亨德森 (Henderson) 滤波器 : 亨德森 (Henderson) 滤波器是通过取移动平均序列的第三个差值的最小平方和得到的。 亨德森的标准确保当这些滤波器应用于三次多项式时，得到的平滑输出将完全适合这些抛物线。 亨德森滤波器适用于平滑财经时间序列，因为它们允许趋势的典型周期不变。 它们还可消除几乎所有六个月或更短时间内的短频不规则变化的特性。 作者： Mladen Rakic
新文章 神经网络变得简单（第 96 部分）：多尺度特征提取（MSFformer） 已发布： 高效提取与集成长期依赖关系和短期特征，仍然是时间序列分析中的一项重要任务。它们的正确理解及整合，对于创建准确可靠的预测模型是必要的。 MSFformer 模型作者提出了一种创新的不同时间间隔的金字塔关注度机制架构，其为他们方法的底线。此外，为了在输入数据中构造多级时态信息，他们在大尺度构造模块 CSCM （ 粗尺度构造模块 ）中采用了特征卷积。这允许他们在更粗略的级别上提取时态信息。 CSCM
CDictionary : 使用 MQL5 实现的字典(关联数组)数据结构，基于 CArrayObj 和 CList。 作者： Enrico Lambino
新文章 MQL5 简介（第 8 部分）：初学者构建 EA 交易系统指南（二） 已发布： 本文解决了MQL5论坛中常见的初学者问题，并演示了实用的解决方案。学习执行基本任务，如买卖、获取烛形价格以及管理自动交易方面，如交易限额、交易期限和盈亏阈值。获取分步指导，以增强您对 MQL5 中这些概念的理解和实现。
新文章 人工蜂巢算法（ABHA）：测试与结果 已发布： 在本文中，我们将继续深入探索人工蜂巢算法（ABHA），通过深入研究代码并探讨其余的方法。正如您可能还记得的那样，模型中的每只蜜蜂都被表示为一个独立的智能体，其行为取决于内部和外部信息以及动机状态。我们将在各种函数上测试该算法，并通过在评分表中呈现结果来总结测试效果。 在上一篇文章中，我们通过深入研究其工作原理，探索了 人工蜂巢算法（ABHA） 的奇妙世界。我们描述了该算法的结构和类，并展示了算法伪代码以及移动（Moving）和修订（Revision）方法。这一介绍将为后续对该算法的进一步研究和理解奠定基础。
Universum 3.0 : 若交易亏损则增加手数。入场信号基于 DeMarker 指标。 作者： Vladimir Karputov
新文章 您应当知道的 MQL5 向导技术（第 24 部分）：移动平均 已发布： 移动平均是大多数交易者使用和理解的最常见指标。我们探讨一些在 MQL5 向导组装智能系统时可能不那么常见的可能用例。 我们继续 MQL5 向导的系列文章，探察移动平均指标，以及如何将其以令一些交易者耳目一新的方式添加到可供使用的工具库之中。 移动平均 有很多变体，作为可附加到图表的单一时间序列，但也有其它变体当作振荡器，甚至有些变体当作轨道线指标。 我们将在称为 毕达哥拉斯（Pythagorean）均值 的 3 条移动平均（MA）这个特殊分类中探索其多种应用、或变体。该名称下的 3 个 MA 是 算术平均值
新文章 神经网络变得简单（第 95 部分）：降低变换器模型中的内存消耗 已发布： 基于变换器架构的模型展现出高效率，但由于在训练阶段、及运行期间都资源成本高昂，故它们的使用变得复杂。在本文中，我提议领略那些能够降低此类模型内存占用的算法。 MLKV 方法是 MQA 和 GQA 算法的逻辑延续。在指定的方法中，由于 KV 头的减少， KV 缓存大小亦会减小，并在单个 自关注 层内的一个关注头分组共享。一个完全预期的步骤是在 自关注 层之间共享 Key 和 Value 实体。最近 FeedForward 模块在 变换器
新文章 如何开发各种类型的追踪止损并将其加入到EA中 已发布： 在本文中，我们将探讨用于便捷创建各种追踪止损的类，并学习如何将追踪止损加入到EA中。 延续 之前文章 中提及的追踪止损（Trailing Stop）的话题，这里我们将讨论追踪类，以便于创建各种追踪止损算法。基于所创建的类，我们可以创建任何用于改变止损位置的算法：根据当前价格的止损移动、根据指标、根据指定的止损价格等等。阅读完本文后，我们将能够创建并将任何移动止损算法添加到任意EA上。同时，追踪止损的嵌入和使用将变得方便且清晰。 让我们简要地回顾一下追踪止损操作的算法。让我们定义每个追踪止损可采用以下三个运行条件： 触发追踪起始点
新文章 在 MQL5 中创建交互式图形用户界面（第 2 部分）：添加控制和响应 已发布： 通过动态功能增强 MQL5 图形用户界面（GUI）面板，可以大大改善用户的交易体验。通过整合互动元素、悬停效果和实时数据更新，该面板成为现代交易者的强大工具。 有七个组件将实现自动化。第一个组件是单击关闭按钮时面板的关闭。我们打算在单击此按钮时删除所有面板元素。其次，当点击仓位管理按钮时，按钮将根据指示关闭各自的仓位和订单。例如，当我们点击 "盈利" 按钮或标签时，就会关闭所有盈利的仓位。第三个自动化将针对交易量组件。单击它的实体后，将创建一个选项的下拉列表，供用户选择交易选项。
