双线MACD: 本指标MACD(2lines)是基于国内的股票软件通达信的MCAD改编。 作者： Ziheng Zhuang
新文章 神经网络实践：直线函数 已发布： 在本文中，我们将快速了解一些方法，以获得可以在数据库中表示数据的函数。我不会详细介绍如何使用统计和概率研究来解释结果。让我们把它留给那些真正想深入研究数学方面的人。探索这些问题对于理解研究神经网络所涉及的内容至关重要。在这里，我们将非常冷静地探讨这个问题。 网络上有很多关于这个主题的材料，这些材料都解释得很好，很容易理解。但是，如果你的目标只是查看代码，那么欢迎你，因为我不会在本文中讨论数学部分。这个数学问题相当深奥，需要理解每一个细节和大量时间。大多数读者可能对这些方面不感兴趣。
新文章 数据科学与机器学习（第24部分）：使用常规AI模型进行外汇时间序列预测 已发布： 在外汇市场中，如果不了解过去的情况，就很难预测未来的趋势。很少有机器学习模型能够通过考虑过去的数据来做出未来预测。在本文中，我们将讨论如何使用经典（非时间序列）人工智能模型来战胜市场。 与我们之前文章中讨论的线性回归、支持向量机（SVM）、神经网络（NN）等其他经典机器学习模型不同，这些模型旨在确定特征变量之间的关系，并根据这些学习到的关系进行未来预测——时间序列模型则基于先前观察到的值来预测未来值。
新文章 构建K线图趋势约束模型（第5部分）：通知系统（第二部分） 已发布： 今天，我们将讨论如何使用MQL5与Python和Telegram Bot API相结合，为MetaTrader 5的指标通知集成一个实用的Telegram应用。我们将详细解释所有内容，确保每个人都不会错过任何要点。完成这个项目后，您将获得宝贵的见解，可以在自己的项目中加以应用。 本文的目标是全面指导我们完成每一步，直到实现预期结果。有了在前文中获得的基础知识，现在一切都清晰明了了。我将详细解释集成程序中的每一行代码。在这个项目中，与Telegram集成相关的四个关键组件需要始终牢记。 Telegram的API。
新文章 让新闻交易轻松上手（第二部分）：风险管理 已发布： 在本文，我们将把继承引入到我们之前的代码和新代码中。我们将引入一种新的数据库设计以提高效率。此外，还将创建一个风险管理类来处理容量计算。 简单回顾让新闻交易轻松上手系列的 前一篇文章
新文章 神经网络实践：伪逆（I） 已发布： 今天，我们将开始探讨如何在纯MQL5语言中实现伪逆的计算。即将展示的代码对于初学者来说可能比我预期的要复杂得多，我还在思考如何以简单的方式解释它。所以，现在请将其视为学习一些不寻常代码的机会。请保持冷静和专注。虽然它并不旨在高效或快速应用，但其目标是尽可能具有教育意义。 即使是创建最简单的神经网络，在许多情况下也是一项具有挑战性的任务。在这里，我想向你展示一些能够激励你更深入地探索这个主题的东西。神经网络至少是几十年来一直研究的主题。如前面三篇关于人工智能的文章所述，这个主题比许多人认为的要复杂得多。
新文章 您应当知道的 MQL5 向导技术（第 15 部分）：协同牛顿多项式的支持向量机 已发布： 支持向量机基于预定义的类，按探索增加数据维度的效果进行数据分类。这是一种监督学习方法，鉴于其与多维数据打交道的潜力，它相当复杂。至于本文，我们会研究进行价格行为分类时，如何运用牛顿多项式更有效地做到非常基本的 2-维数据实现。 支持向量机（SVM） 是一种机器学习分类算法。分类不同于我们之前在 这里 和 这里 文章中研究过的聚类，两者之间的主要区别在于，分类在 有监督 的情况下将数据分成预定义的集合，而聚类则寻求在 无监督 的情况下判定这些集合的内容和数量。 简言之，如果要向数据添加维度，SVM
