新文章 使用MQL5中的动态时间规整进行模式识别 已发布： 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。
新文章 解构客户端交易策略的示例 已发布： 本文使用框图来检查位于终端的 Experts\Free Robots 文件夹中的基于烛形的训练 EA 的逻辑。 一段时间以来，客户端的 EA 目录中出现了一个新的 Free Robots 文件夹： 该文件夹包含 28 个 EA - 交易策略的示例，可供您独立学习和应用策略中规定的原则进行自己的开发。Free Robots 文件夹中介绍的交易策略是根据指标信号支持的蜡烛图形态进行交易的 EA。 为了确认蜡烛图形态信号，需要使用四个振荡器指标之一的值： CCI 、 MFI 、 RSI 和 随机振荡指标 。因此，我们展示了 7
新文章 MQL5集成：Python 已发布： Python是一种广为人知且流行的语言，具有许多功能，尤其是在金融、数据科学、人工智能和机器学习领域。Python也是一种强大的工具，可以在交易中发挥作用。MQL5允许我们将这种强大的语言作为集成工具，以高效地实现我们的目标。在本文中，我们将在了解一些Python的基本信息后，分享如何在MQL5中使用Python作为集成工具。 作者： Mohamed Abdelmaaboud
新文章 从基础到中级：变量 (III)： 已发布： 今天，我们将学习如何使用预定义的 MQL5 语言变量和常量。此外，我们将分析另一种特殊类型的变量：函数。知道如何正确使用这些变量可能意味着一个有效的应用程序和一个无效的应用程序之间的区别。为了理解这里介绍的内容，有必要理解前几篇文章中讨论的材料。 在上一篇文章 “从基础到中级：变量（II）” 中
新文章 威廉·甘恩（William Gann）方法（第一部分）：创建甘恩角度指标 已发布： 甘恩理论的精髓是什么？甘恩角度是如何构建的？我们将为MetaTrader 5创建甘恩角度指标。 角度反弹策略（Angle Bounce Strategy）基于甘恩角度线通常作为支撑位或阻力位的假设。交易者寻找价格接近甘恩角度线（尤其是1x1或2x1）并在此反弹的情况。在确认反弹后（例如，形成反转K线图模式），交易者会进入仓位。 角度突破策略（Angle Breakout
新文章 您应当知道的 MQL5 向导技术（第 25 部分）：多时间帧测试和交易 已发布： 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。 在我们的上一篇文章中，我们视察了 毕达哥拉斯（Pythagorean）均值
Super-signals:
本指标很容易使用：红色箭头 - 卖出信号，蓝色箭头 - 买入信号。超出了它的模拟，例如最高价-最低价，趋势以及其它达到几次。可以适用于任意时段和任意货币对。
作者： John Smith
新文章 让新闻交易轻松上手（第3部分）：执行交易 已发布： 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。 此前，我们创建了一个EA，用于在我们的新闻日历数据库中存储经济数据。我们还开发了许多类，为我们的EA能够良好地运行奠定了基础。在本文中，我们将扩展这些类，以最终实现基于经济数据来进行交易的目标。我们接下来的目标将是EA的盈利能力，这将在后续文章中讨论。对于本文，我们将在数据库中添加一个新的视图，以显示来自 MQL5经济日历
新文章 开发多币种 EA 交易系统（第 16 部分）：不同报价历史对测试结果的影响 已发布： 正在开发中的 EA 预计在与不同经纪商进行交易时都会表现出良好的效果。但目前我们一直使用 MetaQuotes 模拟账户的报价进行测试。让我们看看我们的 EA 是否准备好使用与测试和优化期间使用的报价不同的交易账户。 在 上一篇 文章中，我们开始准备在真实账户上进行交易的多币种 EA。作为准备过程的一部分，我们添加了对不同交易工具名称的支持、当您想要更改交易策略设置时自动完成交易、以及由于各种原因重启后正确恢复 EA。
倒计时、点差、利息、保证金信息 : 本指标完成4小时的tick与ontime倒计时显示,多空单的过夜利息,点差,一个点的收入提示及一手所需要保证金金额的显示。 作者： yj_ s
新文章 构建K线图趋势约束模型（第8部分）：EA的开发（一） 已发布： 在本文中，我们将基于前文创建的指标，开发我们的第一个由MQL5语言编写的EA。我们将涵盖实现自动化交易所需的所有功能，包括风险管理。这将极大地帮助用户从手动交易转变为自动化交易系统。 MetaEditor软件包含一个编译器，能够有效地管理在分析尝试中检测到的错误。这个工具帮助我发现了为什么之前的版本未能按预期显示风险-回报矩形。尽管程序成功编译，但问题并不在于代码本身。相反，问题在于在历史K线图的范围内没有任何内容被显示，这主要是由于某些特定的技术细节导致。 历史K线图的值默认设置过高，为5000根K线。
