新文章 构建自动运行的 EA（第 02 部分）：开始编码 已发布： 今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 在上一篇文章中，我们讨论了任何人在继续创建自动交易的智能系统之前需要了解的第一步。 我们首先研究了概念和结构。 在下面的视频中，您可以看到系统正确操作的演示。 附件提供了我们涵盖本文中所述代码的完整版本。 用它来实验和研究。 但我们仍处于最开始阶段。 在下一篇文章中，事情会变得更加有趣。 不过，在此阶段，重要的是要好好地了解在订单簿中如何下单。 作者： Daniel Jose
新文章 从头开始采用 MQL 语言进行深度神经网络编程 已发布： 本文旨在教导读者如何从头开始采用 MQL4/5 语言构建深度神经网络。 从神经网络的基本单元开始：单个神经元。 在本文中，我将专注于深度神经网络中所用神经元类型的不同部分，尽管神经元类型之间最大的区别通常是激活函数。 人工神经元，松散地模仿人脑中的神经元，简单地担负数学计算。 如同我们的神经元，当它受到足够的刺激时就会触发。 神经元把输入数据进行组合，这些数据含有一组或放大或抑制输入的系数或权重，从而为尝试学习任务的算法分配意义重大的输入。 在下一张图片中，可以看到神经元活动的各个部分： 作者： Anddy Cabrera
新文章 DoEasy. 控件 (第 26 部分): 完成 ToolTip（工具提示）WinForms 对象，并转移至 ProgressBar（进度条）开发 已发布： 在本文中，我将完成 ToolTip（工具提示）控件的开发，并启动 ProgressBar（进度条） WinForms 对象开发。 在处理对象时，我将针对控件及其组件开发动画处理的通用功能。 编译 EA，并在图表上启动它： 当前文章声明的功能运行良好。 我们可以在图表注释中看到一个不断变化的数字。 这是来进度条控件的计时器中的数据。 作者： Artyom Trishkin
新文章 学习如何基于鳄鱼（Alligator）设计交易系统 已发布： 在本文中，我们将完成有关如何基于最流行的技术指标设计交易系统的系列文章。 我们将学习如何创建基于鳄鱼指标的交易系统。 根据此策略，我们需要创建一个交易系统，基于持续检查以下值来生成看涨或看跌信号： 嘴唇值 牙齿值 下颌值 我们需要交易系统来判定这些值的位置，并基于此生成合适的信号。 如果嘴唇线大于牙齿，嘴唇大于下颌，牙齿线大于下颌，在这种情况下，我们要求交易系统在图表上返回含有以下值的注释： 看涨 下颌值 = n 牙齿 = n 嘴唇值 = n
新文章 如何利用 MQL5 处理指示线 已发布： 在本文中，您将发现利用 MQL5 处理最重要的指示线（如趋势线、支撑线和阻力线）的方法。 我们可以在交易中应用趋势线，并依据趋势线类型下单。 如果是上升趋势线，我们可能会期望价格向下移动，来从上方测试该趋势线，若反弹到向上，然后我们就可在此趋势线附近放置买入订单。 反之亦然，如果是一条下降趋势线，我们可能期望价格从下方向上移动，来测试该趋势线，若反弹向下，然后我们就可以在此下降趋势线附近放置卖出订单。 以下是上升趋势线： 我们可以看到，上图中很明显，我们有一个向上的走势，如果我们尝试在最后三个低点之间连接，我们可以发现它们在同一条上升线上。
新文章 神经网络变得轻松（第三十二部分）：分布式 Q-学习 已发布： 我们在本系列的早期文章中领略了 Q-学习方法。 此方法均化每次操作的奖励。 2017 年出现了两篇论文，在研究奖励分配函数时展现出了极大的成功。 我们来研究运用这种技术解决我们问题的可能性。 当测试 EA 在 MetaTrader 5 策略测试器中取两周区间数据运行时，基于模型信号进行交易，它产生了约 20 美元的利润。 所有操作都是最低手数。 下图展示出余额值有明显上升趋势。 交易操作统计数据显示，近 56% 的操作是盈利的。 然而，请注意，EA 仅在策略测试器中测试了模型，尚不适合金融市场的真实交易。 作者：