新文章 神经网络变得简单（第 84 部分）：可逆归一化（RevIN） 已发布： 我们已经知晓，输入数据的预处理对于模型训练的稳定性扮演重要角色。为了在线处理 “原始” 输入数据，我们往往会用到批量归一化层。但有时我们需要一个逆过程。在本文中，我们将讨论解决该问题的可能方式之一。 当训练各种自动编码器模型时，我们就遇到了类似的问题。在这些情况下，我们找到了一种解决方案，即采用归一化后的原始数据作为目标。不过，在这种情况下，我们需要不同于输入数据的，描述环境后续状态的数据。论文 《可逆实例归一化抵消精确时间序列预测中的分布移位》 中提出了解决此问题的方法之一。
新文章 神经网络变得简单（第 83 部分）：“构象”时空连续关注度转换器算法 已发布： 本文介绍了最初是为天气预报而开发的“构象（Conformer）”算法，其变化多端之处可与金融市场相提并论。“构象（Conformer）”是一种复杂的方法。它结合了关注度模型和常微分方程的优点。 金融市场行为的不可预测性可与天气的波动性相提并论。然而，人类在天气预报领域已经做了很多工作。如此，我们现在可以非常信任气象学家提供的天气预报。我们能否利用它们的发展来预测金融市场的“天气”？在本文中，我们将领略“构象”时空连续关注度转换器的复杂算法，其是为天气预报而开发的，并在论文
新文章 神经网络变得简单（第 82 部分）：常微分方程模型（NeuralODE） 已发布： 在本文中，我们将讨论另一种模型类型，它们旨在研究环境状态的动态。 我们来领略一个新的模型家族：常微分方程。它们把隐藏状态的导数利用神经网络参数化，替代了指定隐藏层的离散序列。模型的结果是利用“黑匣子”计算的，即微分方程求解器。这些连续深度模型使用恒定的内存量，并针对每个输入信号适配其估测策略。这种模型最早是在论文 《神经常微分方程》 中引入的。在该篇论文中，方法的作者演示了使用任意常微分方程（ODE）求解器伸缩反向传播的能力，而无需访问其内部操作。这就能在较大的模型内对 ODE 进行端到端训练。 作者：
新文章 开发回放系统（第 49 部分）：事情变得复杂 (一) 已发布： 在本文中，我们将把问题复杂化。通过前面文章中展示的内容，我们将开始打开模板文件，以便用户可以使用自己的模板。不过，我将逐步进行修改，因为我还将改进指标，以减少 MetaTrader 5 的负载。 本文将采用 开发回放系统（第 48 部分）：理解和思考的概念 一文中的讨论内容。所以，如果您还没有读过这篇文章，请阅读一下，因为这篇文章的内容对于理解我们在这里要做的事情非常重要。 在撰写前几篇文章时，最让我困扰的一件事是，回放/模拟系统包含一个指标，MetaTrader 5
新文章 获取市场优势的秘诀（第二部分）：预测技术指标 已发布： 你知道吗？与预测交易标的的基础价格相比，我们预测某些技术指标时能获得更高的准确性。加入我们，一起探索如何利用这一想法来制定更好的交易策略。 在电子交易环境中应用机器学习的投资者面临着诸多挑战，而现实情况是，许多投资者并未能实现他们预期的结果。本文旨在强调在我看来，为什么有志于成为算法交易者的人可能无法实现与他们策略复杂性相匹配的满意回报。我将展示为什么预测金融证券的价格往往难以超过50%的准确性，以及如何通过转而预测技术指标值来提高准确性至约70%。本指南将提供时间序列分析最佳实践的分步指导。
新文章 数据科学与机器学习（第23部分）：为什么LightGBM和XGBoost能超越许多AI模型？ 已发布： 这些先进的梯度提升决策树技术提供了卓越的性能和灵活性，使其成为金融建模和算法交易的理想选择。了解如何利用这些工具来优化您的交易策略、提高预测准确性，并在金融市场中获得竞争优势。 梯度提升决策树（GBDT）是一种强大的机器学习技术，主要用于回归和分类任务。它们将多个弱学习器（通常是决策树）的预测结果结合起来，以创建一个强大的预测模型。 核心思想是顺序构建模型，每个新模型都试图纠正前一个模型所犯的错误。 这些提升树，如： 极限梯度提升（XGBoost）
