Highly_Adaptable_MA_Alerts : 高度可适应的移动平均提醒指标 作者： Scriptor
新文章 将 MQL5 与数据处理包集成（第 1 部分）：高级数据分析和统计处理 已发布： 集成实现了无缝的工作流程，来自 MQL5 的原始金融数据可以导入到 Jupyter Lab 等数据处理包中，用于包括统计测试在内的高级分析。 此后，您现在需要下载实际数据。为此，您必须导航至 > 查看 ，然后转到 > 交易品种 ，您将进入 规范 选项卡，只需导航至 > 柱 或 报价 取决于要下载什么类型的数据。继续并输入您要下载的历史数据的开始和结束日期，然后单击请求按钮下载数据并将其保存为 .csv 格式。 完成所有这些步骤后，您就可以成功从 MetaTrader
新文章 无政府社会优化（ASO）算法 已发布： 本文中，我们将了解无政府社会优化（Anarchic Society Optimization，ASO）算法，并探讨一个基于无政府社会（一个摆脱中央权力和各种等级制度的异常社会交互系统）中参与者非理性与冒险行为的算法是如何能够探索解空间并避免陷入局部最优陷阱的。本文提出了一种适用于连续问题和离散问题的统一ASO结构。 我一直对社会关系的话题以及在社会联系概念中构建算法的可能性深感兴趣，因为这是社会发展中最有趣的现象之一，并且为系统化描述关系体系的结构以及实施相应的优化算法提供了广阔的领域。 在之前的文章中，我们已经探讨过社会行为的算法，包括
新文章 交易中的神经网络：时间序列的分段线性表示 已发布： 这篇文章与我以前发表的有些不同。在本文中，我们将谈谈时间序列的另类表示。时间序列的分段线性表示是一种利用涵盖小间隔的线性函数逼近时间序列的方法。 时间序列异常检测是时间序列数据挖掘的一个主要子领域。其目的是识别整个数据集中的意外行为。由于异常通常是因不同机制引发的，故没有特定的准则来检测它们。在实践中，表现出预期行为的数据更倾向于吸引更多关注，而异常数据往往被当作噪声，且通常被忽略或剔除。不过，异常可能包含有用的信息，因此检测此类异常可能很重要。准确的异常检测有助于减轻各个领域中不必要的不利影响，譬如环境、工业、金融、等等。
新文章 使用MQL5中的动态时间规整进行模式识别 已发布： 在本文中，我们探讨了动态时间规整（Dynamic Time Warping，DTW）作为识别金融时间序列中预测模式的一种方法。我们将深入了解其工作原理，并在纯MQL5语言中展示其实现方法。
新文章 通过差异化和熵值分析来探索市场"记忆" 已发布： 分数型差分的应用范围足够广泛。 例如，差分序列通常作为机器学习算法的输入。 问题是，必须在机器学习模型可识别的前提下，显示相应历史阶段的新数据。 在本文中，我们将研究时间序列差分的原始方法。 本文还包含基于所接收差分序列的交易系统自我优化示例。 智能交易系统利用指定的超参数运行，没有遗传优化，即几乎是随机，在 15 分钟的时间帧内以开盘价格在 EURUSD 货币对上运行。 图例 5. 已测试智能交易系统的设置 图例 6. 按照指定设置进行测试的结果 图例 7. 依据训练样本的虚拟测试器结果
RSI-Crossover_Alert : 最简单的信号指标--它有告警功能并提供了发送信号到邮箱和智能手机的可能性。 作者： Nikolay Kositsin
新文章 重构经典策略：原油 已发布： 在本文中，我们重新审视一种经典的原油交易策略，旨在通过利用监督机器学习算法来对其进行优化。我们将构建一个最小二乘模型，该模型基于布伦特原油（Brent）和西德克萨斯中质原油（WTI）之间的价差来预测未来布伦特原油价格。我们的目标是找到一个能够预测布伦特原油未来价格变化的领先指标。 全球原油贸易主要以两种基准油为主导：北美基准油西德克萨斯中质原油（WTI）和世界大部分地区原油报价所参照的布伦特原油（Brent）。
