Algorithmic Trading Articles for 统计分析

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。

您应当知道的 MQL5 向导技术（第 37 部分）：配以线性和 Matérn 内核的高斯过程回归

线性内核是机器学习中，针对线性回归和支持向量机所用的同类中最简单的矩阵。另一方面，Matérn 内核是我们在之前的文章中讲述的径向基函数的更普遍版本，它擅长映射不如 RBF 假设那样平滑的函数。我们构建了一个自定义信号类，即利用两个内核来预测做多和做空条件。

在本次讨论中，我们将把一个简单的马尔可夫链应用于相对强弱指标（RSI），以观察指标穿过关键水平后的价格行为。我们得出结论，当RSI处于11-20区间时，会产生最强的买入信号；而当RSI处于71-80区间时，会产生最强的卖出信号，这在新西兰元兑日元（NZDJPY）货币对上表现得尤为明显。我们将展示如何通过对数据的处理和分析，直接从您所拥有的数据中构建出最优的交易策略。此外，我们还将展示如何训练一个深度神经网络，使其能够最优地利用转移矩阵。

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。

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。

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。

您应当知道的 MQL5 向导技术（第 33 部分）：高斯（Gaussian）进程核心

高斯（Gaussian）进程核心是正态分布的协方差函数，能够在预测中扮演角色。我们在 MQL5 的自定义信号类中探索这种独特的算法，看看它是否可当作主要入场和离场信号。

在本文中，我们将开始解决在使用真实数据时可能影响应用程序性能的分时报价过量问题。这种过量通常会干扰在相应窗口构建一分钟柱形所需的正确时间。

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。

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。

损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。

量化风险管理方法：应用 VaR 模型优化多货币投资组合（使用 Python 和 MetaTrader 5）

本文探讨了价值风险（VaR）模型在多货币投资组合优化中的潜力。借助 Python 的强大功能和 MetaTrader 5 的功能，我们展示了如何实施 VaR 分析，以实现高效的资金分配和头寸管理。从理论基础到实际实施，文章涵盖了将 VaR——这一最稳健的风险计算系统之一——应用于算法交易的方方面面。

本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。

在本文中，我们将研究使回放/模拟系统更高效、更安全地运行的修改。我也不会对那些想要充分利用这些类的人置之不理。此外，我们将探讨 MQL5 中的一个特定问题，即在使用类时降低代码性能，并解释如何解决它。

数据科学和机器学习（第 29 部分）：为 AI 训练目的而选择最佳外汇数据的基本技巧

在本文中，我们将深入探讨选择最具相关性、及最高品质的外汇数据，从而强化 AI 模型性能的关键层面。

这款名为SMOC（可能代表随机模型最优控制）的EA，是MetaTrader 5平台上一个较为先进的算法交易系统的简单示例。它结合了技术指标、模型预测控制以及动态风险管理来做出交易决策。该EA融入了自适应参数、基于波动率的仓位规模调整以及趋势分析，以优化其在不同市场条件下的表现。

批量归一化是把数据投喂给机器学习算法（如神经网络）之前对数据进行预处理。始终要留意算法所用的激活类型，完成该操作。因此，我们探索在向导组装的智能系统帮助下，能够采取的不同方式，并从中受益。

关于因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在市场事件预测中的应用实例

本文提供了一个使用因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在MQL5中实现复杂交易系统的全面指南。文章涵盖了这些方法的理论背景，详细解释了交易算法中的关键函数，并提供了实现的示例代码。

很长一段时间以来，我们一直在研究指标，但现在是时候让服务重新工作了，看看图表是如何根据提供的数据构建的。然而，由于整个事情并没有那么简单，我们必须注意了解前方等待我们的是什么。

数据科学和机器学习（第 28 部分）：使用 AI 预测 EURUSD 的多个期货

众多人工智能模型的惯常做法是预测单一未来值。不过，在本文中，我们将钻研运用机器学习模型的更强大技术，即预测多个未来值。这种方式被称为多步预测，它令我们不仅能够预测明天的收盘价，还可以预测后天、及更久的收盘价。通过掌握多步骤预测，交易者和数据科学家能够获得更深入的见解，并制定更明智的决策，从而显著增强他们的预测能力和策略计划。

在本文中，我们将通过MQL5实现抛物线SAR趋势策略的自动化交易：打造高效的EA。该EA将根据抛物线SAR指标识别出的趋势进行交易。

探索支持向量机 (SVM，Support Vector Machines) 在塑造未来交易中不可或缺的作用。本综合指南探讨了 SVM 如何提升您的交易策略，增强决策能力，并在金融市场中释放新的机会。通过实际应用、分步教程和专家见解深入了解 SVM 的世界。为自己配备必要的工具，帮助您应对现代交易的复杂性。使用 SVM 提升您的交易能力 — 这是每个交易者工具箱中的必备工具。

本文讨论了为 MetaTrader 5 创建一个消息接口，旨在帮助系统管理员在平台内直接与其他交易者进行沟通。MQL5 最近与社交平台的整合使得信号能够通过不同渠道快速广播。想象一下，只需点击“是”或“否”就能确认发送信号。继续阅读以了解更多信息。

行星和恒星的位置会影响金融市场吗？让我们借助统计数据和大数据，踏上一段令人兴奋的探索之旅，进入星星与股票图表交汇的世界。

我们主要验证自适应学习率，圆满考察学习率对智能系统性能的敏感性。这些学习率旨在在训练过程中针对层中的每个参数进行自定义，故我们评估潜在收益相较于预期的性能损失。

周期在我们的生活中具有极其重要的意义。昼夜交替、四季更迭、一周的七天以及许多其他不同性质的周期都存在于每个人的生活中。在本文中，我们将探究金融市场中的周期。

数据科学与机器学习（第 20 部分）：算法交易洞察，MQL5 中 LDA 与 PCA 之间的较量

在剖析 MQL5 交易环境中这些强大的降维技术的应用程序时，让我们揭示它们背后的秘密。深入探讨线性判别分析（LDA）和主成分分析（PCA）的细微差别，深入了解它们对策略开发和市场分析的影响。