新文章 动物迁徙优化（AMO）算法 已发布： 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。 AMO算法模拟了动物长距离移动的三个主要组成部分：避免与邻近个体发生碰撞、与群体（群体）保持相同方向移动以及保持彼此之间的适当距离。这些原则不仅有助于避免冲突，还维持了集体行为，这对于在野外生存至关重要。 AMO算法中的优化阶段。该算法在一个迭代中包含两个关键的优化阶段： 迁徙：在这个阶段，个体的位置会根据其邻居进行更新。
新文章 神经网络变得简单（第 97 部分）：搭配 MSFformer 训练模型 已发布： 在探索各种模型架构设计时，我们往往对模型训练过程的关注投入不足。在本文中，我旨在弥补这一差距。 初始训练数据集为模型提供了对环境的初步理解。然而，金融市场是如此多面，以至于任何训练集都无法完全复现它们。此外，模型从所分析指标和盈利交易之间学到的依赖关系，也许是错误的、或不完整的，因为训练集也许缺乏能够揭示此类差异的示例。因此，在训练过程期间，我们需要优化训练数据集。在此阶段，收集额外数据的方式会有所不同。 在此阶段的任务是优化 参与者
新文章 神经网络变得简单（第 96 部分）：多尺度特征提取（MSFformer） 已发布： 高效提取与集成长期依赖关系和短期特征，仍然是时间序列分析中的一项重要任务。它们的正确理解及整合，对于创建准确可靠的预测模型是必要的。 MSFformer 模型作者提出了一种创新的不同时间间隔的金字塔关注度机制架构，其为他们方法的底线。此外，为了在输入数据中构造多级时态信息，他们在大尺度构造模块 CSCM （ 粗尺度构造模块 ）中采用了特征卷积。这允许他们在更粗略的级别上提取时态信息。 CSCM
新文章 掌握 MQL5：从入门到精通（第三部分）复杂数据类型和包含文件 已发布： 这是描述 MQL5 编程主要方面的系列文章中的第三篇。本文涵盖了上一篇文章中未讨论的复杂数据类型。这些包括结构、联合、类和“函数”数据类型。它还解释了如何使用 #include 预处理器指令为程序添加模块化。 在 本文 中，我将描述程序员如何创建复杂的数据类型： 结构 联合 类（初学者水平） 允许将变量名用作函数的类型。这允许将函数作为参数传递给其他函数。 本文还介绍了如何使用 #include
新文章 MQL5 简介（第 8 部分）：初学者构建 EA 交易系统指南（二） 已发布： 本文解决了MQL5论坛中常见的初学者问题，并演示了实用的解决方案。学习执行基本任务，如买卖、获取烛形价格以及管理自动交易方面，如交易限额、交易期限和盈亏阈值。获取分步指导，以增强您对 MQL5 中这些概念的理解和实现。
新文章 人工蜂巢算法（ABHA）：测试与结果 已发布： 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。 在上一篇文章中，我们通过深入研究其工作原理，探索了 人工蜂巢算法（ABHA） 的奇妙世界。我们描述了该算法的结构和类，并展示了算法伪代码以及移动（Moving）和修订（Revision）方法。这一介绍将为后续对该算法的进一步研究和理解奠定基础。
新文章 您应当知道的 MQL5 向导技术（第 24 部分）：移动平均 已发布： 移动平均是大多数交易者使用和理解的最常见指标。我们探讨一些在 MQL5 向导组装智能系统时可能不那么常见的可能用例。 我们继续 MQL5 向导的系列文章，探察移动平均指标，以及如何将其以令一些交易者耳目一新的方式添加到可供使用的工具库之中。 移动平均 有很多变体，作为可附加到图表的单一时间序列，但也有其它变体当作振荡器，甚至有些变体当作轨道线指标。 我们将在称为 毕达哥拉斯（Pythagorean）均值 的 3 条移动平均（MA）这个特殊分类中探索其多种应用、或变体。该名称下的 3 个 MA 是 算术平均值
新文章 神经网络变得简单（第 95 部分）：降低变换器模型中的内存消耗 已发布： 基于变换器架构的模型展现出高效率，但由于在训练阶段、及运行期间都资源成本高昂，故它们的使用变得复杂。在本文中，我提议领略那些能够降低此类模型内存占用的算法。 MLKV 方法是 MQA 和 GQA 算法的逻辑延续。在指定的方法中，由于 KV 头的减少， KV 缓存大小亦会减小，并在单个 自关注 层内的一个关注头分组共享。一个完全预期的步骤是在 自关注 层之间共享 Key 和 Value 实体。最近 FeedForward 模块在 变换器