新文章 使用CSS选择器从HTML页面提取结构化数据 已发布： 本文描述了一种通用的基于CSS选择器的HTML文档数据分析和转换方法。交易报告、测试报告、您最喜欢的经济日历、公共信号、账户监控和其他在线报价源将直接从MQL获得。 交易者通常处理一些标准的HTML文件，例如测试报告和由MetaTrader生成的交易报告。我们有时会从其他交易者那里收到这样的文件，或者从互联网上下载这些文件，并希望在图表上可视化数据，以便进一步分析。为此，HTML中的数据应转换为表格视图（简单情况下转换为CSV格式）。 我们实用程序中的CSS选择器可以自动执行这个过程。
新文章 将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLMs 开发和测试交易策略（一）- 微调 已发布： 随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。 在上一篇文章中，我们介绍了如何使用 GPU
新文章 交易中的神经网络：用于时间序列预测的轻量级模型 已发布： 轻量级时间序列预测模型使用最少的参数数量实现高性能。这反过来减少了计算资源的消耗并加快了决策速度。尽管是轻量级的，这些模型实现了与更复杂模型相当的预测质量。
新文章 交易中的神经网络：通过Adam-mini优化减少内存消耗 已发布： 提高模型训练和收敛效率的一个方向是改进优化方法。Adam-mini是一种自适应优化方法，旨在改进基础的Adam算法。 当我们刚开始学习神经网络时，我们讨论了各种优化模型参数的方法。在我们的工作中，我们使用了不同的方法。我最常使用的是 Adam 方法，它允许自适应调整每个模型参数的最优学习率。然而，这种适应性是有代价的。 Adam 算法使用每个模型参数的一阶和二阶矩估计，这需要占用与模型本身相当的内存。这种内存消耗在训练大规模模型时成为一个显著的问题。在实践中，维持这种高内存需求的算法通常需要将计算任务卸载到 CPU
新文章 您应当知道的 MQL5 向导技术（第 23 部分）：CNNs 已发布： 卷积神经网络是另一种机器学习算法，倾向于专门将多维数据集分解为关键组成部分。我们看看典型情况下这是如何达成的，并探索为交易者在其它 MQL5 向导信号类中的可能应用。 我们继续本系列，在其中看看机器学习和统计的思路，鉴于 MQL5 向导提供的快速测试和原型设计环境，令交易者能从中受益。目标仍然是在一篇文章内考察单一思路，至于这段节选，我最初认为这至少需要 2 个篇幅，不过看起来我们能够将其压缩到一个篇幅。 卷积神经网络 （CNN）顾名思义，借助内核，它可以在卷积中处理多维数据。
新文章 神经网络：从理论到实践 已发布： 简介 现在，每一位交易者肯定听说过神经网络并知道使用它们有多酷。大多数人相信那些能够使用神经网络的人是某种超人。在本文中，我将尝试向您解释神经网络架构，描述其应用并提供几个实践例子。 神经网络的概念 人工神经网络是人工智能研究的领域之一，以尝试模拟人类的神经系统的学习和适应能力为基础，这会让我们能够建立一个对人类大脑工作的非常粗略的模拟。 说也奇怪，人工神经网络由人工神经元构成。 作者： Dmitriy Parfenovich
新文章 结合基本面和技术分析策略在MQL5中的实现（适合初学者） 已发布： 在本文中，我们将讨论如何将趋势跟踪和基本面原则无缝整合到一个EA中，以构建一个更加稳健的交易策略。本文将展示任何人都可以轻松上手，使用MQL5构建定制化交易算法的过程。 基本面分析基于对市场运作方式的理解。在我们的讨论中，我们将专注于货币对，并构建我们的交易算法以利用我们对外汇市场及其主要参与者的理解。 图1：AUDJPY货币对的基本面分析示例。 基本面交易者经常讨论支撑和阻力，尽管这些概念并没有明确的定义。我想从基本面的角度提供一种可能的解释。
新文章 种群优化算法：模拟退火（SA）。第 1 部分 已发布： 模拟退火算法是受到金属退火工艺启发的一种元启发式算法。在本文中，我们将对算法进行全面分析，并揭示围绕这种广为人知的优化方法的一些常见信仰和神话。本文的第二部分将研究自定义模拟各向同性退火（SIA）算法。 模拟退火算法由 Scott Kirkpatrick、George Gelatt 和 Mario Vecchi 于 1983 年开发。在研究高温下液体和固体的性质时，发现金属转变为液态，颗粒随机分布，而能量最小的状态是在初始温度足够高、冷却时间足够长的条件下实现的。如果不满足此条件，那么材料将发现自身处于具有非最小能量的亚稳态 —
