新文章 构建K线图趋势约束模型（第一部分）：针对EA和技术指标 已发布： 本文面向初学者和专业的MQL5开发者。它提供了一段代码，用于定义并限制信号生成指标仅在较长的时间框架的趋势中运行。通过这种方式，交易者可以通过融入更广泛的市场视角来增强他们的策略，从而可能产生更稳健和可靠的交易信号。
新文章 练习开发交易策略 已发布： 在本文中，我们将尝试开发自己的交易策略。任何交易策略都必须以某种统计优势为基础。而且，这种优势应该长期存在。 交易策略 是一种固定计划，旨在通过做多或做空市场来实现盈利回报。通过组合各种想法，交易者可以制定自己的策略，以满足他们的特定需求和风格偏好。 可能的交易策略数量如此之多，甚至连对它们进行分类都成了一项艰巨的任务。不过，大多数交易策略通常都包含一定的要素。 工作交易品种和时间框架。 指标、过滤器等。 开仓和平仓规则。 资金和风险管理。 除这些要素外，交易策略还可能包括其他参数。交易策略可能有交易时间限制，例如，允许在上午 9 点至下午 1
新文章 种群优化算法：人工多社区搜索对象（MSO） 已发布： 这是上一篇研究社群概念文章的延续。本文使用迁徙和记忆算法探讨社群的演化。结果将有助于理解社区系统的演化，并将其应用于优化和寻找解。 在 上一篇文章 中，我们研究了社群的演变，它们在搜索空间中可自由移动。然而，在此，我提议我们改变一下概念，并假设群在地区间移动，从一个地区跳到另一个地区。所有群都有自己的中枢，这些中枢在算法的每次迭代中都会更新。此外，我们还为整个群和其中的每个份子引入了记忆的概念。依据这些变化，我们的算法现在允许群基于有关最佳解的信息从一个地区移动到另一个地区。
新文章 利用Python进行季节性过滤并为EA的ONNX深度学习模型选择时间周期 已发布： 在利用Python构建深度学习模型时，我们能否从季节性因素中获益？为ONNX模型过滤数据是否有助于获得更好的结果？我们应该使用哪个时间周期？本文将全面探讨这些问题。 在阅读了 《利用外汇市场季节性因素获利》 一文后，我决定撰写另一篇文章，对比加入季节性因素与未加入季节性因素的交易策略（Expert Advisor，简称EA），以探究季节性因素是否能带来优势。
新文章 种群优化算法：鲸鱼优化算法（WOA） 已发布： 鲸鱼优化算法（WOA）是一种受座头鲸行为和捕食策略启发的元启发式算法。该算法的核心思想在于模仿所谓的“气泡网”捕食方法，即鲸鱼在猎物周围制造气泡，然后以螺旋运动的方式攻击猎物。 鲸鱼优化算法（WOA）是由Mirjalili和Lewis于2016年提出的一种元启发式优化算法。该算法的灵感来源于鲸鱼的狩猎行为。 鲸鱼采用多种狩猎策略，包括“气泡网”（bubble net）和“螺旋穿透”（spiral
新文章 开发多币种 EA 交易 (第 5 部分):可变仓位大小 已发布： 在前面的部分中，我们正在开发的智能交易系统 (EA) 只能使用固定的仓位大小进行交易。这对于测试来说是可以接受的，但在真实账户交易时并不建议这样做。让我们能够使用可变的仓位大小进行交易。 在上一 部分 中，我们添加了重启后恢复 EA 状态的功能。无论原因是什么 - 重新启动终端、使用 EA 更改图表上的时间框架、启动较新版本的 EA - 在所有情况下，恢复状态都允许 EA 不从头开始工作并且不会丢失已经打开的仓位，而是继续处理它们。 然而，在整个测试期间，该策略的每个实例的开仓大小保持不变。其大小是在 EA
新文章 种群优化算法：社群进化（ESG） 已发布： 我们将研究构造多种群算法的原理。作为该算法类别的一个示例，我们将查看新的自定义算法 — 社群进化（ESG）。我们将分析该算法的基本概念、种群互动机制和优势，并检查其在优化问题中的表现。 在优化领域，有范围广阔的种群算法，旨在寻找各种问题中的最优解。然而，尽管它们很重要，但多种群和多群体算法在我以前的文章中并未得到充分的涵盖。有鉴于此，我觉得有必要针对这个迷人而有前景的话题进行更详细的研究。