新文章 将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLMs 开发和测试交易策略（一）- 微调 已发布： 随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。 在上一篇文章中，我们介绍了如何使用 GPU
新文章 交易中的神经网络：用于时间序列预测的轻量级模型 已发布： 轻量级时间序列预测模型使用最少的参数数量实现高性能。这反过来减少了计算资源的消耗并加快了决策速度。尽管是轻量级的，这些模型实现了与更复杂模型相当的预测质量。
新文章 交易中的神经网络：通过Adam-mini优化减少内存消耗 已发布： 提高模型训练和收敛效率的一个方向是改进优化方法。Adam-mini是一种自适应优化方法，旨在改进基础的Adam算法。 当我们刚开始学习神经网络时，我们讨论了各种优化模型参数的方法。在我们的工作中，我们使用了不同的方法。我最常使用的是 Adam 方法，它允许自适应调整每个模型参数的最优学习率。然而，这种适应性是有代价的。 Adam 算法使用每个模型参数的一阶和二阶矩估计，这需要占用与模型本身相当的内存。这种内存消耗在训练大规模模型时成为一个显著的问题。在实践中，维持这种高内存需求的算法通常需要将计算任务卸载到 CPU
新文章 您应当知道的 MQL5 向导技术（第 23 部分）：CNNs 已发布： 卷积神经网络是另一种机器学习算法，倾向于专门将多维数据集分解为关键组成部分。我们看看典型情况下这是如何达成的，并探索为交易者在其它 MQL5 向导信号类中的可能应用。 我们继续本系列，在其中看看机器学习和统计的思路，鉴于 MQL5 向导提供的快速测试和原型设计环境，令交易者能从中受益。目标仍然是在一篇文章内考察单一思路，至于这段节选，我最初认为这至少需要 2 个篇幅，不过看起来我们能够将其压缩到一个篇幅。 卷积神经网络 （CNN）顾名思义，借助内核，它可以在卷积中处理多维数据。
新文章 开发回放系统（第 59 部分）：新的未来 已发布： 正确理解不同的想法可以让我们事半功倍。在本文中，我们将探讨为什么在服务与图表交互之前需要配置模板。此外，如果我们改进鼠标指标，这样我们就可以用它做更多的事情呢？ 在上一篇文章“ 开发回放系统（第 58 部分）：重返服务工作 “中，我提到系统已经发生了一些变化，有理由在将模板应用于日程表和服务更新日程表之间加入一个小延迟。如果不这样做，模块将强制服务提前关闭。你们中的一些人可能会想知道这是怎么发生的。在本文中，我们将更详细地探讨这个问题。 为了正确解释这一点并确保您完全理解这个概念，请观看下面的视频 01。 演示视频：事情怎么会失败
显示当前K线剩余时间: 这个指标的作用是显示当前K线剩余时间，以时分秒的方式显示数据，数据的位置可以跟随K线，也可以固定在图表任意位置（双击后任意移动它）。 作者： Ziheng Zhuang
新文章 人工蜂巢算法（ABHA）：理论及方法 已发布： 在本文中，我们将探讨2009年开发的人工蜂巢算法（ABHA）。该算法旨在解决连续优化问题。我们将研究ABHA如何从蜂群的行为中汲取灵感，其中每只蜜蜂都有独特的角色，帮助它们更有效地寻找资源。 这里考虑的新型人工蜂巢算法提供了对蜜蜂觅食行为更全面和深入的观察，展示了集体互动和角色分配如何促进寻找新食物来源的过程。它展示了个体之间的互动如何带来更高效的结果。该算法更仔细地观察了蜂群中的个体角色。
新文章 开发回放系统（第 58 部分）：重返服务工作 已发布： 在回放/模拟器服务的开发和改进暂停之后，我们正在恢复该工作。现在我们已经放弃使用终端全局变量等资源，我们将不得不完全重组其中的一些部分。别担心，我们会详细解释这个过程，这样每个人都可以关注我们服务的发展。 在上一篇文章 开发回放系统（第 57 部分）：测试服务详解 中，我详细解释了所需的源代码，以展示我们将在回放/模拟器系统中使用的模块之间可能的交互方式。 虽然这段代码让我们了解了实际需要实现什么，但它仍然缺少一个对我们的系统真正有用的重要细节 — 使用模板的能力。如果您不使用或不完全理解模板在编码和 MetaTrader 5
新文章 神经网络变得简单（第 94 部分）：优化输入序列 已发布： 在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。 当用在 变换器 架构模型中，长期依赖关系的有效性检测在高度取决于许多因素。这些包括序列长度、各种定位编码策略、和数据令牌化。 这些想法导致论文 《分段、乱序、和拼接：一种改进时间序列表示的简单机制》 的作者提出寻找历史序列最优用法的思路。是否更好的组织时间序列，以便手头任务能实现更有效的表示学习？ 在本文中，作者提出了一种简单、且即用型的机制，称为
您错过了交易机会：
- 免费交易应用程序
- 8,000+信号可供复制
- 探索金融市场的经济新闻
注册
登录