的机器学习库无缝连接，以便为金融市场提供复杂的预测模型。

因果网络分析（CNA）、随机模型最优控制（SMOC）和纳什博弈论结合深度学习的示例

我们将向之前发布的文章中的三个例子里加入深度学习，并与之前的版本进行比较。目标是学习如何将深度学习（DL）应用于其他EA。

基于Python和MQL5的特征工程（第二部分）：价格角度

重构经典策略（第十一部分）移动平均线的交叉（二）

您应当知道的 MQL5 向导技术（第 41 部分）：深度-Q-网络

交易中的神经网络：广义 3D 引用表达分段

基于MQL5和Python的自优化EA（第六部分）：利用深度双重下降算法

基于Python和MQL5的特征工程（第一部分）：为长期 AI 模型预测移动平均线

数据科学和机器学习（第 30 部分）：预测股票市场的幂对、卷积神经网络（CNN）、和递归神经网络（RNN）

交易中的神经网络：免掩码注意力方式预测价格走势

交易中的神经网络：超点变换器（SPFormer）

ALGLIB 库优化方法（第二部分）

ALGLIB库优化方法（第一部分）

构建K线图趋势约束模型（第九部分）：多策略EA（第一部分）

交易中的神经网络：探索局部数据结构

交易中的神经网络：场景感知物体检测（HyperDet3D）

重构经典策略（第十部分）：人工智能（AI）能否为MACD提供动力？

交易中的神经网络：点云变换器（Pointformer）

基于人工生态系统的优化（AEO）算法

交易中的神经网络：点云的层次化特征学习

非洲水牛优化（ABO）

交易中的神经网络：点云分析（PointNet）

重构经典策略（第九部分）：多时间框架分析（第二部分）

大气云模型优化（ACMO）：实战

您应当知道的 MQL5 向导技术（第 36 部分）：依据马尔可夫（Markov）链的 Q-学习

交易中的神经网络：层次化向量变换器（终章）

在任何市场中获得优势（第五部分）：联邦储备经济数据库（FRED）欧元兑美元（ EURUSD）可替代数据

您应当知道的 MQL5 向导技术（第 35 部分）：支持向量回归

一个基于新指标和条件长短期记忆网络（LSTM）的实例

神经网络实践：第一个神经元

交易中的神经网络：层次化向量变换器（HiVT）

交易中的神经网络：统一轨迹生成模型（UniTraj）

使用MQL5和Python构建自优化的EA（第四部分）：模型堆叠

在任何市场中获得优势（第四部分）：CBOE欧元和黄金波动率指数

您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入

大气云模型优化（ACMO）：理论

数据科学和机器学习（第 27 部分）：MetaTrader 5 中训练卷积神经网络（CNN）交易机器人 — 值得吗?

使用PSAR、Heiken Ashi和深度学习进行交易

您应当知道的 MQL5 向导技术（第 32 部分）：正则化

交易中的神经网络：状态空间模型

将 MQL5 与数据处理包集成 (第 2 部分):机器学习和预测分析

因果网络分析（CNA）、随机模型最优控制（SMOC）和纳什博弈论结合深度学习的示例