Exp_XDeMarker_Histogram_Vol_Direct : 基于 XDeMarker_Histogram_Vol_Direct 指标信号的交易系统 作者： Nikolay Kositsin
新文章 使用信号指标的简单交易系统 已发布： 如果我们完整地检查任何复杂的交易系统，就会发现它们都是基于一组简单的交易信号。因此，新手开发人员无需立即开始复杂算法的编写。本文讲述的是一套使用信号指标执行交易的交易系统示例。 作者： Nikolay Kositsin
新文章 第三代神经网络：深度网络 已发布： 本文致力于介绍一种新的有前景的机器学习方向 — 深度学习或者更准确的说，深度神经网络。简要回顾第二代神经网络，它们的连结架构和主要类型，学习的方法和规则以及缺点，随后介绍第三代神经网络的发展， 它们的主要类型，特点和学习方法。创建并训练一个深度神经网络，由真实数据通过堆栈式自动编码器权重进行初始化。从输入数据的选择到数量化求解的所有步骤 都会详细讲述。文章的最后部分包含一个深度神经网络的EA实例，其中带有一个MQL4/R的内置指标。 本文将要讨论这一课题的主要概念，诸如深度学习以及无复杂layman形式运算的深度网络。
DarvasBoxes_System_HTF : 指标 DarvasBoxes_System 在输入参数中有时间帧选项。 作者： Nikolay Kositsin
Volume weighted awesome oscillator : Volume weighted awesome oscillator 作者： Mladen Rakic
Stat : 本脚本程序显示了在指定时间段内的资产交易简要统计信息 - 交易数量，利润，利润因数。 作者： Aliaksandr Yemialyanau
拉盖尔 RSI - 无 gamma : 拉盖尔 RSI - 不使用 gamma 参数 作者： Mladen Rakic
RSI 布林带 EA : EA 判断超买 (OB) 和超卖 (OS) 区域，为其生成买卖信号。 作者： Vladimir Karputov
Exp_GTakeProfit : 本EA交易在总利润超过预先定义的限制时关闭所有仓位。 作者： Nikolay Kositsin
Vortex 振荡器 : 此版本的 Vortex 指标将 VI+ 和 VI- 线之间的差异显示为在零线附近振荡的直方图。 作者： Vladimir Karputov
Negative_Volume_Index_HTF : 负成交量指数 (NVI) 指标在输入参数中有时间帧选项。 作者： Nikolay Kositsin
CloseOrdersBySymbolByType : 本脚本程序在当前交易品种中根据设置中指定的类型删除所有订单。 作者： Nikolay Kositsin
新文章 以峰谷指标和 ATR 指标为例说明作为类来实施指标 已发布： 有关指标计算的最佳方式的争论无休无止。我们应在何处计算指标值 - 在指标本身内还是嵌入使用该指标的 EA 交易的整个逻辑之中？本文说明在 EA 交易或脚本的代码中移动自定义指标 iCustom 的源代码的一种情形，并对计算和 prev_calculated 值的建模进行优化。 作者： Александр Чугунов
10pipsOnceADayOppositeLastNHourTrend : 每日 10 点利, 与 "昨天的趋势" 相反。 作者： Vladimir Karputov
新文章 深度神经网络 (第六部分)。 神经网络分类器的融合: 引导聚合 已发布： 本文讨论了用引导聚合结构构建并训练神经网络融合的方法。 它还确定了构成融合的各独立神经网络分类器的超参数优化的特性。 本文中所创建的神经网络融合的品质将与该系列前一篇文章中获得的优化神经网络的品质进行比较。 已考虑到进一步提高融合分类品质的可能性。 尽管事实上，在融合当中的单体分类器的超参数是凭直觉选择的，且显然不是最优的，但是利用平均和简单多数表决获得了较高且稳定的分类品质。 总结以上所有内容。 示意性地，创建和测试神经网络融合的整个过程可以分为 4 个阶段: 图例3
新文章 在交易中应用 OLAP(第 1 部分)：在线分析多维数据 已发布： 本文论述如何创建多维数据（OLAP - 在线分析处理）的在线分析框架，以及如何在 MQL 中实现此框架，还有利用交易帐户历史数据在 MetaTrader 环境中应用此类分析的示例。 交易者经常需要分析大量数据。 这些通常包括数字、报价、指标值和交易报告。 由于这些数字所依赖的参数和条件数量众多，我们应将它们分开考虑，并从不同角度观察整个过程。 整体信息量形成了一种虚拟超立方体，其中每个参数定义其自身的维度，该维度与其余维度相互垂直。 可以使用流行的 OLAP（ 在线分析处理 ）技术处理和分析这种超立方体。
新文章 深度神经网络 (第五部分)。 DNN 超参数的贝叶斯优化 已发布： 本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。 结果很好。 我们来绘制训练历史图: plot(env$Res1$Dnn.opt, type = "class" ) 图例 2. 由 SRBM + RP 变体训练的 DNN 历史 从图中可以看出，验证集合上的误差小于训练集合上的误差。 这意味着该模型没有过度配置，具有优良的泛化能力。
新文章 10 种横盘交易策略的比较分析 已发布： 本文探讨横盘时交易的优缺点。 本文中创建并测试了十种基于在通道内跟踪价格走势的策略。 每种策略都配有过滤机制，旨在避免入场的假信号。 策略 #1，附带基于 MFI 滤波器的轨道线指标 通道边界基于轨道线指标判断。 MFI 指标还用于过滤信号。 指标参数 描述 所用指标 轨道线 所用指标 MFI 时间帧 H1 买入条件 价格触及通道边界低轨，MFI 处于超卖区域 (低于 20) 卖出条件 价格触及通道边界高轨，MFI 处于超买区域 (高于 80) 离场条件 价格到达反方向的通道边界 图例. 3 根据策略 #1 示意入场条件。 作者：
20_200 expert_v4.2_AntS : 该 EA 十分简单, 分析两根柱线价格, 若有亏损则增加交易手数 作者： Dmitry Fedoseev
Exp_Waddah_Attar_Trend : Exp_Waddah_Attar_Trend EA交易是基于 Waddah_Attar_Trend 指标颜色变化的。 作者： Nikolay Kositsin
新文章 根据特定的价格变化自动侦测极值点 已发布： 与图形模式相关的交易策略自动化需要能够在图表中搜索极值点以备进一步处理和解释，现有的工具并不能一直提供这种功能。本文中描述的方法可以在图表上找到极值点，这里讨论的工具在有趋势和平盘市场上都一样有效，取得的结果不会被所选时段很大影响，也不会只针对特定的缩放尺度。 分形(Fractals)是用于找到极值点的流行工具，它们可以在5个柱的序列中找到价格的高点和低点(图 1)。极值点在价格变化强弱的情况下都可以定义，如果正确选择了时段，分形可能会显示很好的结果，尽管它们被市场条件的影响很大。 图 1. 使用分形的结果
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