新文章 交易中的神经网络：将全局信息注入独立通道（InjectTST） 已发布： 大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。 近年来，基于 变换器 架构进行多模态时间序列预测已得到广泛普及，并逐渐成为时间序列分析的首选模型之一。模型越来越多地采用独立通道方式，其中模型单独处理每个通道序列，而不与其它通道序列交互。 通道独立性有两个主要优势： 噪声抑制 ：独立模型能专注于各自通道的预测，而不受其它通道噪声的影响。, 缓解分布漂移 ：通道独立性有助于解决时间序列中的分布漂移问题。
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 细菌趋化优化（BCO） 已发布： 本文介绍了细菌趋化优化（Bacterial Chemotaxis Optimization，简称 BCO）算法的原始版本及其改进版本。我们将详细探讨所有不同之处，特别关注 BCOm 的新版本，该版本简化了细菌的移动机制，减少了对位置历史的依赖，并且使用了比原始版本计算量更小的数学方法。我们还将进行测试并总结结果。 各种研究表明，细菌会相互交流信息，尽管其通信机制尚不清楚。通常，细菌被视为个体，模型中未考虑其社交互动。这使它们与描述社会性昆虫（如蚂蚁、蜜蜂、黄蜂或白蚁）行为的互动模型不同，后者作为具有集体智能的系统，为解决各种问题提供了不同的可能性。
新文章 从基础到中级：操作符 已发布： 在本文中，我们将介绍主要的操作符。虽然这个主题很容易理解，但在代码格式中包含数学表达式时，有一些要点非常重要。如果不充分了解这些细节，经验很少或没有经验的程序员最终会放弃尝试创建自己的解决方案。 在上一篇文章“ 从基础到中级：变量（三） “中，我们探索了预定义变量和一种有趣的解释函数的方式。然而，到目前为止讨论的一切都导致了一个共同的挑战，这是新程序员面临的最大困难之一，尤其是那些从事小型个人项目的程序员。这一挑战源于不同数据类型的存在。 正如在“ 从基础到中级：变量（二） "中，MQL5
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 在 MQL5 中重新构想经典策略（第二部分）：富时 100 指数（FTSE100）与英国国债（UK Gilts） 已发布： 在本系列文章中，我们探索了流行的交易策略，并尝试使用人工智能（AI）对其进行改进。在今天的文章中，我们将重新审视基于股市与债市之间关系的经典交易策略。 所有发达经济体的政府都会发行以本国货币计价的债务，英国政府也不例外。英国国债是一种英国政府债务工具，它也在伦敦证券交易所上市。国债是固定收益证券，分为两种类型。第一种是传统国债，它构成了所销售国债的大部分。这种传统国债在到期前向国债持有者支付固定的票息，到期时将最后一笔票息和本金偿还给投资者。
新文章 重思经典策略（第八部分）：基于美元兑加元（USDCAD）探讨外汇市场与贵金属 已发布： 在本系列文章中，我们将重新审视一些广为人知的交易策略，看看是否能够利用人工智能（AI）来改进它们。请加入我们今天的讨论，一起测试贵金属与货币之间是否存在可靠的关系。
新文章 创建动态多货币对EA（第1部分）：货币正相关性与负相关性 已发布： 动态多货币对EA利用正负相关性来优化EA的交易表现。通过分析实时市场数据，它识别并利用货币对之间的相关性。 在交易中，相关性指的是不同货币对价格走势之间的关系。当两个货币对呈正相关时，它们倾向于朝同一方向波动。例如，GBPUSD和EURUSD通常呈正相关，这意味着当GBPUSD上涨时，EURUSD也倾向于上涨。这是因为这两对货币都以美元作为报价货币，美元的广泛走弱或走强很可能会以相同的方式影响这两对货币。
新文章 您应当知道的 MQL5 向导技术（第 30 部分）：聚焦机器学习中的批量归一化 已发布： 批量归一化是把数据投喂给机器学习算法（如神经网络）之前对数据进行预处理。始终要留意算法所用的激活类型，完成该操作。因此，我们探索在向导组装的智能系统帮助下，能够采取的不同方式，并从中受益。 与本系列的所有内容一样，本文强调使用向导组装的 EA 来测试我们的新思路。对于新读者，可以从 此处 和 此处 获得有关如何行事的概述，这 2 篇文章提供了一些如何使用本文末尾所附代码的指导。至于本文，我们正采用相当多的自定义数据枚举作为可优化输入。MQL5
