第 13 页 —— 统计分析的算法交易文章

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。

本文是有关您在回测报告中看不到的内容，使用自动交易软件时您应该期望什么；如果您正在使用智能系统，该如何管理您的资金；以及如果您正在使用自动化过程，如何弥补重大亏损从而坚持交易活动。

您如何看待往 MetaTrader 5 平台里添加新图表类型的想法？有人说它缺少其它平台里提供的一些东西。但事实是，MetaTrader 5 是一个非常实用的平台，因为它允许您做到在许多其它平台上无法完成（或至少不能轻松完成）的事情。

今天我们将再次用到 Chart Trade，但这回它作为一个图表上的指标，或许也可能不在图表上出现。

我们继续研究强化学习。在本文中，我们将与深度 Q-学习方法打交道。 DeepMind 团队曾运用这种方法创建了一个模型，在玩 Atari 电脑游戏时其表现优于人类。我认为评估该技术来解决交易问题的可能性将会很有益处。

我们继续研究机器学习方法。自本文，我们开始另一个大话题，强化学习。这种方式允许为模型设置某些策略来解决问题。我们可以预期，强化学习的这种特性将为构建交易策略开辟新的视野。

在我们透彻之前，还有一些涵盖前馈神经网络的次要事情，设计就是其中之一。针对我们的输入，看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。

在本文中，我将向您展示如何计算任何交易的总盈利或亏损，包括佣金和掉期利息。我会提供最精准的数学模型，并依据它来编写代码，之后将其与标准进行比较。此外，我还将尝试进入主要 MQL5 函数的内部来计算利润，并从规则中获取所有必要值的根底。

在最晚的两篇文章中，我们开发了一个创建和编辑神经网络模型的工具。现在是时候通过实践示例来评估迁移学习技术的潜在用途了。

MQL5 中引入了矩阵和向量，用于实现数学解决方案的高效操作。新类型提供了内置方法，能够创建接近数学标记符号的简洁易懂的代码。数组提供了广泛的功能，但在很多情况下，矩阵的效率要高得多。

这是一篇关于优化算法（OA）分类的介绍性文章。本文尝试创建一个测试基台（一组函数），用于比较 OA，并可识别所有广为人知的算法中最通用的算法。

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。

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。

价格走势模型及其主要规定（第 1 部分）：概率价格域演化方程与发生的可观测随机游走

本文研究的是概率价格域演化方程，与即将到来的价格尖峰准则。它还揭示了图表上价格数值的本质，以及这些数值随机游走的发生机制。

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。

今天的交易者都是一位哲学家，他几乎总是（有意识地或无意识地）寻找新的思路，尝试它们，选择修改或抛弃它们；这是一个需要付出相当勤奋程度的探索过程。这显然会花费交易者高昂的时间，且需要避免错误。本系列文章将提出，MQL5 向导应该是交易者的支柱。为什么呢？因为交易者不仅经由 MQL5 向导组装他的新想法来节省时间，而且大大减少了重复编码的错误；他最终会把精力集中在交易哲学的几个关键领域。