新文章 交易策略中的模糊逻辑 已发布： 本文研究使用模糊函数库建立基于模糊逻辑的简单交易系统示例。结合提议的模糊逻辑、遗传算法和神经网络改进的系统变体。 在图表上运行脚本: 所选的这些成员函数, 是因为它们只有 2 个可优化的输入参数 (这将在稍后的系统测试阶段完成)。它们也很好地描述了这个系统的极值和中心位置。您可以应用模糊函数库中 可用的 任何成员函数。 作者： Maxim Dmitrievsky
新文章 开发多币种 EA（第 26 部分）：交易品种信息工具 已发布： 在继续开发多币种 EA 之前，让我们尝试使用已开发的库创建一个新项目。这个例子将演示如何最佳地组织源代码存储，以及如何利用 MetaQuotes 的新代码库来帮助我们。 在整个系列中，我们几乎只使用了一种简单的交易策略，只是在最后部分，当主要功能已经实现后，我们才开始考虑添加一种新的交易策略并将其作为主要策略。这个例子展示了尝试释放几乎任何交易策略潜力的可能性（当然，前提是这种潜力确实存在）。
新文章 如何订阅交易信号 已发布： MetaTrader5交易平台中的“信号”服务，允许交易者连接任何信号发布者的信号。选择并订阅任意交易信号，将它们的操作复制到你的帐户中来。 作者： MetaQuotes
新文章 购买交易机器人前如何进行测试 已发布： 与别处相比，在 MQL5 应用商店购买交易机器人有一个明显的优势 - 其提供的自动化系统，可直接在 MetaTrader 5 终端内接受完整测试。购买前，EA 交易可以、也应该在内置的策略测试程序中，以所有不利的模式谨慎运行，从而对此系统有一个全面的认识。 作者： MetaQuotes Software Corp
新文章 趋势判定标准：结论 已发布： 在本文中，我们将探讨在实践中应用某些趋势标准的具体细节。我们还将尝试制定几个新的标准。重点将放在将这些标准应用于市场数据分析和交易的效率上。 趋势是我们的朋友。但我们对这位朋友知之甚少。如果我们问十个交易者什么是趋势，我们可能会得到十个不同的答案。这些答案可能唯一的共同点就是，趋势是指价格的方向性变动。但至于这个方向应该是什么，每个交易者都会有自己的想法和选择。 当然，也存在一些基于数学的 趋势判断标准 。但它们可能存在某些缺点。例如，许多标准会进行调整以符合正态分布，而其他标准则对时间序列的最小长度有所限制。
新文章 您应该了解的MQL5向导技巧（第六十八部分）：结合余弦核网络使用TRIX与威廉百分比范围形态 已发布： 在前一篇中，我们介绍了三重平滑指数平均线（TRIX）与威廉百分比范围（WPR）指标组合，本文承接前文，将探讨如何通过机器学习对这一指标组合进行扩展优化。TRIX属于趋势指标，威廉百分比属于支撑/阻力震荡指标，二者形成互补。我们的机器学习方案采用卷积神经网络，网络结构中集成了余弦核函数，用于对该指标组合的预测结果进行精细调优。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
新文章 市场模拟（第 17 部分）：套接字（十一） 已发布： 在 MetaTrader 5 中运行的那部分代码的实现没有任何困难。然而，有几点需要考虑。这是必要的，这样你才能让系统正常工作。记住一件重要的事情：不会只有一个程序在运行。事实上，我们必须同时运行三个程序。重要的是，要确保每个部分都能以一种能够相互交流和沟通的方式实施和构建，并且每个部分都能理解其他部分正在尝试或打算做什么。 在前两篇文章中，我们介绍了如何配置 Excel 以便与 MetaTrader 5 进行交互。特别是，在上一篇文章“ 市场模拟（第 16 部分）：套接字（十） ”中，我们讲解了如何在 VBA
BestInterval : 这个开发库用于计算最佳的交易时间段。 作者： fxsaber
Perfect Seconds Chart : Perfect Seconds（完美秒数）图表指标允许您将实时数据的分钟蜡烛图转换成秒数。1. 可选择任意秒数，以准确的时间收盘。2. 这是基于实时 OHLC 汇率的数据，即使没有 ticks 也能正常工作。无需外部 DLL，可在 VPS 上顺利运行 4.代码快速优化 5.支持加密货币对，如 BInance、Kucoin 和所有其他交易所的期货实时图表，可轻松转换为秒数。6. 支持所有类型的符号，如黄金和外汇货币对。删除符号和汇率的选项。 Author: Rajesh Kumar Nait
新文章 迁移至 MQL5 Algo Forge（第 1 部分）：创建主存储库 已发布： 在 MetaEditor 中处理项目时，开发人员经常需要管理代码版本。MetaQuotes 最近宣布迁移到 GIT，并推出具有代码版本控制和协作功能的 MQL5 Algo Forge。在本文中，我们将讨论如何更有效地使用新的和以前存在的工具。 在撰写本文时，新的存储库已经可以使用，但 MetaEditor 集成尚未完成。因此，虽然 MetaEditor 仍然是主要的开发环境，但开发人员仍然仅限于基于 SVN 的 MQL Storage 。 在我们的各种项目工作中，我们积极使用现有的版本控制系统。然而，在撰写