新文章 您应该知道的 MQL5 向导技术（第 04 部分）：线性判别分析 已发布： 今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。 这些系列文章将提出 MQL5 向导应该是交易者在此领域努力的中流砥柱。 LDA 与 PCA 非常相似：事实上，有些人问 PCA 之后再执行 LDA 正则化（避免曲线拟合）是否有意义。 这是一个冗长的话题，也许应该改天写一篇文章。 但对于本文，二维降维方法之间的关键区别在于 PCA 试图找到 整个数据集 具有 最大方差的轴 ，假设数据越分散，可分离性越大，而 LDA
新文章 数据科学与机器学习（第 09 部分）：K-最近邻算法（KNN） 已发布： 这是一种惰性算法，它不是基于训练数据集学习，而是以存储数据集替代，并在给定新样本时立即采取行动。 尽管它很简单，但它能用于各种实际应用。 K-最近邻算法是一种非参数监督学习分类器，它运用邻近度对单个数据点的分组进行分类或预测。 虽然此算法主要用于分类问题，但它也可解决回归问题。 它通常作为分类算法，由于它假设数据集中的相似点可以在彼此的附近找到。 k-最近邻算法是监督机器学习中最简单的算法之一。 我们将在本文中构筑我们的算法作为分类器。 作者： Omega J Msigwa
新文章 神经网络变得轻松（第三十部分）：遗传算法 已发布： 今天我想给大家介绍一种略有不同的学习方法。 我们可以说它是从达尔文的进化论中借鉴而来的。 它可能比前面所讨论方法的可控性更低，但它允许训练不可微分的模型。 优化过程进行测试时，采用所有以前所用的参数。 训练样本是 EURUSD H1 历史数据。 对于优化过程，我取用了过去 2 年的历史记录。 EA 均采用默认参数。 作为测试模型，我采用了上一篇文章中的架构来搜索决策的最佳概率分布。 这种方式可将优化模型替换为前面用过的 “REINFORCE-test.mq5” 智能系统。 如您所见，这是训练相同体系结构的模型过程中的第三种方法。
新文章 DoEasy. 控件 (第 25 部分): Tooltip WinForms 对象 已发布： 在本文中，我将开始开发 Tooltip（工具提示）控件，以及函数库的新图形基元。 自然而然地，并非每个元素都有工具提示，但每个图形对象都有设置它的能力。 编译 EA，并在图表上启动它： 将鼠标指针悬停在箭头按钮上方时，会立即显示工具提示。 每个对象都有它们自己的图标。 工具提示不会脱离屏幕 — 它们的坐标已正确调整。 现在，我们看到在箭头按钮上方绘制的新箭头作为标准图形基元绘制。 很自然，工具提示对象的行为是不正确的。 它们的正确行为将在以后实现。 该测试仅用于评估对象的外观。 作者：
新文章 创建一个行情卷播面板：改进版 已发布： 您如何看待复查我们的行情卷播面板基本版的主意？ 我们改进面板要做的第一件事就是能够添加图像，例如资产徽标或其它图像，从而用户可以迅速、轻松地识别所示品种。 请注意使用面板时资产变化相关的几点。 首先，所需的资产将在与前一个资产相同的时间帧内打开。 您可以稍后更改时间帧，但最初它会采用相同的时间帧。 另一个同样重要的一点是，我们必须选择资产，如此面板上才会有合理数量的资产，因为再次在面板上显示它们需要花费大量时间。 随着时间帧或资产的每次变化，面板将始终从列表中的第一个资产开始。 以下视频演示了该系统在实践中的操作。 作者： Daniel Jose