新文章 克服集成ONNX（Open Neural Network Exchange ）的挑战 已发布： ONNX是集成不同平台间复杂AI代码的强大工具，尽管它非常出色，但要想充分发挥其作用，就必须解决一些伴随而来的挑战。在本文中，我们将讨论您可能会遇到的一些常见问题，以及如何处理这些问题。 ONNX (Open Neural Network Exchange) 彻底改变了我们开发复杂的基于AI的MQL5程序的方式。对于MetaTrader
基础 CCI RSI: 基于两个振荡器的交易策略：iCCI（商品通道指数，CCI）和 iRSI（相对强弱指数，RSI）。 作者： Vladimir Karputov
新文章 MQL5 中的高级变量和数据类型 已发布： 不仅在 MQL5 编程中，在任何编程语言中，变量和数据类型都是非常重要的主题。MQL5 变量和数据类型可分为简单类型和高级类型。在这篇文章中，我们将识别并学习高级类型，因为我们在前一篇文章中已经提到过简单类型。 在本文中，我们将描述并深入了解 MQL5 中的变量和数据类型，以及它们如何在创建或构建 MQL5 交易软件时发挥作用。我们将学习更多关于变量和数据类型的高级概念，并将通过以下主题进行讲解： 常量 ：它们是其值不变的标识符。 数组 ：它们是具有多个值的任何类型的变量。 枚举 ：它们是具有整数值的常量整数列表。 结构
垂直线: 本指标会画出一条垂直线 (OBJ_VLINE)，然后把它移动到制定的时间 (小时和分钟)。 作者： Vladimir Karputov
新文章 头脑风暴优化算法（第二部分）： 多模态 已发布： 在文章的第二部分，我们将继续讨论BSO算法的实际应用，对测试函数进行测试，并将BSO的效率与其他优化方法进行比较。 在文章的 第一部分
新文章 构建一个用于实现带约束条件的自定义最大值的通用优化公式（GOF） 已发布： 在这篇文章中，我们将介绍一种在MetaTrader 5终端的设置选项卡中选择“自定义最大值”时，实现具有多个目标和约束的优化问题的方法。举例来说，优化问题可以是：最大化利润因子、净利润和恢复因子，同时满足以下条件：回撤小于10%，连续亏损次数少于5次，每周交易次数多于5次。
新文章 矩阵分解基础知识 已发布： 由于这里的目标是教学，我们将尽可能简单地进行。也就是说，我们将只实现所需的功能：矩阵乘法。今天您将看到，这足以模拟矩阵标量乘法。许多人在使用矩阵分解实现代码时遇到的最大困难是：与标量分解不同，在标量分解中，几乎所有情况下因子的顺序都不会改变结果，但使用矩阵时情况并非如此。 欢迎大家阅读我的新文章，其中包含的是教育内容。
新文章 头脑风暴优化算法（第一部分）：聚类 已发布： 在本文中，我们将探讨一种受自然现象“头脑风暴”启发的新型优化方法——头脑风暴优化（Brain Storm Optimization，简称BSO）。我们还将讨论BSO方法所应用的一种解决多模态优化问题的新方法。该方法能够在无需预先确定子种群数量的情况下，找到多个最优解。此外，我们还会考虑K-Means和K-Means++聚类方法。 头脑风暴优化算法（Brain Storm Optimization
新文章 非平稳过程和伪回归 已发布： 本文基于蒙特卡洛模拟，展示了回归分析非平稳过程时产生的伪回归现象。 在本文中，我将使用蒙特卡洛模拟来展示当违反平稳性假设时或错误设定平稳情况下的回归模型时，虚假回归是如何发生的。为此，我将使用标准的MQL5统计库来生成随机数，并计算正态分布和t分布的临界值，同时还将使用 图形 库来绘制所得到的结果。使用矩阵代数方法可以极大地简化回归模型的计算。 作者： Evgeniy Chernish
新文章 您应当知道的 MQL5 向导技术（第 11 部分）：数字墙 已发布： 数字墙（Number Walls）是线性回移寄存器的一种变体，其通过检查收敛性来预筛选序列来达到可预测性。我们看看这些思路如何运用在 MQL5。 对于少量时间序列，可以依据序列中出现的先前值为序列中的下一个值设计一个公式。数字墙允许遵照交叉规则以矩阵的形式，初步生成“数字墙”来达成这一点。在生成这个矩阵时，主要目标是确立问题中的序列是否收敛，且数字墙交叉规则算法能愉快地回答这个问题，如果在应用几行之后，矩阵中的后续行只是零。 在这篇 已发表论文 中，展示了这些概念，Laurent Power 级数又名形式化
