第 15 页 —— 统计分析的算法交易文章

我将继续采用最少的必要功能来充实算法，并测试结果。其获利能力十分低下，但文章展示的全自动盈利交易的模型，是在不同的行情基本面及完全不同的金融产品上进行。

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。

如果采用基于历史数据的优化方法来选择参数，就不可能得到真正稳定的算法。一个稳定的算法应该知道在任何时候操作任何交易工具时需要哪些参数。它不应该预测或猜测，它应该确定知道。

我们以前曾研究过神经网络中的自关注机制。在实践中，现代神经网络体系结构会采用多个并行的自关注线程来查找序列元素之间的各种依存关系。我们来研究这种方法的实现，并评估其对整体网络性能的影响。

我们已经经历了很长一段路，并且函数库中的代码越来越庞大。这令跟踪所有连接和依赖性变得难以维护。因此，我建议为先前创建的代码创建文档，并保持伴随每个新步骤进行更新。正确准备的文档将有助我们看到操作的完整性。

本文探索了用时间过滤器建立机器学习模型，并讨论了这种方法的有效性。现在，只要简单地指示模型在一周中某一天的某个时间进行交易，就可以消除人为因素。模式搜索可以由单独的算法提供。

在本文中，我们将探讨利用真实数据的主动机器学习方法，并讨论它们的优缺点。也许你会发现这些方法很有用，并将它们包含在你的机器学习模型库中。直推是由支持向量机（SVM）的共同发明者弗拉基米尔·瓦普尼克（Vladimir Vapnik）提出的。

在本文中，我将通过改进先前创建的算法的灵活性来继续本主题的开发。随着分析窗口中烛形数量的增加，或烛形超额阈值百分比的增加，算法变得更加稳定。我不得不做出妥协，并设置一个更大的样本量进行分析或更大的烛形超额百分比。

在接下来的系列文章中，我将演示探讨大多数市场因素的自适应算法的开发，以及如何将这些情况系统化，用逻辑描述它们，并在您的交易活动中应用它们。我将从一个非常简单的算法开始，这个算法将逐渐获得理论，并发展成一个非常复杂的项目。

在之前的文章中，我们已经测试了组织规划神经网络的各种选项。我们还研究了自图像处理算法中借鉴而来的卷积网络。在本文中，我建议研究关注机制，它的出现为开发语言模型提供了动力。

本文介绍了使用电子表格（Excel、Calc、Google）分析任何策略的基本原则和方法。所得结果与 MetaTrader 5 测试器进行了比较。

本文延续了暴力算法的主题，并在程序算法中引入了市场分析的新机会，从而加快了分析速度，提高了结果质量。新的添加使得在这种方法中可以看到最高质量的全局模式。

在之前的文章中，我们利用随机梯度下降法针对网络中的所有神经元按照相同的学习率训练神经网络。在本文中，我提议着眼于自适应学习方法，该方法能够改变每个神经元的学习率。我们还将研究这种方法的利弊。

在本文中，我将尝试测试这样一个假设，即任何对市场了解甚微的系统都可以在全局范围内运行。我不会发明任何理论或模式，但我只会使用已知的事实，逐步将这些事实转化为数学分析的语言。

本文描述了一种可能的数据转换方法，旨在提高模型的通用性，并讨论了 CatBoost 模型的采样和选择。

这是该系列的下一篇文章，在其中我展示了如何创建一个函数库来，从而看便利地用键盘快捷键手动绘制图表图形。所用工具包括直线及其组合。在这一部分中，我们将查看如何在绘图工具里应用第一部分中讲述的函数。该函数库可连接到任何 EA 或指标，这将大大简化绘图任务。此方案未使用外部 dll，而所有命令都是由内置 MQL 工具实现的。

在本文中，我们将继续讨论暴力方法。我将尝试使用我的应用程序的新改进版本来更好地解释这种模式。我还将尝试使用不同的时间间隔和时间框架来找出稳定性的差异。

我们之前已研究过各种类型的神经网络及其实现。在所有情况下，训练神经网络时都使用梯度下降法，为此我们需要选择学习率。在本文中，我打算通过示例展示正确选择学习率的重要性，及其对神经网络训练的影响。

在这篇文章中，我将展示在选择一个系统或信号来投资你的资金时所使用的标准，以及描述开发交易系统的最佳方法，并强调这个问题在外汇交易中的重要性。

我们早前已经讨论过某些类型的神经网络实现。在所研究的网络中，每个神经元都重复相同的操作。逻辑上进一步应利用现代技术提供的多线程计算功能来加快神经网络学习过程。本文介绍了一种可能的实现方式。

在本文中，我们将搜索市场模式，根据确定的模式创建 EA 交易，并检查这些模式，如果它们保持有效的话，保持有效的时间有多少。

我们继续研究神经网络的世界。在本文中，我们将研究另一种类型的神经网络，循环网络。此类型建议与时间序列配合使用，其在 MetaTrader 5 交易平台中由价格图表呈现。

本文旨在尽可能简单、快速地描述外汇交易的主要特点，并与初学者分享一些基本的想法。它还试图回答交易界最诱人的问题，同时展示一个简单指标的开发。

本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。

所有交易者都以赚取第一个百万美元为目标来访问市场。如何在没有过多风险和启动预算的情况下实现这个目标？MQL5服务为来自世界各地的开发人员和交易者提供了这样的机会。

本文探讨了开发交易算法的方法，即使用一致的科学方法来分析可能的价格模式，并基于这些模式构建交易算法。开发的理念是通过实例来展示的。

作为神经网络主题的延续，我建议研究卷积神经网络。这种类型的神经网络通常用来分析视觉成像。在本文中，我们将研究这种网络在金融市场中的应用。

在第二篇文章中，我们将继续研究神经网络，并研究在智能交易系统当中调用我们所创建 CNet 类的示例。我们将操控两个神经网络模型，它们在训练时间和预测准确性方面都表现出相似的结果。

交易者经常谈论趋势和横盘，但很少有人真正了解趋势/横盘是什么，甚至很少能够清楚地解释这些概念。讨论这些基本术语通常会受到一系列顽固偏见和误解的困扰。然而，如果我们想赚钱，就需要了解这些概念的数学和逻辑含义。在本文中，我将仔细研究趋势和横盘的本质，并尝试定义行情结构是基于趋势/横盘，亦或其他。我还将研究在趋势和横盘行情上获利的最佳策略。