新文章 创建一个行情卷播面板：基本版 已发布： 在此，我将展示如何创建价格播报屏幕，它通常在交易所滚动显示报价。 我会只用 MQL5 来做到这一点，无需复杂的外部编程。 在下面的视频中，您可以看到系统取自 IBOV（Ibovespa 指数）资产的数据。 这只是演示系统如何工作... 作者： Daniel Jose
移动均线穿越第 N 根柱线时报警: 当 iMA (移动平均线, MA) 指标穿越第 N 根柱线时, 会产生警报 (音频警报, 电子邮件和推送通知)。 作者： Vladimir Karputov
新文章 种群优化算法：蚁群优化（ACO） 已发布： 这次我将分析蚁群优化算法。 该算法非常有趣且复杂。 在本文中，我尝试创建一种新型的 ACO。 ACO 算法是一种群体智能算法。 依据蚁群的觅食过程进行建模，利用蚁群的内部数据传输机制建立各种环境下的最短路径。 路径上残留的信息素浓度越高，蚂蚁选择这条路径的可能性就越大。 与此同时，信息素的浓度随着时间的推移而减弱。 因此，由于蚁群的行为，蚂蚁通过反馈机制不断学习和优化，从而判定最短的觅食路径。 ACO 算法广泛用于路径规划。 ACO 基于 Skin 测试函数 ACO 基于 Forest 测试函数 ACO 基于 Megacity 测试函数
新文章 帧分析器（Frames Analyzer）工具带来的时间片交易魔法 已发布： 什么是帧分析器（Frames Analyzer）？ 这是适用于任意智能系统的一个插件模块，在策略测试器中、以及测试器之外进行参数优化期间，该工具在参数优化完成后立即读取测试创建的 MQD 文件、或数据库，并分析优化帧数据。 您能够与拥有帧分析器工具的其他用户共享这些优化结果，从而共同讨论结果。 如果 帧分析器 模块作为函数库连接到 EA，则在参数优化期间， 帧分析器 EA 的图形会在测试器中打开，并可立即观察所有中间结果（余额）。 在参数优化期间可视化结果 作者： Anatoli Kazharski
新文章 数据科学与机器学习（第 09 部分）：以 MQL5 平铺直叙 K-均值聚类 已发布： 数据挖掘在数据科学家和交易者看来至关重要，因为很多时候，数据并非如我们想象的那么简单。 人类的肉眼无法理解数据集中的不显眼底层形态和关系，也许 K-means 算法可以帮助我们解决这个问题。 我们来发掘一下... 聚类分析是一项把一组对象进行分组的任务，按照这种方式，拥有相同属性的对象被放置在相同的群组（聚类）中。 如果您去商场，您会发现类似的物品放在一起吧？ 有人进行了把它们分组的过程。
新文章 DoEasy. 控件 (第 24 部分): 提示（Hint）辅助 WinForms 对象 已发布： 在本文中，我将修改为所有 WinForms 函数库对象指定基准对象和主对象的逻辑，并开发一个新的提示（Hint）基准对象，及其若干个派生类，用以示意移动隔板的可能方向。 为了执行测试， 我将采用上一篇文章中的 EA ，并将其保存在 \MQL5\Experts\TestDoEasy\ Part124\ 中，命名为 TestDoEasy124.mq5 。 而 EA 不会有任何变化。 我们在图表上编译，并启动它： 实现的功能均工作正常。 作者： Artyom Trishkin
Fluctuate: 基于摇摆的EA交易： EA交易设置在相反方向上的，增加手数的止损挂单。 作者： Vladimir Karputov
新文章 自适应指标 已发布： 在本文中，我将研究创建自适应指标的若干种可能方式。 自适应指标的区别在于输入值和输出信号之间存在反馈。 这种反馈令指标能够独自调整到处理金融时序数据的最优状态。 这种简化并未帮助我们稳定指标（ price[1] 比率等于 1）。 不过，这种失败可作为另一个指标的基础。 首先，设置 iPeriod 指标周期。 然后找到所有 N 的 SL 值，数值从 1 到 iPeriod 。 下一步是计算所有 SL 值之和的平均值。 结果就是，我们将得到一个显示稳定价格值的指标。 该指标可以描述如下：天真的预测（过去=未来）加上略微弱化的线性趋势。 现在我们就得到一个指标。