新文章 金融时间序列中的保形预测探索 已发布： 本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。 MAPIE （模型无关预测区间估计器）是一款开源Python库，用于对机器学习模型进行不确定性量化与风险管理。它可以为回归问题计算预测区间，也能为分类和时间序列任务生成预测集合。这类不确定性评估是基于专门的“校准数据集”完成的。
新文章 价格走势角度分析：用于预测金融市场的混合模型 已发布： 什么是金融市场角度分析？如何利用价格变动角度和机器学习实现准确率达 67% 的精准预测？如何将回归和分类模型与角度特征相结合，并获得一个可运行的算法？这与江恩理论有什么关系？为什么价格走势角度是机器学习的良好指标？ 货币对、股票和期货图表上每天都会产生成千上万根 K 线。它们构成形态，形成趋势，并产生阻力和支撑。然而，在这些熟悉的图表背后，隐藏着一个我们很少注意到的数学实体，即连续价格点之间的角度。 请查看常规的 EURUSD
新文章 基于Python的CFTC数据挖掘与AI预测模型构建 已发布： 让我们尝试挖掘CFTC数据，通过Python下载COT和TFF报告，将其与MetaTrader 5行情数据及AI模型相结合，并生成预测。外汇市场中的COT报告是什么？如何利用COT和TFF报告进行行情预测？ 想要在外汇市场中实现稳定交易表现，不仅需要技术分析，还必须结合基本面因素。有一类极具价值却常被忽视的数据来源，就是CFTC报告（COT和TFF），能够披露市场主力持仓结构，帮助我们研判机构投资者的交易行为。
新文章 神经网络在交易中的应用：基于频域的异常检测 (CATCH) 已发布： CATCH 框架结合了傅里叶变换和频率修补技术，能够准确识别传统方法无法发现的市场异常。让我们来探讨这种方法是如何揭示金融数据中隐藏的模式。 时间序列分析的核心挑战之一是异常检测。价格突然飙升、流动性急剧变化或可疑交易活动可能表明存在市场操纵或内幕交易。如果这些信号被忽视，后果可能十分严重 — 从重大损失到整个金融机构的崩溃。 异常通常分为两类：点异常和子序列异常。点异常是明显的异常值，例如某只股票交易量的突然激增。使用标准方法，这些相对容易检测。子序列异常更为微妙 —
新文章 学习如何基于 Stochastic 设计交易系统 已发布： 在本文中，我们继续我们的研究系列 — 这次，我们将学习如何基于最流行的技术指标之一 Stochastic 振荡器指标设计交易系统。 在这一部分中，我们将为前面提到的策略设计蓝图，这将有助于我们轻松创建一个交易系统。 该蓝图将一步步地提供指导，来辨别我们需要该程序具体做什么。 策略之一: 上行趋势策略 %K, %D < 50 --> %K > %D = 做多信号 我们首先需要程序检查（%K，%D），并决定它是否低于或高于 50 级，然后若是低于 50 级，它就等待...什么都不做，直到 %K 线上穿 %D 线，才会给出做多信号。
新文章 图形界面 X: 多行文本框中的字词回卷算法 (集成编译 12) 已发布： 我们继续开发多行文本框控件。这次我们的任务是实现一个自动的文字回卷, 以防发生文本框宽度溢出, 或者如果出现机会, 将文本逆卷到上一行。 行的所有重新排列步骤, 正向和逆向字词卷绕在循环过程中均无法看到: 下图展示的粗略示例即为操纵图形界面时用户之所见: 图例. 8. 通过文本编辑器的示例演示字词卷绕算法。 作者： Anatoli Kazharski
CTradeStatistics : 计算 ENUM_STATISTICS 枚举参数的类 作者： Andrey Voytenko
新文章 MQL5中的ARIMA预测指标 已发布： 在这篇文章中，我们将在 MQL5 环境中实现一个 ARIMA 预测指标。文章深入探讨了 ARIMA 模型生成预测的机制，并分析了其在外汇市场乃至整个证券市场的适用性。此外，文章还详细阐释了什么是 AR 自回归模型，如何利用自回归模型进行预测，以及自回归机制的具体运作原理。 模型的第一部分称为“自回归”。这个专业术语的含义很简单：今天的价格取决于昨天、前天，甚至更早之前的价格。这就好像市场拥有记忆，并基于过去构建未来。 如果 EUR/USD
新文章 MQL5 酷宝典 - 创建的环形缓存用于快速计算滑动窗口中的指标 已发布： 在滑动窗口中执行计算时, 环形缓存是排布数据最简单和最有效的方式。本文描述其算法, 并展示它如何简化滑动窗口中的计算, 以令其更有效率。 在计算伊始, 指标只是将新的数值添加到移动平均的环形缓存当中。您不必控制添加值的数量。所有过时元素的计算和清除都会自动进行。如果在更改最后一根柱线的价格时调用此指标, 则最后一个移动平均值应由新数值替换。ChangeValue 方法为此负责。 指标的图形显示与标准版移动平均值等效: 图例. 1. 在环形缓存中计算的简单移动平均值 作者： Vasiliy Sokolov
