新文章 您应当知道的 MQL5 向导技术（第 41 部分）：深度-Q-网络 已发布： “深度-Q-网络” 是一种强化学习算法，在机器学习模块的训练过程中，神经网络参与预测下一个 Q 值和理想动作。我们曾研究过另一种强化学习算法 “Q-学习”。本文因此出示了另一个如何配以强化学习训练 MLP 的示例，可于自定义信号类中所用。 深度-Q-网络 （DQN）是另一种强化学习算法，除了我们在本文中看到的 Q-学习 之外，但它们与 “Q-学习” 不同，使用神经网络来预测 q-值和代理人下一步欲采取的动作。它与 “Q-学习” 类似/相关，因为仍然涉及
老牌脉冲系统 : 蜡烛条的颜色有红, 绿和蓝, 着色依据趋势方向 (均线和 MACD 整体值)。 作者： Nikolay Kositsin
新文章 交易中的神经网络：广义 3D 引用表达分段 已发布： 在分析市场状况时，我们将其切分为不同的段落，标识关键趋势。然而，传统的分析方法往往只关注一个层面，从而限制了正确的感知。在本文中，我们将学习一种方法，可选择多个对象，以确保对形势进行更全面、及多层次的理解。 在训练过程中，我们应用了之前在早期研究中验证过的算法。 训练后的参与者政策在 MetaTrader 5 策略测试器中据 2024 年 1 月的历史数据进行了测试。所有其它参数保持不变。测试结果呈现如下。 在测试期间，该模型执行了 22
新文章 让新闻交易轻松上手（第五部分）：执行交易（2） 已发布： 本文将扩展交易管理类，以包含用于交易新闻事件的买入止损（buy-stop）和卖出止损（sell-stop）订单，并为这些订单添加过期时间限制，以防止隔夜交易。在EA中嵌入一个滑点函数，以尝试防止或最小化在交易中使用止损订单时可能发生的滑点，特别是在新闻事件期间。 您正在围绕非农就业人数（NFP）公告这一最具市场影响力的新闻事件交易美元。预期该数据将导致欧元兑美元货币对出现大幅波动，您在当前价格之上设置了买入止损单，在当前价格之下设置了卖出止损单（跨式策略）。 正向NFP数据：美元走强，导致欧元兑美元下跌，触发您的卖出止损单。
AutoTrendLinien : Autotrendlinien指标在现有趋势放向上生成一个通道。 作者： Nikolay Kositsin
新文章 基于MQL5和Python的自优化EA（第六部分）：利用深度双重下降算法 已发布： 传统的机器学习教导从业者要警惕不要使模型陷入过度拟合。然而，这种观念正受到哈佛大学研究人员最新发表的学术见解的挑战。他们发现，看似过拟合的情形在某些情况下可能是由于提前终止训练过程导致的。我们将展示如何利用研究论文中发表的观点，来改进我们使用人工智能预测市场行为的方式。
Intrabar Volume Flow : 该指标可直观显示每个条形图中成交量随时间的变化情况。它以滚动柱状图格式显示刻度线成交量。 Author: Conor Mcnamara
A 3 line script that tells you how many bars are on your chart : 一个脚本，当拖动到图表上时，就会像变魔术一样在专家窗口中打印出图表上的条数。 Author: samuk1000
新文章 威廉·甘恩（William Gann）方法（第一部分）：创建甘恩角度指标 已发布： 甘恩理论的精髓是什么？甘恩角度是如何构建的？我们将为MetaTrader 5创建甘恩角度指标。 角度反弹策略（Angle Bounce Strategy）基于甘恩角度线通常作为支撑位或阻力位的假设。交易者寻找价格接近甘恩角度线（尤其是1x1或2x1）并在此反弹的情况。在确认反弹后（例如，形成反转K线图模式），交易者会进入仓位。 角度突破策略（Angle Breakout
新文章 开发回放系统（第 66 部分）：玩转服务（七） 已发布： 在本文中，我们将实现第一个解决方案，该解决方案使我们能够确定何时在图表上出现新的柱形。此解决方案适用于各种情况。了解它的发展将有助于你掌握几个重要方面。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。 在本文中，我们将从做一些不同的事情开始。但首先，让我们简单回顾一下上一篇文章 ” 开发回放系统（第 65 部分）：玩转服务（六） “ 中讨论的内容。
在 MQL5 中操作套接字 : 本函数库将使您在MetaTrader 5和外部服务器应用程序之间传输报价信息. 作者： Andrey Voytenko