新文章 掌握 MQL5：从入门到精通（第四部分）：关于数组、函数和全局终端变量 已发布： 本文是初学者系列文章的延续。它详细介绍了数据数组、数据和函数的交互，以及允许不同 MQL5 程序之间交换数据的全局终端变量。 在本文中，我将讨论三个全局性主题： 数据数组 ，完成程序内部关于数据的主要部分。, 全局终端变量 ，允许在不同的 MQL5 程序之间交换简单数据。 , 函数 的一些特性及其与变量的相互作用。 作者： Oleh Fedorov
新文章 使用指数平滑法进行时间序列预测（续） 已发布： 本文力求升级此前创建的指标，并简要讲述了利用自助法与分位数评估预测置信区间的一种方法。如此一来，我们便会获得将用于评估预测准确性的预测指标和脚本。 作者： Victor
新文章 分析烛的图案 已发布： 日本烛形图的构建和烛图案的分析构成了技术分析的一个迷人领域。烛形图的优点在于它们以您能够跟踪数据动态的方式表示数据。在本文中，我们将分析烛的类型、烛图案的分类并提出一个能够确定烛图案的指标。 作者： Dmitry
BROTHER - 根据趋势高点彩虹桥的结果(By Rainbow On Trend High Extreme Results) - 5分钟人工系统EA:
这不是一个自动的系统. 它是完全人工的.
作者： Piotr
EquiPeak Drawdown Tracker : EquiPeak Drawdown Tracker（EquiPeak缩水跟踪器）是一个用于实时监控和记录交易账户最大缩水的指标。它不仅仅是一个当前缩水指标；它尤其适用于将您当前的缩水与您预期或之前记录的最大历史缩水进行直观比较。 Author: Enrique Enguix
平均价格 : 用于计算未结头寸平均价格的指标，如果只想将一个机器人的头寸分开，可以使用神奇数字，但 0 数字是用于手动操作的。 Author: Francisco Gomes Da Silva
更好的音量 : Better Volume 是一个高级指标，旨在分析价格图表上的成交量行为。它将成交量信息与蜡烛图范围和移动平均线等指标相结合，以识别市场中的重要形态，如买入/卖出高潮、搅动和弱蜡烛图。该指标具有动态可视化界面和成交量分类，可为希望根据成交量流量做出明智决策的交易者提供有价值的见解。 Author: Gustavo Franthesco Kerntopf
带信息面板和支持的 RiskManager : 我在网站上的第一个代码，需要改进。 我的想法是为交易者创建一个理想的工具，在任何交易系统的主要组成部分--风险管理器--的工作中。 Author: Anatoliy Migachyov
库斯库斯星光 : Kuskus Starlight 是一种利用费雪价格转换来识别趋势和潜在反转的震荡指标。 Scriptor 的 MT4 原始代码请访问：https://www.mql5.com/en/code/8365。 Author: Marteo Gonzales Cosme
历史利润计算面板 : CalculateHistoryProfit 脚本 1.0 版旨在使用图表面板计算指定时期的利润。 Author: Sergey Porphiryev
新文章 关于因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在市场事件预测中的应用实例 已发布： 本文提供了一个使用因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在MQL5中实现复杂交易系统的全面指南。文章涵盖了这些方法的理论背景，详细解释了交易算法中的关键函数，并提供了实现的示例代码。
新文章 交易中的神经网络：TEMPO 方法的实施结果 已发布： 我们继续领略 TEMPO 方法。在本文中，我们将评估所提议方法在真实历史数据上的真实有效性。 TEMPO 方法建立在预先训练的语言模型的基础上。现实中，该方法作者在他们的实验中用到了预先训练的 GPT-2 。该方法的主要思想在于利用模型在初步训练期间获得的知识来预测时间序列。于此，当然，值得在语音和时间序列之间勾画出不明显的并肩之处。本质上，我们的语音是一条声音时间序列，以字母记录。不同的语调由标点符号传达。 长语言模型 （ LLM ），例如 GPT-2
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