新文章 挖掘央行资产负债表数据，描绘全球流动性全貌 已发布： 挖掘各国央行资产负债表数据，能够厘清外汇市场与主要币种的全球流动性现状。我们整合美联储、欧洲央行、日本央行、中国人民银行的数据构建综合指数，并借助机器学习挖掘潜藏规律。该方法融合基本面与技术分析，将原始数据转化为可落地的交易信号。 本文不只是央行资产负债表的分析教程，更深入讲解了如何搭建量化系统 ——
新文章 神经网络在交易中的应用：市场异常的自适应检测（终篇） 已发布： 我们继续构建构成 DADA 框架基础的算法，该框架是检测时间序列异常的高级工具。这种方法能够有效区分随机波动和显著偏差。与经典方法不同，DADA 能够动态适应不同的数据类型，在每种特定情况下选择最佳的压缩级别。 为了进行训练，我们使用 MetaTrader 5 策略测试器，基于 2024 年 的历史 EURUSD 数据（ M1 时间周期）生成了一个随机运行数据集。数据是使用标准指标设置收集的，以保证实验条件尽可能干净，并减少外部因素干扰。 然后，使用 2025 年 1 月至 2
新文章 并行粒子群优化 已发布： 本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。 从算法的角度来看，PSO方法相对简单。其主要思想是在EA交易的输入参数空间中生成一组虚拟“粒子”。然后，粒子移动并根据EA在空间中相应点的交易度量改变其速度。该过程重复多次，直到性能停止改善。该算法的伪代码如下： 粒子群优化伪码
新文章 外汇套利交易：汇率关系评估面板 已发布： 本文介绍了在 MQL5 中开发套利分析面板的过程。如何通过不同方式在外汇交易中获得公允的汇率？制定一个指标，以获取市场价格与公允汇率之间的偏差，并评估一种货币兑换为另一种货币的套利方式（如三角套利）的收益。 今天我想分享我的作品，这是一个用于分析公允货币价格的系统，附带套利评估功能，使用 MetaTrader 5 的 MQL5 语言编写。这一切都始于一个让我彻夜难眠的简单问题：如果我们能计算出“正确”的汇率 —
新文章 神经网络在交易中的应用：市场异常的自适应检测（DADA） 已发布： 我们诚邀您了解 DADA 框架，这是一种用于检测时间序列异常的创新方法。它有助于区分随机波动和可疑偏差。与传统方法不同，DADA 具有灵活性，能够适应不同的数据。它没有采用固定的压缩级别，而是提供了多种选项，并为每种情况选择最合适的选项。 基于深度学习的现代异常检测方法已取得显著成功，但它们也存在局限性。大多数情况下，这些方法需要对每个新数据集进行单独训练，这阻碍了它们在现实世界中的应用。金融数据瞬息万变，其历史模式并非总是重现。 主要问题之一是不同市场中的数据结构各不相同。由于异常情况很少发生，现代算法通常使用
新文章 数据科学与机器学习（第四十二部分）：使用Python中的ARIMA模型进行外汇时间序列预测 —— 您需要了解的一切 已发布： ARIMA，全称为自回归积分移动平均模型，是一种效果出色的传统时间序列预测模型。该模型能够捕捉时间序列数据中的突增与波动，可对后续数值做出精准预测。在本文中，我们将了解什么是ARIMA、如何运行，以及如何利用它高精度预测市场下一期价格，还有更多相关实用内容。 时间序列预测，是利用历史数据预测按时间排序的数据点未来取值的过程。这类数据通常按时间顺序排列，因此被称为 时间序列 。
新文章 MQL5交易策略自动化（第十二部分）：实现缓解型订单块（MOB）策略 已发布： 在本文中，我们将构建一个MQL5交易系统，可针对“聪明资金”（Smart Money）交易自动检测订单块。我们将阐述该策略的规则，在MQL5中实现其逻辑，并融入风险管理以实现有效的交易执行。最后，我们将对该系统进行回测，以评估其表现，并对其进行优化以获得最优结果。 为了实现 缓解型订单块策略
Easy Canvas : 本开发库以及 iCanvas 类简单使用了 Canvas 来开发程序。 作者： Nikolai Semko
新文章 博弈论方法在交易算法中的应用 已发布： 我们正在基于深度Q网络（DQN）机器学习技术，结合多维因果推理，开发一款自适应、自学习的交易 EA。该 EA 将能够同时成功交易 7 个货币对。不同货币对的智能体之间会相互交换信息。 在决策速度至关重要且市场充满高度不确定性的情况下，需要采用不同的方法来创建交易系统。AdaptiveQ Enhanced 是一款基于深度强化学习（DQN）方法、博弈论和因果分析开发的交易 EA。 EA 通过模拟 531,441 种独特状态来分析市场，同时考虑了七大主要货币对之间的相互关系。该算法的关键要素是纳什均衡，用于在交易品种相互影响的条件下选择最优策略。
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