新文章 在 MQL5 中利用 ARIMA 模型进行预测 已发布： 在本文中，我们继续开发构建 ARIMA 模型的 CArima 类，添加支持预测的直观方法。 众所周知，ARIMA 模型依赖于数据集中的时间依赖性。 因此，为了进行一次或更多的预测，我们需要向模型提供一序列输入数据。 模型的规格确定了输入序列的最小尺度。 知道了这一点，很明显，如果输入序列不充分，就不可能做出任何预测，或者说至少预测不能反映所应用的模型。 不同类型的 ARIMA 模型对输入序列的尺度提出了不同的要求，而不仅仅是模型的顺序。 实现纯自回归模型的预测是微不足道的，因为其所需只是输入与模型的最大滞后相等。
新文章 如何使用 UML 工具开发 EA 交易 已发布： 本文讨论使用 UML 图形语言创建 EA 交易，该语言用于建立面向对象软件系统的可视化模型。此方法的主要优点是实现了建模过程的可视化。本文以一个例子说明如何使用 Software Ideas Modeler 建立一个 EA 交易的结构和属性的模型。 作者： Dennis Kirichenko
新文章 在 HarmonyOS NEXT 上安装 MetaTrader 5 和其他 MetaQuotes 应用程序 已发布： 使用卓易通在 HarmonyOS NEXT 设备上轻松安装 MetaTrader 5 和其他 MetaQuotes 应用程序。为您的手机或笔记本电脑提供详细的分步指南。 运行 HarmonyOS NEXT 的华为用户现在可以轻松安装和使用 MetaTrader 5、MetaTrader 4 和其他 MetaQuotes 应用程序。这要归功于卓易通，这是华为应用市场中提供的兼容工具，使您能够在 HarmonyOS NEXT
新文章 以 delta 指标为例开发股票交易量控制指标 已发布： 本文讨论基于实际交易量并使用 CopyTicks() 和 CopyTicksRange() 函数开发股票指标的算法。 还描述了开发此类指标的一些细微环节，以及它们在实时和策略测试器中的操作。 在终端中，实际交易量被简单地表示为交易量。 它才是我们感兴趣的。 由于终端历史记录的特点，以及时间和买卖，现在有可能将其开发为股票指标。 它们令我们能够看到“幕后”正在发生的事情，即实际成交量由什么组成：成交量和交易频率，以及特定时期买卖双方的相关性。 这意味着我们现在可以将交易量扩展为组件。 这些数据可以显著提高我们的交易预测准确性。
新文章 数据科学和机器学习（第 30 部分）：预测股票市场的幂对、卷积神经网络（CNN）、和递归神经网络（RNN） 已发布： 在本文中，我们会探讨卷积神经网络（CNN）和递归神经网络（RNN）在股票市场预测中的动态集成。借力 CNN 提取形态的能力，以及 RNN 的精练度，来处理序列数据。我们看看这个强大的组合如何强化交易算法的准确性和效率。 递归神经网络（RNN） 是人工神经网络，旨在识别数据序列中的形态，例如时间序列、语言、或视频。 与传统 神经网络 不同，其假设输入彼此独立，而 RNN 能从一系列数据（信息）中检测和理解形态。 RNN
新文章 Connexus请求解析（第六部分）：创建HTTP请求与响应 已发布： 在Connexus库系列文章的第六篇中，我们将聚焦于完整的HTTP请求，涵盖构成请求的各个组件。我们将创建一个表示整个请求的类，这将有助于将之前创建的各个类整合在一起。 本文是我们正在构建的名为Connexus的库的系列文章的一部分。在 第一篇文章 中，我们介绍了 WebRequest 函数的基本功能，理解了它的各个参数，并编写了一段示例代码来演示其用法以及与之相关的挑战。在上一篇文章中，我们探讨了什么是HTTP方法以及服务器返回的状态码，这些状态码用于指示请求是否成功处理，或者客户端或服务器端是否出现了错误。
新文章 如何订购EA交易，并取得预期的结果 已发布： 如何正确书写规格要求?当订购EA交易或指标时，什么是能从程序员那里期望得到的，什么是不能期望得到的?如何保持一个对话框，要特别注意什么时刻?本文给出这些以及其他许多对很多人来说并不那么显而易见的问题的答案。 自动交易，获得了新的动力 - 使用全新 MQL5 语言的 MetaTrader 5 发布了。它已经成功地经历了 2010年自动化交易锦标赛 ， 并且交易平台的新版本被各经纪商积极推广。数以百计的经纪商和以百万计的世界各地的交易者仍在积极使用MetaTrader 5的前身 - MetaTrader4。
