事实上，所有以前创建的 WinForms 对象都是静态图像，您只能在屏幕上拖动它。 现在是时候实现动画图形界面功能，方便用户与对象的交互了。

在上一篇文章中，我们开始探索强化学习方法，并构建了我们的第一个交叉熵可训练模型。 在本文中，我们将继续研究强化学习方法。 我们将继续深度Q-学习方法。 于 2013年，运用深度 Q-学习，DeepMind 团队设法创建了一个可以成功玩七款 Atari 电脑游戏的模型。 值得注意的是，对于所有 7 款游戏，它们在不更改架构或超参数的情况下采用相同的模型进行训练。 根据训练结果，该模型能够继续提升之前所分析的 6 个游戏取得的结果。 此外，在三场游戏中，该模型的表现优于人类。 这项工作的发表开启了强化学习方法发展的新阶段。 我们来研究这种方法，并尝试运用它来解决交易相关的问题。

在前文当中，我已提供了有关显示选项卡标题模式的解释：如果控件内有多个选项卡，超过可容纳对象的宽度（我们假设它们都位于顶部），那么就可把元素容纳不下的标题进行裁剪，并加上滚动按钮。 备选，如果为对象设置了多行模式标志，那么标题将放置在若干位置（取决于元素大小所能容纳多少），和若干行。 有三种方式可以设置选项卡按行排列的大小（SizeMode）：

在本系列的前几篇文章中，我们已经看到了有监督和无监督的学习算法。 本文则开启机器学习的另一个篇章：强化学习。 这些算法基于试错学习实现，可与生物体的学习系统进行比较。 此属性允许运用此类算法来解决一些问题，譬如需要开发某些策略。 显而易见，交易可归属于这些问题，因为所有交易者为了进行成功交易，都要遵循某些策略。 因此，采用这种技术对我们的特定领域很有用处。

任何技术指标都基于处理市场信息的某种算法。 作为规则，采用价格当作初始数据。 用数学语言来说，指标是一个将价格转换为某种最终结果的函数。 在本文中，我将研究可用于构建指标的线性函数。

“我并不是说神经网络很容易。 您需要成为该领域专家才能令这些事情发挥作用。 但这些专业知识可助力您跨越广泛的应用边界。 从某种意义上说，以前用于特征设计的所有努力，现在都要投入到架构设计、损失函数设计、以及优化流图设计。 手工劳动已经提升到更高的抽象层次。”

我们将继续研究迁移学习技术。 在之前的两篇文章中，我们开发了一个创建和编辑神经网络模型的工具。 该工具能帮助我们将预训练模型的一部分迁移到新模型当中，并用新的决策层对其进行补充。 这种方式所具备的潜力能辅助我们在解决新问题时，更快地训练以这种方式创建的模型。 在本文中，我们将评估这种方式在实践中的好处。 我们还将验证该工具的可用性。