数据科学和机器学习（第 26 部分）：时间序列预测的终极之战 — LSTM 对比 GRU 神经网络

在上一篇文章中，我们讨论了一个简单的 RNN，尽管它对理解数据中的长期依赖关系无能为力，却仍能制定可盈利策略。在本文中，我们将讨论长-短期记忆（LSTM）、门控递归单元（GRU）。引入这两个是为了克服简单 RNN 的缺点，并令其更聪慧。

我们继续深入探讨金融市场的混沌理论，这一次我将考虑其对货币和其他资产分析的适用性。

集成实现了无缝的工作流程，来自 MQL5 的原始金融数据可以导入到 Jupyter Lab 等数据处理包中，用于包括统计测试在内的高级分析。

本文中，我们将了解无政府社会优化（Anarchic Society Optimization，ASO）算法，并探讨一个基于无政府社会（一个摆脱中央权力和各种等级制度的异常社会交互系统）中参与者非理性与冒险行为的算法是如何能够探索解空间并避免陷入局部最优陷阱的。本文提出了一种适用于连续问题和离散问题的统一ASO结构。

您应当知道的 MQL5 向导技术（第 26 部分）：移动平均和赫斯特（Hurst）指数

赫斯特（Hurst）指数是时间序列长期自相关度的衡量度。据了解，它捕获时间序列的长期属性，故在时间序列分析中也具有一定的分量，即使在财经/金融时间序列之外亦然。然而，我们专注于其对交易者的潜在益处，研究如何将该计量度与移动平均线配对，从而构建潜在的稳健信号。

在本文中，我们探讨了动态时间规整（Dynamic Time Warping，DTW）作为识别金融时间序列中预测模式的一种方法。我们将深入了解其工作原理，并在纯MQL5语言中展示其实现方法。

默认情况下，由于组装类中使用了 MQL5 代码架构，故基于多时间帧策略，且由向导组装的智能系统无法进行测试。我们探索一种绕过该限制的方式，看看搭配二次移动平均线的情况下，研究运用多时间帧策略的可能性。

在本文中，我们的新闻交易EA将根据存储在数据库中的经济日历开始交易。此外，我们将改进EA的图表，以显示更多关于即将到来的经济日历事件的相关信息。

本文介绍了AMO算法，该算法通过模拟动物的季节性迁徙来寻找适合生存和繁殖的最优条件。AMO的主要特点包括使用拓扑邻域和概率更新机制，使得其易于实现，并且能够灵活应用于各种优化任务。

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。

基于人工生态系统的优化（AEO）算法

您应当知道的 MQL5 向导技术（第 37 部分）：配以线性和 Matérn 内核的高斯过程回归

基于MQL5和Python的自优化EA（第五部分）：深度马尔可夫模型

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

您应当知道的 MQL5 向导技术（第 35 部分）：支持向量回归

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?

您应当知道的 MQL5 向导技术（第 33 部分）：高斯（Gaussian）进程核心

开发回放系统（第 62 部分）：玩转服务（三）

您应当知道的 MQL5 向导技术（第 32 部分）：正则化

将 MQL5 与数据处理包集成 (第 2 部分):机器学习和预测分析

您应当知道的 MQL5 向导技术（第 31 部分）：选择损失函数

量化风险管理方法：应用 VaR 模型优化多货币投资组合（使用 Python 和 MetaTrader 5）

在Python和MQL5中应用局部特征选择

开发回放系统（第 61 部分）：玩转服务（二）

数据科学和机器学习（第 29 部分）：为 AI 训练目的而选择最佳外汇数据的基本技巧

随机优化和最优控制示例

您应当知道的 MQL5 向导技术（第 30 部分）：聚焦机器学习中的批量归一化

关于因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在市场事件预测中的应用实例

开发回放系统（第 60 部分）：玩转服务（一）

数据科学和机器学习（第 28 部分）：使用 AI 预测 EURUSD 的多个期货

使用MQL5实现抛物线SAR趋势策略的自动化交易：打造高效的EA

数据科学与机器学习（第 15 部分）：SVM，每个交易员工具箱中的必备工具

在 MQL5 中创建交易管理员面板（第一部分）：构建消息接口

威廉·江恩（William Gann）方法（第三部分）：占星术是否有效？

您应当知道的 MQL5 向导技术（第 29 部分）：继续学习率与 MLP

周期与外汇

数据科学与机器学习（第 20 部分）：算法交易洞察，MQL5 中 LDA 与 PCA 之间的较量

数据科学和机器学习（第 26 部分）：时间序列预测的终极之战 — LSTM 对比 GRU 神经网络

交易中的混沌理论（第二部分）：深入探索

将 MQL5 与数据处理包集成（第 1 部分）：高级数据分析和统计处理

无政府社会优化（ASO）算法

您应当知道的 MQL5 向导技术（第 26 部分）：移动平均和赫斯特（Hurst）指数

使用MQL5中的动态时间规整进行模式识别

您应当知道的 MQL5 向导技术（第 25 部分）：多时间帧测试和交易

让新闻交易轻松上手（第3部分）：执行交易

动物迁徙优化（AMO）算法

人工蜂巢算法（ABHA）：测试与结果