新文章 使用经典机器学习方法预测汇率：逻辑回归（logit）模型和概率回归（probit）模型 已发布： 本文尝试构建一款用于预测汇率报价的EA。该算法以经典分类模型——逻辑回归与概率回归为基础。并利用似然比检验作为交易信号的筛选器。
新文章 衡量指标信息 已发布： 机器学习已成为策略制定的流行方法。 虽然人们更强调最大化盈利能力和预测准确性，但处理用于构建预测模型的数据的重要性，仍未受到太多关注。 在本文中，我们研究依据熵的概念来评估预测模型构建的指标的适配性，如 Timothy Masters 的《测试和优调市场交易系统》一书中所述。 作为一个示例，我们检查上面分析的两个指标的一些统计属性。 威廉姆斯百分比范围的分布几乎揭示了所有数值如何分布在整个范围内，除了多模态之外，分布相当均匀。 这样的分布是理想的，反映在熵值中。 这与市场促进指数的长尾分布形成鲜明对比。 这样的指标对于大多数学习算法来说都是有问题的，需要转换值。
新文章 MQL5 — 您也可以成为该语言的大师 已发布： 本文将是一次自我访谈，我将告诉您我是如何迈出 MQL5 语言的第一步的。 我将向您展示如何成为一名出色的 MQL5 程序员。 我将为您解释实现这一壮举的必要基础。 唯一的先决条件是愿意学习。 许多人认为，既然我已经知道如何用 C/C++ 编程，我就应该立即开始用 MQL5 进行复杂而繁琐的项目。 我希望我能说，这只是一切的开始。 然而，现实却大相径庭。 每当我们迈出开发自己的解决方案的第一步时，我们通常会从我们自认为明白的东西开始。 就我而言，当我开始使用 MQL5 时，我手头只有语言文档。
Float MT5 : 浮动 MetaTrader 指标 - 一个复杂的指标，它分析给定货币对之前的图表历史，然后尝试分析当前形势的趋势。它在单独的图表窗口中显示趋势的起点和终点，并在主图上显示斐波纳契回撤水平和迪纳波利水平。它还会显示当地高点和低点的检测时间。该指标适用于 MT4 和 MT5。 Author: Tuan Nguyen Van
新文章 交易中的神经网络：运用形态变换器进行市场分析 已发布： 当我们用模型分析市场形势时，我们主要关注蜡烛条。然而，人们早就知道烛条形态能有助于预测未来的价格走势。在本文中，我们将领略一种能将这两种方法集成的方式。 涵盖过去的十年，深度学习（ DL ）在各个领域都取得了重大进展，这些进步引起了金融市场研究人员的关注。受到深度学习成功的启发，许多人打算将其应用于市场趋势预测、和复杂数据相互关系分析。这种分析的一个关键层面是原生数据的表示格式，其保留了所分析金融产品的内在关系和结构。大多数现有模型都依据同构图，这限制了它们捕获与市场形态关联的丰富语义信息的能力。类似于在自然语言处理中所用的 N
新文章 精通日志记录（第一部分）：MQL5中的基础概念与入门步骤 已发布： 欢迎开启另一段探索之旅！本文是一个特别系列的开篇之作，我们将逐步创建一个专为MQL5语言开发者量身定制的日志操作库。 如今，MetaTrader 5自带日志功能，它们甚至能完成基本的监控任务：终端启动、服务器连接、环境详情等。但本质上，这些日志并非为EA开发的特殊需求而设计。当我们试图理解EA执行过程中的具体行为时，就会发现诸多限制。它们缺乏精确性、控制力以及能带来巨大差异的定制化功能。
新文章 可视化！类似于 R 语言 "plot (绘图)" 的 MQL5 图形库 已发布： 在研究交易逻辑时, 图形形式的直观表达是非常重要的。科学界中流行的一些编程语言 (如 R 和 Python) 拥有可视化的特殊 "plot (绘图)" 功能。它能够以直观方式绘制线, 点分布和直方图。在 MQL5 中, 您可以使用 CGraphics 类完成相同的操作。 正如我们在上图中所见, 当使用 0.7 步长时, 我们简单地忽略了一个断点。结果就是, 结果曲线的真实双曲线函数几乎什么也没做。 当使用函数时, 也许会发生除零错误。有两种方式来处理这个问题: 在 metaeditor.ini