新文章 解构客户端交易策略的示例 已发布： 本文使用框图来检查位于终端的 Experts\Free Robots 文件夹中的基于烛形的训练 EA 的逻辑。 一段时间以来，客户端的 EA 目录中出现了一个新的 Free Robots 文件夹： 该文件夹包含 28 个 EA - 交易策略的示例，可供您独立学习和应用策略中规定的原则进行自己的开发。Free Robots 文件夹中介绍的交易策略是根据指标信号支持的蜡烛图形态进行交易的 EA。 为了确认蜡烛图形态信号，需要使用四个振荡器指标之一的值： CCI 、 MFI 、 RSI 和 随机振荡指标 。因此，我们展示了 7
新文章 MQL5集成：Python 已发布： Python是一种广为人知且流行的语言，具有许多功能，尤其是在金融、数据科学、人工智能和机器学习领域。Python也是一种强大的工具，可以在交易中发挥作用。MQL5允许我们将这种强大的语言作为集成工具，以高效地实现我们的目标。在本文中，我们将在了解一些Python的基本信息后，分享如何在MQL5中使用Python作为集成工具。 作者： Mohamed Abdelmaaboud
新文章 从基础到中级：变量 (III)： 已发布： 今天，我们将学习如何使用预定义的 MQL5 语言变量和常量。此外，我们将分析另一种特殊类型的变量：函数。知道如何正确使用这些变量可能意味着一个有效的应用程序和一个无效的应用程序之间的区别。为了理解这里介绍的内容，有必要理解前几篇文章中讨论的材料。 在上一篇文章 “从基础到中级：变量（II）” 中
新文章 您应当知道的 MQL5 向导技术（第 25 部分）：多时间帧测试和交易 已发布： 默认情况下，由于组装类中使用了 MQL5 代码架构，故基于多时间帧策略，且由向导组装的智能系统无法进行测试。我们探索一种绕过该限制的方式，看看搭配二次移动平均线的情况下，研究运用多时间帧策略的可能性。 在我们的上一篇文章中，我们视察了 毕达哥拉斯（Pythagorean）均值
新文章 MQL5 细则手册：MetaTrader 5 交易事件的声音通知 已发布： 在本文中，我们将考虑在“EA 交易”的文件中包含声音文件、从而为交易事件添加声音通知的事宜。将包含文件的事实意味着声音文件将位于“EA 交易”的内部。因此，在向其他用户提供编译后的“EA 交易”版本 (*.ex5) 时，您无需再提供声音文件并说明它们应予以保存的位置。 作者： Anatoli Kazharski
新文章 MetaTrader 5 中的 WebSockets 已发布： 在引入随 MQL5 API 更新而提供的网络功能之前，MetaTrader 程序与基于 WebSocket 的服务连接和接口的能力受到许多限制。当然，这一切都改变了，在本文中，我们将探讨纯 MQL5 中 WebSocket 库的实现。WebSocket 协议的简要描述将与如何使用生成的库的逐步指南一起给出。 这是连接到服务器时程序运行的视频。 作者： Francis Dube
Super-signals:
本指标很容易使用：红色箭头 - 卖出信号，蓝色箭头 - 买入信号。超出了它的模拟，例如最高价-最低价，趋势以及其它达到几次。可以适用于任意时段和任意货币对。
作者： John Smith
新文章 让新闻交易轻松上手（第3部分）：执行交易 已发布： 在本文中，我们的新闻交易EA将根据存储在数据库中的经济日历开始交易。此外，我们将改进EA的图表，以显示更多关于即将到来的经济日历事件的相关信息。 此前，我们创建了一个EA，用于在我们的新闻日历数据库中存储经济数据。我们还开发了许多类，为我们的EA能够良好地运行奠定了基础。在本文中，我们将扩展这些类，以最终实现基于经济数据来进行交易的目标。我们接下来的目标将是EA的盈利能力，这将在后续文章中讨论。对于本文，我们将在数据库中添加一个新的视图，以显示来自 MQL5经济日历