新文章 开发回放系统（第 59 部分）：新的未来 已发布： 正确理解不同的想法可以让我们事半功倍。在本文中，我们将探讨为什么在服务与图表交互之前需要配置模板。此外，如果我们改进鼠标指标，这样我们就可以用它做更多的事情呢？ 在上一篇文章“ 开发回放系统（第 58 部分）：重返服务工作 “中，我提到系统已经发生了一些变化，有理由在将模板应用于日程表和服务更新日程表之间加入一个小延迟。如果不这样做，模块将强制服务提前关闭。你们中的一些人可能会想知道这是怎么发生的。在本文中，我们将更详细地探讨这个问题。 为了正确解释这一点并确保您完全理解这个概念，请观看下面的视频 01。 演示视频：事情怎么会失败
显示当前K线剩余时间: 这个指标的作用是显示当前K线剩余时间，以时分秒的方式显示数据，数据的位置可以跟随K线，也可以固定在图表任意位置（双击后任意移动它）。 作者： Ziheng Zhuang
新文章 人工蜂巢算法（ABHA）：理论及方法 已发布： 在本文中，我们将探讨2009年开发的人工蜂巢算法（ABHA）。该算法旨在解决连续优化问题。我们将研究ABHA如何从蜂群的行为中汲取灵感，其中每只蜜蜂都有独特的角色，帮助它们更有效地寻找资源。 这里考虑的新型人工蜂巢算法提供了对蜜蜂觅食行为更全面和深入的观察，展示了集体互动和角色分配如何促进寻找新食物来源的过程。它展示了个体之间的互动如何带来更高效的结果。该算法更仔细地观察了蜂群中的个体角色。
新文章 开发回放系统（第 58 部分）：重返服务工作 已发布： 在回放/模拟器服务的开发和改进暂停之后，我们正在恢复该工作。现在我们已经放弃使用终端全局变量等资源，我们将不得不完全重组其中的一些部分。别担心，我们会详细解释这个过程，这样每个人都可以关注我们服务的发展。 在上一篇文章 开发回放系统（第 57 部分）：测试服务详解 中，我详细解释了所需的源代码，以展示我们将在回放/模拟器系统中使用的模块之间可能的交互方式。 虽然这段代码让我们了解了实际需要实现什么，但它仍然缺少一个对我们的系统真正有用的重要细节 — 使用模板的能力。如果您不使用或不完全理解模板在编码和 MetaTrader 5
新文章 神经网络变得简单（第 94 部分）：优化输入序列 已发布： 在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。 当用在 变换器 架构模型中，长期依赖关系的有效性检测在高度取决于许多因素。这些包括序列长度、各种定位编码策略、和数据令牌化。 这些想法导致论文 《分段、乱序、和拼接：一种改进时间序列表示的简单机制》 的作者提出寻找历史序列最优用法的思路。是否更好的组织时间序列，以便手头任务能实现更有效的表示学习？ 在本文中，作者提出了一种简单、且即用型的机制，称为
新文章 使用MQL5和Python构建自优化EA（第二部分）：调整深度神经网络 已发布： 机器学习模型带有各种可调节的参数。在本系列文章中，我们将探讨如何使用SciPy库来定制您的AI模型，使其适应特定的市场。 Nelder-Mead算法是解决噪声、不可微分以及非线性多模态优化问题的常用选择。该算法由其发明者约翰·内尔德（John Nelder）和罗杰·米德（Roger Mead）命名，他们在1965年的论文《函数最小化的单纯形法》中首次介绍了这一算法。可以用于单变量和多变量优化问题。
Super_Signals_Channel_V3 : Super_Signals_Channel_V3 指标，通道以彩色填充，并带有中间线 作者： Nikolay Kositsin
新文章 开发回放系统（第 57 部分）：了解测试服务 已发布： 需要注意的一点是：虽然服务代码没有包含在本文中，只会在下一篇文章中提供，但我会解释一下，因为我们将使用相同的代码作为我们实际开发的跳板。因此，请保持专注和耐心。等待下一篇文章，因为每一天都变得更加有趣。 在上一篇文章 开发回放系统（第 56 部分）：调整模块 中，我们对控制指标模块以及最重要的鼠标指标模块做了一些修改。 由于这篇文章已经包含了很多信息，我决定不再添加任何新数据，因为亲爱的读者，这很可能只会让你感到困惑，而不是帮助澄清和解释事情的实际运作方式。
新文章 开发多币种 EA 交易（第 8 部分）：负载测试和处理新柱 已发布： 随着我们的进步，我们在一个 EA 中使用了越来越多的同时运行的交易策略实例。让我们试着弄清楚在遇到资源限制之前，我们可以得到多少实例。 在第一篇 文章 中，我们开发了一个具有两个交易策略实例的 EA。在 第二篇 文章中，我们已经使用了 9 个实例，而在最后一篇文章中，这个数字跃升到了 32 个。测试时间没有问题。显然，单次测试通过的时间越短越好。但是，如果整体优化只需要几个小时，那也比几天或几周要好。同样，如果我们在一个 EA
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