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 神经网络：从理论到实践 已发布： 简介 现在，每一位交易者肯定听说过神经网络并知道使用它们有多酷。大多数人相信那些能够使用神经网络的人是某种超人。在本文中，我将尝试向您解释神经网络架构，描述其应用并提供几个实践例子。 神经网络的概念 人工神经网络是人工智能研究的领域之一，以尝试模拟人类的神经系统的学习和适应能力为基础，这会让我们能够建立一个对人类大脑工作的非常粗略的模拟。 说也奇怪，人工神经网络由人工神经元构成。 作者： Dmitriy Parfenovich
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
新文章 使用MQL5和Python构建自优化EA（第二部分）：调整深度神经网络 已发布： 机器学习模型带有各种可调节的参数。在本系列文章中，我们将探讨如何使用SciPy库来定制您的AI模型，使其适应特定的市场。 Nelder-Mead算法是解决噪声、不可微分以及非线性多模态优化问题的常用选择。该算法由其发明者约翰·内尔德（John Nelder）和罗杰·米德（Roger Mead）命名，他们在1965年的论文《函数最小化的单纯形法》中首次介绍了这一算法。可以用于单变量和多变量优化问题。
Super_Signals_Channel_V3: Super_Signals_Channel_V3 指标，通道以彩色填充，并带有中间线 作者： Nikolay Kositsin
新文章 开发回放系统（第 57 部分）：了解测试服务 已发布： 需要注意的一点是：虽然服务代码没有包含在本文中，只会在下一篇文章中提供，但我会解释一下，因为我们将使用相同的代码作为我们实际开发的跳板。因此，请保持专注和耐心。等待下一篇文章，因为每一天都变得更加有趣。 在上一篇文章 开发回放系统（第 56 部分）：调整模块 中，我们对控制指标模块以及最重要的鼠标指标模块做了一些修改。 由于这篇文章已经包含了很多信息，我决定不再添加任何新数据，因为亲爱的读者，这很可能只会让你感到困惑，而不是帮助澄清和解释事情的实际运作方式。
新文章 您应当知道的 MQL5 向导技术（第 22 部分）：条件化生成式对抗网络（cGAN） 已发布： 生成式对抗网络是一对神经网络，它们彼此相互训练，以便结果更精准。我们采用这些网络的条件化类型，作为我们正在寻找的可选项，应用于智能信号类之内预测金融时间序列。 条件化生成式对抗网络 （cGAN）是一种 GAN，允许在其生成式网络中自定义输入数据类型。阅读分享链接主题可见，GAN 是一对神经网络；一个生成器和一个判别器。两者都接受训练或彼此相互训练，生成器不断改进，不断生成目标输出，而判别器则依据来自生成器的鉴别数据（又名假数据）受训。
新文章 神经网络变得简单（第 93 部分）：频域和时域中的自适应预测（终篇） 已发布： 在本文中，我们继续实现 ATFNet 模型的方式，其在时间序列预测内可自适应地结合 2 个模块（频域和时域）的结果。 在 上一篇文章 中，我们领略了 ATFNet 算法，它是 2 个时间序列预测模型的融合。其中一个工作在时域，并根据信号幅度的分析，为所研究时间序列构造预测值。第二个模型则配以所分析时间序列的频率特征工作，并记录其全局依赖关系、周期性、和频谱。根据该方法作者的说法，两个独立预测的自适应合并，生成了令人印象深刻的结果。 频率 F
新文章 使用MQL5实现布林带交易策略：逐步指南 已发布： 使用MQL5实现基于布林带交易策略的自动化交易算法的逐步指南。这是一个基于创建EA的详细教程，对交易者非常有帮助。 通过遵循这个逐步教程，交易者可以构建一个使用布林带来执行买卖订单的专家顾问（Expert Advisor，EA），基于特定的市场条件。本教程将涵盖重要的主题，包括配置布林带指标、控制交易头寸，以及处理订单执行和错误管理。无论您是开发经验丰富的专业人士，还是对算法交易不太熟悉的新手，本教程都将为交易者提供一个坚实的基础，以设计和改进他们的交易方法。 本教程将涵盖以下主题： 布林带策略的定义 布林带策略描述
新文章 从新手到专家：MQL5交易的必备之旅 已发布： 释放您的潜力！您会被无数机会包围。发现开启您的MQL5之旅或将其提升到更高水平的三大顶级秘诀。让我们深入探讨适合初学者和专业人士的技巧和窍门。 我将引导您创建一个符合你需求的可运行程序，并激励你开始行动。本文的目标是通过简化算法开发流程并结合新兴技术，让MQL5社区对于用户变得更加友好。 得益于易于获取的教育资源，算法交易环境相比几年前已经变得比较友好。以下是一些指导我关注焦点的问题，也希望它们能激励您： 初学者如何高效地学习和掌握MQL5的基础知识？ MQL5学习者有哪些资源可以快速战胜特定的编码挑战？