新文章 开发多币种 EA 交易系统（第 16 部分）：不同报价历史对测试结果的影响 已发布： 正在开发中的 EA 预计在与不同经纪商进行交易时都会表现出良好的效果。但目前我们一直使用 MetaQuotes 模拟账户的报价进行测试。让我们看看我们的 EA 是否准备好使用与测试和优化期间使用的报价不同的交易账户。 在 上一篇 文章中，我们开始准备在真实账户上进行交易的多币种 EA。作为准备过程的一部分，我们添加了对不同交易工具名称的支持、当您想要更改交易策略设置时自动完成交易、以及由于各种原因重启后正确恢复 EA。
倒计时、点差、利息、保证金信息 : 本指标完成4小时的tick与ontime倒计时显示,多空单的过夜利息,点差,一个点的收入提示及一手所需要保证金金额的显示。 作者： yj_ s
Extreme_TMA_line_indicator : 极限 TMA 线指标 作者： Scriptor
新文章 构建K线图趋势约束模型（第8部分）：EA的开发（一） 已发布： 在本文中，我们将基于前文创建的指标，开发我们的第一个由MQL5语言编写的EA。我们将涵盖实现自动化交易所需的所有功能，包括风险管理。这将极大地帮助用户从手动交易转变为自动化交易系统。 MetaEditor软件包含一个编译器，能够有效地管理在分析尝试中检测到的错误。这个工具帮助我发现了为什么之前的版本未能按预期显示风险-回报矩形。尽管程序成功编译，但问题并不在于代码本身。相反，问题在于在历史K线图的范围内没有任何内容被显示，这主要是由于某些特定的技术细节导致。 历史K线图的值默认设置过高，为5000根K线。
新文章 动物迁徙优化（AMO）算法 已发布： 本文介绍了AMO算法，该算法通过模拟动物的季节性迁徙来寻找适合生存和繁殖的最优条件。AMO的主要特点包括使用拓扑邻域和概率更新机制，使得其易于实现，并且能够灵活应用于各种优化任务。 AMO算法模拟了动物长距离移动的三个主要组成部分：避免与邻近个体发生碰撞、与群体（群体）保持相同方向移动以及保持彼此之间的适当距离。这些原则不仅有助于避免冲突，还维持了集体行为，这对于在野外生存至关重要。 AMO算法中的优化阶段。该算法在一个迭代中包含两个关键的优化阶段： 迁徙：在这个阶段，个体的位置会根据其邻居进行更新。
新文章 神经网络变得简单（第 97 部分）：搭配 MSFformer 训练模型 已发布： 在探索各种模型架构设计时，我们往往对模型训练过程的关注投入不足。在本文中，我旨在弥补这一差距。 初始训练数据集为模型提供了对环境的初步理解。然而，金融市场是如此多面，以至于任何训练集都无法完全复现它们。此外，模型从所分析指标和盈利交易之间学到的依赖关系，也许是错误的、或不完整的，因为训练集也许缺乏能够揭示此类差异的示例。因此，在训练过程期间，我们需要优化训练数据集。在此阶段，收集额外数据的方式会有所不同。 在此阶段的任务是优化 参与者
新文章 神经网络实验（第 1 部分）：重温几何学 已发布： 在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证神经网络是否对交易者有任何帮助。 优化和前向验证测试结果。 前向验证测试日期从 2021 年 5 月 31 日至 2022 年 5 月 30 日。在所有结果中，我们应选择具有最大利润因子的结果，其中复杂标准的最大化值超过 40-50。 作者： Roman Poshtar
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