新文章 数据科学与机器学习（第22部分）：利用自编码器神经网络实现更智能的交易——从噪声中提炼信号 已发布： 在瞬息万变的金融市场中，从噪音中分离出有意义的信号对于成功交易至关重要。通过采用复杂的神经网络架构，利用自动编码器发掘市场数据中的隐藏模式，将嘈杂的输入转化为可操作的类型。本文探讨了自动编码器如何改变交易实践，为交易者提供了一个强大的工具，以改善决策制定，并在当今瞬息万变的市场中获得竞争优势。 让我们剖析一下自动编码器，看看它们是由什么构成的，以及它们有什么特别之处。 自动编码器的核心是一个由三部分组成的人工神经网络。 编码器 嵌入向量/潜在层 解码器
新文章 研究烛条分析技术(第二部分)：自动搜索新形态已发布： 在前一篇文章中，我们分析了从多种现有烛条样式中选择出的 14 种形态。 由于不可能逐一分析所有形态，所以找到了另一种解决方案。 新系统根据已知的烛条类型搜索和测试新的烛条形态。 为了开发新的烛条形态生成算法，我们需要定义关键规则： 新形态将由一根、两根或三根简单的烛条类型组成。, 简单的烛条类型有：长烛条，短烛条，尖顶，十字星，marubozu 和锤子。, 烛条类型将基于方向划分：多头和空头。 十字星烛条除外。, 简单的烛条类型可以反复。 示例：两个空头长烛条的形态。 创建新形态的一般规则如图例 1 所示。 图例1...
新文章 MQL5 简介（第 7 部分）：在 MQL5 中构建 EA 交易和使用 AI 生成代码的初级指南 已发布： 在我们的综合文章中，了解使用 MQL5 构建 EA 交易的终极初学者指南。逐步学习如何使用伪代码构建 EA，并利用 AI（人工智能）生成代码的强大功能。无论你是算法交易的新手，还是想提高自己的技能，本指南都为你提供了创建有效 EA 的清晰路径。 一下子学习 MQL5
新文章 开发多币种 EA 交易 (第 10 部分):从字符串创建对象 已发布： EA 开发计划包括几个阶段，中间结果保存在数据库中，它们只能作为字符串或数字而不是对象再次从那里读取。因此，我们需要一种方法来根据从数据库读取的字符串重新创建 EA 中的所需对象。 在上一篇 文章 中，我概述了开发 EA 的总体计划，其中包括几个阶段，每个阶段都会生成一定量的信息以供后续阶段使用。我决定将这些信息保存在数据库中，并在其中创建一个表，我们可以在其中放置各种 EA 策略测试器单次通过的结果。
新文章 数据科学和机器学习（第 21 部分）：解锁神经网络，优化算法揭秘 已发布： 深入神经网络的心脏，我们将揭秘神经网络内部所用的优化算法。在本文中，探索解锁神经网络全部潜力的关键技术，把您的模型准确性和效率推向新的高度。 看似如今每个人都对人工智能感兴趣，它无处不在，openAI 背后如谷歌和微软等科技行业的大佬们正在推动人工智能在不同层面和行业的适配，譬如娱乐、医疗保健行业、艺术、创意、等等。 我在 MQL5 社区中也看到了这种趋势，随着 矩阵和向量 、以及 ONNX 引入 MetaTrader5， 为什么不呢
新文章 开发回放系统（第 48 部分）：了解服务的概念 已发布： 学习些新知识怎么样？在本文中，您将了解如何将脚本转换为服务，以及为什么这样做很有用。 在这一系列关于回放/模拟系统的文章开头，我花了一些时间尝试让服务能够在图表上放置一个控制指标。虽然一开始没有成功，但我没有放弃，并且一直在努力。尽管我多次尝试，但在这件事上我始终未能成功。但由于这个项目再也无法停止，那一刻我决定另辟蹊径。 这真的很困扰我，我可以用脚本做点什么，但当我试图用服务做同样的事情时，我无法让它正常工作。 你可能会想：“那又怎样？你能用脚本做些什么并不意味着什么。“不过，如果您真的这么想，恐怕是因为缺乏 MQL5
新文章 构建K线趋势约束模型（第5部分）：通知系统（第一部分） 已发布： 我们将会把关键的MQL5代码分解成特定的代码段，以展示如何在本系列文章中创建的“趋势约束”指标中集成Telegram和WhatsApp来接收信号通知。这将帮助交易者，无论是新手还是经验丰富的开发者，都能更容易地理解这一概念。首先，我们将介绍MetaTrader 5的通知设置及其对用户的重要性。这将有助于开发者提前做好笔记，以便在他们的系统中做进一步应用。 MetaTrader