新文章 将您自己的 LLM 集成到 EA 中（第 3 部分）：使用 CPU 训练自己的 LLM 已发布： 在人工智能飞速发展的今天，大语言模型（LLM）是人工智能的重要组成部分，所以我们应该思考如何将强大的 LLM 融入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。 在本系列的前一篇文章中，我们讨论了运行大型语言模型的基本环境设置，并在 WSL 中使用 llama.cpp 运行了一个简单的 LLM 实例。最令人兴奋的是，即使没有强大的 GPU，您仍然可以纯粹用 CPU
新文章 基于套接字（Sockets）的Twitter情绪分析 已发布： 这种创新的交易机器人将 MetaTrader 5 与 Python 结合，利用实时社交媒体情绪分析为自动化交易决策提供支持。通过分析与特定金融工具相关的 Twitter 情绪，该机器人将社交媒体趋势转化为可操作的交易信号。它采用客户端-服务器架构，并通过套接字通信实现无缝交互，将 MT5 的交易能力与 Python
新文章 基于转移熵的时间序列因果分析 已发布： 在本文中，我们讨论了如何将统计因果关系应用于识别预测变量。我们将探讨因果关系与传递熵（Transfer Entropy, TE）之间的联系，并展示用于检测两个变量之间信息方向性传递的MQL5代码。
新文章 使用MQL5与Python构建自我优化的智能交易系统 已发布： 在本文中，我们将讨论如何构建能够根据当前市场条件自主选择和更改交易策略的EA。我们将学习马尔可夫链（Markov Chains）以及它们如何帮助我们作为算法交易者。 马尔可夫研究了许多需要他模拟完全随机过程的问题，这与我们处理市场动态的不可预测性挑战类似。他正式描述了一个框架，即今天所知的“马尔可夫链”。让我们直观地理解它。 想象你管理一家在德国提供公交服务超过70年的公共交通公司。公司正在考虑增加更多公交车到车队，而你作为经理，必须决定哪些目的地应该增加更多公交车，哪些则不值得进一步投资。
新文章 在 MQL5 中创建交互式图形用户界面（第 2 部分）：添加控制和响应 已发布： 通过动态功能增强 MQL5 图形用户界面（GUI）面板，可以大大改善用户的交易体验。通过整合互动元素、悬停效果和实时数据更新，该面板成为现代交易者的强大工具。 有七个组件将实现自动化。第一个组件是单击关闭按钮时面板的关闭。我们打算在单击此按钮时删除所有面板元素。其次，当点击仓位管理按钮时，按钮将根据指示关闭各自的仓位和订单。例如，当我们点击 "盈利" 按钮或标签时，就会关闭所有盈利的仓位。第三个自动化将针对交易量组件。单击它的实体后，将创建一个选项的下拉列表，供用户选择交易选项。
新文章 神经网络变得简单（第 92 部分）：频域和时域中的自适应预测 已发布： FreDF 方法的作者通过实验证实了结合频域和时域进行预测的优势。不过，权重超参数的使用对于非稳态时间序列并非最优。在本文中，我们将领略结合频域和时域预测的自适应方法。 时域和频域是分析时间序列数据的两种基本表现形式。在时域中，分析侧重于振幅随时间的变化，从而允许识别信号中的局部依赖关系和瞬态。相反，频域分析旨在依据频率分量来表示时间序列，以供深入透视数据的全局依赖关系和频谱特征。结合这两个领域的优势是解决在实时序列中混合不同周期形态问题的一种颇有前景的方式。此处的问题是如何有效地结合时域和频域的优点。
新文章 交易账户监控是一个不可或缺的交易者工具已发布： 交易账户监控提供了关于所有已完成交易的详细报告。所有的交易统计数据都是自动收集的，并以易于理解的图形和图表形式提供给您。 作者：MetaQuotes Software Corp.
新文章 自定义指标：为净额结算账户绘制部分入场、出场和反转交易 已发布： 在本文中，我们将探讨在MQL5中创建指标的一种非标准方法。我们的目标不是专注于趋势或图表形态，而是管理我们自己的仓位，包括部分入场和出场。我们将广泛使用动态矩阵以及一些与交易历史和未平仓头寸相关的交易函数，以在图表上显示这些交易发生的位置。 正如文章标题所暗示的，这个指标只适用于净额结算系统账户才有意义。在这种系统中，只允许持有一个相同交易品种的头寸。如果我们朝一个方向交易，头寸规模将增加。如果交易是朝相反方向进行的，那么未平仓头寸将有三种可能的情况： 新的交易量较小 -> 头寸减少 交易量相等 -> 头寸关闭
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