MasterWindows 库 : 用于为您的程序创建用户友好界面的类库。 作者： Sergey Pavlov
新文章 从基础到中级：FOR 语句 已发布： 在本文中，我们将了解 FOR 语句最基本的概念。了解这里将显示的所有内容非常重要。与我们迄今为止讨论的其他语句不同，FOR 语句有一些怪癖，很快就会变得非常复杂。所以不要让这样的事情堆积起来，尽快开始学习和练习。 乍一看，FOR 循环的执行流程可能比我们研究过的其他循环更令人困惑。然而，一旦你理解了它，就更容易理解为什么我们在上一个主题中看到了如此不同的输出。您可以看到下面的流程图： 在这里，我在箭头上使用了不同的颜色来帮助详细解释 FOR 循环的工作原理。您可能会惊讶地看到流程图中有一个 IF 语句。但在这里加入 IF
新文章 交易中的神经网络：免掩码注意力方式预测价格走势 已发布： 在本文中，我们将讨论免掩码注意力变换器（MAFT）方法，及其在交易领域的应用。不同于传统的变换器，即处理序列时需要数据掩码，MAFT 通过消除掩码需求来优化注意力过程，显著改进了计算效率。 SPFormer 算法表示一个完全端到端的管线，允许对象查询直接生成实例预测。使用 变换器 解码器，固定数量的对象查询从所分析点云中聚合全局对象信息。此外， SPFormer 利用对象掩码来引导交叉注意力，要求查询仅关注已掩码特征。然而，在训练的早期阶段，这些掩码的品质很低。这会阻碍后续层的性能，并提升整体训练复杂性。 为了解决这一点，
新文章 价格行为分析工具包开发（第一部分）：图表投影仪 已发布： 本项目旨在利用 MQL5 程序算法为 MetaTrader 5 开发一套全面的分析工具。这些工具包括脚本、指标、人工智能模型以及EA，能够自动地进行市场分析。在某些情况下，这些工具能够完全无需人工干预地进行高级分析，并将预测结果发送到相应的平台。绝不会错过任何机会。请与我一同探索构建一套强大的自定义市场分析工具箱。我们将从开发一个简单的 MQL5 程序开始，我将其命名为“图表投影仪”。
文章 "Python、ONNX 和 MetaTrader 5：利用 RobustScaler 和 PolynomialFeatures 数据预处理创建 RandomForest 模型"
(14 1 2)
新文章 Python、ONNX 和 MetaTrader 5：利用 RobustScaler 和 PolynomialFeatures 数据预处理创建 RandomForest 模型 已发布： 在本文中，我们将用 Python 创建一个随机森林（random forest）模型，训练该模型，并将其保存为带有数据预处理功能的 ONNX 管道。之后，我们将在 MetaTrader 5 终端中使用该模型。
Stochastic_Cross_Alert_SigOverlayM_cw : 该指标产生买卖信号，并在跨越Stochastic Oscillato指标的超买超卖水平线时发出警告。 作者： Nikolay Kositsin
新文章 从基础到中级：按值传递还是按引用传递 已发布： 在本文中，我们将实际了解按值传递和按引用传递之间的区别。虽然这看起来很简单，很常见，不会造成任何问题，但许多经验丰富的程序员经常因为这个小细节而在处理代码时遇到真正的失败。知道何时、如何以及为什么使用按值传递或按引用传递将对我们作为程序员的生活产生巨大的影响。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
新文章 交易中的神经网络：超点变换器（SPFormer） 已发布： 在本文中，我们概述一种基于“超点变换器”（SPFormer） 的三维物体分段方法，其剔除了对中间数据聚合的需求。这加快了分段过程，并提高了模型的性能。 训练算法继承自以前发表的文章，延及用于训练和评估的支持程序。 训练后的参与者政策略在 MetaTrader 5 策略测试器中进行了测试，依据 2024 年 1 月的真实历史数据，所有其它参数保持不变。测试结果呈现如下。 在测试期间，该模型进行了 54 笔交易，其中 26 笔以盈利了结。这占所有运作的 48%。平均盈利交易比无盈利操作的类似指标高 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