双向每隔20点的追涨杀跌一次10个的循环挂单脚本:
双向每隔20点的追涨杀跌一次10个的循环挂单脚本，同时设置止盈止损各50点，更多详细的介绍，访问博客：http://waihuiea.5d6d.com
Author: yyy999
新文章 学习如何基于分形（Fractals）设计交易系统 已发布： 本文是我们关于如何基于最流行的技术指标设计交易系统的系列中的一篇新文章。 我们将学习一个新的指标，即分形（Fractals）指标，我们将学习如何设计一个基于它的交易系统，从而能在 MetaTrader 5 终端中执行。 1. 分形高点和低点 基于此策略，我们需要创建一个交易系统，该系统可通过持续检查 fracUpvalue 和 fracDownValue 来返回分形指标的高点和低点，作为图表上的注释。 如果 fracUp 大于零或其不为空值，且 fracDown
新文章 神经网络变得轻松（第三十一部分）：进化算法 已发布： 在上一篇文章中，我们开始探索非梯度优化方法。 我们领略了遗传算法。 今天，我们将继续这个话题，并将研究另一类进化算法。 优化之后，在策略测试器中测试了模型。 为了测试模型，我用到了 Evolution-test.mq5 EA，它是前几篇文章中的 EA 精确副本。 仅有的影响就是更改了加载模型的文件名。 完整的 EA 代码可在附件中找到。 EA 基于过去 2 周历史数据进行了测试，不包括训练样本。 这意味着 EA 是在接近真实条件下进行测试的。 测试结果展现了所提方法的可行性。 在下面的图表中，您可以看到余额增加的动态。
新文章 DoEasy. 控件 (第 23 部分): 改进 TabControl 和 SplitContainer WinForms 对象 已发布： 在本文中，我将添加与 WinForms 对象工作区域边界相关的新鼠标事件，并修复 TabControl 和 SplitContainer 控件功能中的一些瑕疵。 编译 EA，并在图表上启动它： 如此这般，当选定的选项卡标题离开容器的边缘，以及移动面板时，我们不会看到更多的伪影。 标题和带有垂直标题栏的滚动控件之间的间距现在更小、更整洁。 当标题位于右侧时，控件面板的右侧会略微裁剪（尽管我们看不到）。
新文章 DoEasy. 控件 (第 22 部分): SplitContainer。 修改已创建对象的属性 已发布： 在本文中，我将实现更改新近创建的 SplitContainer 控件的属性和外观的功能。 编译 EA，并在图表上启动它： 如您所见，在创建对象之后，为对象设置的所有新属性都会正确更改其外观。 至于缺点，鼠标光标从隔板对象移开后，我们可以看到隐藏隔板对象的模糊触发器。 但是我将修改行为和显示逻辑，以便更贴切地匹配 MS Visual Studio 中的行为逻辑。 这将令我们能够深入挖掘这个问题。 作者： Artyom Trishkin
新文章 群体优化算法：粒子群（PSO） 已发布： 在本文中，我将研究流行的粒子群优化（PSO）算法。 之前，我们曾讨论过优化算法的重要特征，如收敛性、收敛率、稳定性、可伸缩性，并开发了一个测试台，并研究了最简单的 RNG 算法。 由于我采用了与图例 2 中描述的本系列的第一篇文章（我将在未来继续这样做）相同的结构来构建算法，因此我们将算法连接到测试台并不困难。 当在测试台运行时，我们将看到类似于下面显示的动画。 在这种情况下，我们可以清楚地看到一群粒子的行为。 群体行为真的很像自然界中的群体。 在函数的热图上，它以密集云的形式移动。
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