新文章 种群优化算法：鸟群算法（BSA） 已发布： 本文探讨了受自然界鸟类集群行为启发而产生的基于鸟群的算法（BSA）。BSA中的个体采用不同的搜索策略，包括在飞行、警戒和觅食行为之间的切换，使得该算法具有多面性。它利用鸟类集群、交流、适应性、领导与跟随等规则来高效地找到最优解。 鸟群算法（Bird Swarm Algorithm，简称BSA）是一种令人兴奋的受生物启发的进化算法，是基于鸟群社会互动和行为的群体智能。BSA由Meng及其同伴于2015年开发，是一种独特的优化方法，它结合了鸟类行为的三个关键方面： 飞行 、 觅食 和 警戒
新文章 神经网络实践：割线 已发布： 正如理论部分已经解释的那样，在使用神经网络时，我们需要使用线性回归和导数。为什么呢？原因是线性回归是现存最简单的公式之一。从本质上讲，线性回归只是一种仿射函数。然而，当我们谈论神经网络时，我们对直接线性回归的影响并不感兴趣。我们感兴趣的是生成这条直线的方程。我们对创建出的线并不感兴趣。你知道我们需要理解的主要方程吗？如果没有，我建议您阅读这篇文章来了解它。 亲爱的读者朋友们，欢迎你们阅读一个不会被当作系列文章处理的话题。
新文章 神经网络变得简单（第 74 部分）：自适应轨迹预测 已发布： 本文介绍了一种相当有效的多个体轨迹预测方法，其可适配各种环境条件。 构建交易策略时，分析市场局面和预测金融产品最可能的走势密不可分。这种走势通常与其它金融资产和宏观经济指标相关。这可以与运输的动态进行比较，其中每辆车都遵循自己的独立目的地。不过，它们在道路上的动作在一定程度上是相互关联的，并受到交通规则的严格监管。还有，由于车辆驾驶员对道路状况的个人感知，在道路上仍然留有一部分随机性。
新文章 在MQL5中构建自适应的自动化交易系统（EA） 已发布： 建立前瞻性的EA，并根据任何市场进行调整。 开发能够适应当前市场条件的交易机器人（EA），是稳定算法交易策略的关键。我们的目标不仅仅是开发仅针对少数交易标的的狭义机器人。而是旨在设计具有学习和适应任何交易标的能力的系统。本指南侧重于使用MQL5开发能够自优化以适应任何交易环境的机器人。
新文章 让新闻交易变得容易（第一部分）：创建一个数据库 已发布： 新闻交易可能很复杂，令人难以招架，在本文中我们将介绍获取新闻数据的步骤。此外，我们还将了解MQL5经济数据日历及其提供的功能。 在这篇文章中，我们将学习如何创建一个数据库，用于存储来自MQL5经济数据日历的数据。这些数据将用于后续的文章中来交易新闻事件。我们还将探索如何执行基本的SQL查询，以从这个数据库中检索某些有组织的信息。整个过程将在MQL5 IDE中完成。 交 易员们密切关注新闻来源，以获取可能影响市场的信息。这包括地缘政治事件、企业利润公告、政治事件以及GDP增长或就业数据等经济报告。交易员迅速对重大
新文章 分歧问题：深入探讨人工智能的复杂性可解释性 已发布： 在这篇文章中，我们将探讨理解人工智能如何工作的挑战。人工智能模型经常会以难以解释的方式做出决策，这就是所谓的 "分歧问题"。这个问题是提高人工智能透明度和可信度的关键。 分歧问题是可解释人工智能（XAI，Explainable Artificial Intelligence）的一个重要研究领域。XAI 旨在帮助我们了解人工智能模型如何做出决策，但这说起来容易做起来难。 我们都知道，机器学习模型和可用数据集正在变得越来越大、越来越复杂。事实上，开发机器学习算法的数据科学家无法准确解释他们的算法在所有可能的数据集中的行为。