新文章 开发交易机器人：Python与MQL5结合（第二部分）：模型选择、创建与训练，以及Python自定义测试器 已发布： 我们继续关于使用Python和MQL5开发交易机器人的系列文章。今天我们将解决模型选择、训练、测试、交叉验证、网格搜索以及模型集成的问题。 在 上篇文章
新文章 您应当知道的 MQL5 向导技术（第 14 部分）：以 STF 进行多意向时间序列预测 已发布： “时空融合”就是在数据建模中同时使用“空间”和“时间”度量值，主要用在遥感，和一系列其它基于视觉的活动，以便更好地了解我们的周边环境。归功于一篇已发表的论文，我们通过验证它对交易者的潜力，采取一种新颖的方式来运用它。 这篇关于 时空融合 （STF）的 论文 激起了我对这个主题的兴趣，这要归功于它的双边预测方式。作为复习者，该论文的灵感来自于解决一个基于概率的预测问题，譬如 Uber 和 Didi 等打车平台的供需双边如何协调。协调供需关系在各种双边市场中很常见，例如
新文章 如何成为MetaTrader4和MetaTrader5的信号提供者已发布：
你想提供你的交易信号并赚取额外收入吗？快到MQL5.com网站注册成为卖家，并指定你的交易帐户，为交易者提供信号吧。记住，你只能为一个交易账户创建一个信号。
另外，所有收费的信号都必须通过一个月的测试。在测试期间，他们将被检查是否符合若干要求（当然，对于免费信号没有测试期）。如果通过测试，那么你就能向所有MetaTrader 4和MetaTrader 5用户出售信号了。你将可以直接接近你信号的潜在订阅者。
你的交易成绩好吗？加入MQL5.community...
新文章 神经网络变得简单（第 81 部分）：上下文引导运动分析（CCMR） 已发布： 在以前的工作中，我们总是评估环境的当前状态。与此同时，指标变化的动态始终保持在“幕后”。在本文中，我打算向您介绍一种算法，其允许您评估 2 个连续环境状态数据之间的直接变化。
新文章 在MQL5中开发马丁格尔（Martingale）区域恢复策略 已发布： 本文详细探讨了创建基于区域恢复交易算法的EA需要实施的步骤。这有助于自动化该系统，从而为算法交易者节省时间。 基于市场分析，区域恢复交易方法始于开设初始头寸。假设一位交易者因认为市场会上涨而开设了一个买入头寸。从上涨趋势中获利是其首要目标。如果市场走势积极，价格上涨到预定的盈利目标，交易者会平仓并锁定利润。通过这种简单的策略，交易者就能从有利的市场走势中获利，而无需使用更复杂的策略。
新文章 可视化交易图表（第二部分）：数据图形化展示 已发布： 接下来，我们将从头开始编写一个脚本，以简化交易订单截图的加载过程，便于分析交易入场点。所有关于单个交易的必要信息都将方便地显示在一个图表上，并且该图表具备绘制不同时间框架的能力。 因此，在使用该脚本后，图表文件将如图3所示。 图例 3. 脚本运行后展示交易数据的结果 我们可以看到，所有关于交易的信息都以概括的形式呈现在一个图表上，这使得用户分析和评估所进行的交易操作变得更加方便。该脚本将这些文件整理到相应的文件夹中，这也使用户能够随时在账户历史记录中找到任何交易操作所需的信息。 作者： Aleksandr Seredin
新文章 改编版 MQL5 网格对冲 EA（第 III 部分）：优化简单对冲策略（I） 已发布： 在第三部分中，我们重新审视了早前开发的简单对冲和简单网格智能系统（EA）。我们的重点转移到通过数学分析和蛮力方式完善简单对冲 EA，旨在实现最优策略用法。本文深入探讨了该策略的数学优化，为在日后文章中探索未来基于编码的优化奠定了基础。 欢迎来到我们的“优化简单对冲策略”系列的第三部分。在本段落中，我们先简要回顾我们迄今为止的进展。到目前为止，我们已经开发了两个关键组件：简单对冲智能系统（EA）和简单网格 EA。本文将专注于进一步完善简单对冲
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