机器学习 | 算法交易文章

在本文中，我们将继续深入探索人工蜂巢算法（ABHA），通过深入研究代码并探讨其余的方法。正如您可能还记得的那样，模型中的每只蜜蜂都被表示为一个独立的智能体，其行为取决于内部和外部信息以及动机状态。我们将在各种函数上测试该算法，并通过在评分表中呈现结果来总结测试效果。

基于变换器架构的模型展现出高效率，但由于在训练阶段、及运行期间都资源成本高昂，故它们的使用变得复杂。在本文中，我提议领略那些能够降低此类模型内存占用的算法。

将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLMs 开发和测试交易策略（一）- 微调

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。

轻量级时间序列预测模型使用最少的参数数量实现高性能。这反过来减少了计算资源的消耗并加快了决策速度。尽管是轻量级的，这些模型实现了与更复杂模型相当的预测质量。

提高模型训练和收敛效率的一个方向是改进优化方法。Adam-mini是一种自适应优化方法，旨在改进基础的Adam算法。

卷积神经网络是另一种机器学习算法，倾向于专门将多维数据集分解为关键组成部分。我们看看典型情况下这是如何达成的，并探索为交易者在其它 MQL5 向导信号类中的可能应用。

在本文中，我们将探讨2009年开发的人工蜂巢算法（ABHA）。该算法旨在解决连续优化问题。我们将研究ABHA如何从蜂群的行为中汲取灵感，其中每只蜜蜂都有独特的角色，帮助它们更有效地寻找资源。

在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。

机器学习模型带有各种可调节的参数。在本系列文章中，我们将探讨如何使用SciPy库来定制您的AI模型，使其适应特定的市场。

您应当知道的 MQL5 向导技术（第 22 部分）：条件化生成式对抗网络（cGAN）

生成式对抗网络是一对神经网络，它们彼此相互训练，以便结果更精准。我们采用这些网络的条件化类型，作为我们正在寻找的可选项，应用于智能信号类之内预测金融时间序列。

将您自己的 LLM 集成到 EA 中（第 3 部分）：使用 CPU 训练自己的 LLM

在人工智能飞速发展的今天，大语言模型（LLM）是人工智能的重要组成部分，所以我们应该思考如何将强大的 LLM 融入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。

FreDF 方法的作者通过实验证实了结合频域和时域进行预测的优势。不过，权重超参数的使用对于非稳态时间序列并非最优。在本文中，我们将领略结合频域和时域预测的自适应方法。

默认情况下，财经日历数据在策略测试器中不可用于智能系统测试。我们看看数据库能如何提供帮助，绕过这个限制。故此，在本文中，我们会探讨如何使用 SQLite 数据库来存档财经日历新闻，如此这般，由向导组装的智能系统就可以用它来生成交易信号。

我们继续探讨生物体的社会行为及其对新数学模型 ASBO（适应性社会行为优化）开发的影响。我们将深入研究两阶段演变，测试算法并得出结论。正如在自然界中，一群生物体共同努力生存一样，ASBO 使用集体行为原理来解决复杂的优化问题。

了解如何利用MQL5精准预测标普500指数，结合经典技术分析以增强稳定性，并将算法与经过时间验证的原则相结合，以获得稳健的市场洞察。

我们继续探索时间序列在频域中的分析和预测。在本文中，我们将领略一种在频域中预测数据的新方法，它可被加到我们之前研究过的众多算法当中。

符号回归是一种回归形式，它从最小、甚或没有假设开始，而底层模型看起来应当映射所研究数据集。尽管它可以通过贝叶斯（Bayesian）方法、或神经网络来实现，但我们看看如何使用遗传算法实现，从而有助于在 MQL5 向导中使用自定义的智能信号类。

由于这些文章本质上是教育性的，并不打算展示特定功能的实现，因此我们在本文中将做一些不同的事情。我们将重点介绍伪逆的因式分解，而不是展示如何应用因式分解来获得矩阵的逆。原因是，如果我们能以一种特殊的方式来获得一般系数，那么展示如何获得一般系数就没有意义了。更好的是，读者可以更深入地理解为什么事情会以这种方式发生。那么，现在让我们来弄清楚为什么随着时间的推移，硬件正在取代软件。