新文章 数据科学和机器学习（第 19 部分）：利用 AdaBoost 为您的 AI 模型增压 已发布： AdaBoost，一个强力的提升算法，设计用于提升 AI 模型的性能。AdaBoost 是 Adaptive Boosting 的缩写，是一种复杂的融合学习技术，可无缝集成较弱的学习器，增强它们的集体预测强度。 Adaboost 是 Adaptive Boosting 的缩写，是一种融合机器学习模型，它尝试基于弱分类器构建强分类器。 它是如何工作的？ 该算法为实例分配权重时，基于它们的分类对错。 它采用加权总和把弱学习器结合在一起。
新文章 种群优化算法：Boids（虚拟生物）算法 已发布： 本文基于动物集群行为的独特实例，说明Boids算法。反过来说，Boids算法又成为了一整类算法的基础，这类算法统称为“种群智能”。 原始的Boids算法有几个目标和应用： 1. 创建逼真的动画 。Boids算法能够创建逼真的动物群体动画，这已成为计算机图形学和动画发展的重要方向之一。 2. 行为模式。 Boids允许根据个体的简单规则模拟复杂的集体行为。这一技术在动物行为研究、机器人技术、交通管理等多个领域都得到了应用。 Boids算法促成了其他算法的发展，如粒子群优化（PSO）算法和种群行为建模算法。
新文章 群体算法的混合 -顺序结构和并行结构 已发布： 在这里，我们将深入探讨优化算法混合的三个主要类型：策略混合、顺序混合和并行混合。我们将结合并测试相关的优化算法进行一系列实验。 让我们来看看混合优化算法的三种主要选择： 1. 将算法搜索策略混合为一个。 每种算法都有自己的一套技能和能力。在共同追求成功的过程中，混合它们的逻辑结构提供了各种特性。这是一种风格各异的舞蹈，每一步都是对整体动作的补充和增强。这种方法的一个例子就是前一篇 文章 中讨论的细菌觅食优化与遗传算法的结合。 2.将迭代分为一种算法的部分工作和另一种算法的最终工作，就像传递接力棒一样，使每种算法的 运行保持一致
新文章 使用Python和MQL5开发机器人（第一部分）：数据预处理 已发布： 基于机器学习的交易机器人开发：详细指南本系列文章的第一篇将重点讨论数据的收集与准备以及特征的选择。该项目采用Python编程语言及其相关库，并结合MetaTrader 5平台来实现。 市场正变得越来越复杂。如今，它正演变成一场算法之战。超过95%的交易额是由交易机器人产生的。 下面一步是机器学习。这些虽然不是高级人工智能，但也并非简单的线性算法。机器学习模型能够在困难的背景下实现盈利。将机器学习应用于创建交易系统是一件有趣的事情。得益于神经网络，交易机器人将分析大数据，发现规律并预测价格走势。
新文章 使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX，以及 GRU 与 LSTM 模型的比较 已发布： 我们将指导您完成使用 Python 进行 DL 制作 GRU ONNX 模型的整个过程，最终创建一个用于交易的专家顾问 (EA)，然后将 GRU 模型与 LSTM 模型进行比较。 GRU 是门控循环单元 (Gated Recurrent Unit) 的缩写，代表类似于 LSTM（长短期记忆，Long Short-Term Memory）的循环神经网络 (RNN，recurrent neural network) 架构的变体。 与 LSTM 非常相似，GRU
新文章 种群优化算法：二进制遗传算法（BGA）。第 II 部分 已发布： 在本文中，我们将继续研究二进制遗传算法（BGA），它模拟自然界生物遗传物质中发生的自然过程。 遗传二进制算法的开发受到若干个因素和思路的启发。主要的： 自然选择和进化原理 ：BGA 基于查尔斯·达尔文（Charles Darwin）提出的自然选择和进化原理。该思想是，一个种群中存在多种解元，更能适应环境的那些解元更有可能生存，并将其特征传递给下一代。 基因和遗传学 ：BGA 还使用基因学概念，例如基因、染色体、和遗传。BGA
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