振荡器 - 页 5

[Sergey Golubev]

关于交易、自动交易系统和测试交易策略的论坛

关于 MQL5 Wizard : 无需编程即可创建机器人。

Sergey Golubev, 2025.07.24 07:59

您应该知道的 MQL5 向导技术（第 76 部分）：通过监督学习使用震荡指标和包络通道的模式

在上一篇文章 中，我们介绍了 Awesome Oscillator 和 Envelope-Channels 的指标配对，通过对该配对的测试，10 种模式中有 7-8 种在 2 年的测试窗口中取得了进展。在介绍一对指标后，我们通常会探讨机器学习对这些指标信号的性能有哪些影响（如果有的话）。本文也不例外，因此，我们将研究如果使用监督学习网络作为过滤器来补充 4、8 和 9 模式的信号，它们会受到怎样的影响。对于我们的网络，我们使用的是一个 CNN，其核/通道的大小由点乘核决定，并具有跨时间关注度。

[Sergey Golubev]

关于交易、自动交易系统和测试交易策略的论坛

关于 MQL5 Wizard : 无需编程即可创建机器人。

Sergey Golubev, 2025.08.05 05:03

您应该知道的 MQL5 向导技术（第 78 部分）：使用加特震荡器和累积/分布震荡器

在上一篇文章中，我们介绍了盖特振荡器和累积/分布振荡器配对使用的 5 种信号模式，在本文中，我们将讨论这 10 种模式中的最后 5 种。我们一直在研究每个指标配对的 10 种信号形态，我们将保持这种形式。上一篇文章对 30 分钟时间框架上的英镑兑日元进行了测试，结果表明 0、3 和 4 号模式在向前走方面比较吃力，不过在我们选择用监督学习来改进哪些模式之前，让我们完成对 5 至 9 号模式的检查和测试。

[Sergey Golubev]

关于交易、自动交易系统和测试交易策略的论坛

关于 MQL5 Wizard : 无需编程即可创建机器人。

Sergey Golubev, 2025.08.23 15:37

您应该知道的 MQL5 向导技术（第 79 部分）：通过监督学习使用加特震荡器和累积/分布震荡器

在上两篇文章中，我们一如既往地测试了十种信号形态，同时使用了盖特震荡指标和累积/分布震荡指标。按照惯例，我们发现了三种一致的落后形态：0、3 和 4。本文的目的不是抛弃或忽略这些模式，而是探讨监督学习能否恢复它们的性能。我们采用了核回归和点积相似性增强的 CNN，并研究了具有这种架构的网络能否从有时最初看起来很弱的信号中提取隐藏价值。与前两篇文章一样，所有测试都在英镑兑日元和 30 分钟时间框架内进行。

[Tian Hao Shen]

震荡就看布林就好了