新文章 在MQL5中创建交易管理员面板（第七部分）：可信任用户、密码恢复与加密技术 已发布： 每次刷新图表、通过管理面板EA添加新交易品种或重启终端时触发的安全提示，可能会让人感觉繁琐。在本次讨论中，我们将探索并实现一项功能，该功能通过跟踪登录尝试次数来识别可信用户。在达到一定次数的失败尝试后，应用程序将切换至高级登录流程，该流程还为可能忘记密码的用户提供密码恢复功能。此外，我们还将介绍如何将加密技术有效集成到管理面板中，以增强安全性。
新文章 从基础到中级：数组和字符串（三） 已发布： 本文从两个方面进行探讨。首先，标准库如何将二进制值转换为其他表示形式，如八进制、十进制和十六进制。其次，我们将讨论如何使用我们已经获得的知识，根据秘密短语确定密码的宽度。
新文章 开发多币种 EA 交易（第 18 部分）：考虑远期的自动化组选择 已发布： 让我们继续将之前手动执行的步骤自动化。这一次，我们将回到第二阶段的自动化，即选择交易策略的最佳单实例组，并补充考虑远期实例结果的能力。 一如既往，让我们先看看我们已经拥有了什么，还缺少什么来解决问题。我们可以设置在任何所需时间间隔内优化交易策略的任务。“设置任务”这句话应该按字面意思理解：为了做到这一点，我们在数据库的 tasks 表中创建必要的条目。因此，我们可以首先对一个时间间隔（例如，从 2018 年到 2022 年）进行优化，然后再对另一个时间间隔（例如，2023 年）进行优化。
新文章 借助成交量精准洞悉交易动态：超越传统OHLC图表 已发布： 一种将成交量分析与机器学习技术（特别是LSTM神经网络）相结合的算法交易系统。与主要关注价格波动的传统交易方法不同，该系统强调成交量模式及其衍生指标，以预测市场走势。该方法包含三个主要组成部分：成交量衍生指标分析（一阶和二阶导数）、基于LSTM的成交量模式预测，以及传统技术指标。
新文章 MQL5 交易管理面板开发指南（第六部分）：交易管理面板（续篇） 已发布： 在本文中，我们对多功能管理面板的“交易面板”进行升级。我们引入一个强大的辅助函数，大幅简化代码，提高可读性、可维护性与运行效率。同时演示如何无缝集成更多按钮，并优化界面，以支持更广泛的交易任务。无论是持仓管理、订单调整，还是简化交互，本文将助您打造稳健且易用的交易管理面板。 在顺利通过安全验证并进入管理员主面板后，我们已拥有对核心功能的初始访问权限。今天，我们将继续推进 MQL5
新文章 您应当知道的 MQL5 向导技术（第 43 部分）：依据 SARSA 进行强化学习 已发布： SARSA 是 “State-Action-Reward-State-Action” 的缩写，是另一种能在实现强化学习时运用的算法。故此，正如我们在 Q-学习 和 DQN 中看到的那样，我们考察了如何在向导汇编的智能系统中探索和实现它，将其作为独立模型，而不仅仅是一种训练机制。 强化学习
新文章 将互信息作为渐进特征选择的准则 已发布： 在本文中，我们展示了基于最优预测变量集与目标变量之间互信息渐进特征选择的MQL5实现。 互信息是识别有效预测变量的有力工具，特别是在处理复杂的非线性关系时。它能够发现其他方法可能遗漏的依赖关系，因此特别适用于能够利用此类复杂关系的模型。本文探讨了互信息在特征选择中的应用，重点关注了Hanchuan Peng、Fuhui Long和Chris Ding在其研究论文《基于互信息的特征选择：最大依赖性、最大相关性和 最小冗余性 准则》中提出的算法。
新文章 开发回放系统（第 68 部分）：取得正确的时间（一） 已发布： 今天，我们将继续努力，让鼠标指针告诉我们在流动性较低期间，一根柱形上还剩下多少时间。尽管乍一看似乎很简单，但实际上这项任务要困难得多。这涉及一些我们必须克服的障碍。因此，为了理解以下部分，您必须很好地理解子系列第一部分的材料。 如果您不想在 MetaTrader 5
新文章 价格行为分析工具包开发（第二部分）：分析注释脚本 已发布： 秉承我们简化价格行为分析的核心理念，我们很高兴推出又一款可显著提升市场分析能力、助力您做出精准决策的工具。该工具可展示关键技术指标（如前一日价格、重要支撑阻力位、成交量），并在图表上自动生成可视化标记。
新文章 在MQL5中构建自适应的自动化交易系统（EA） 已发布： 建立前瞻性的EA，并根据任何市场进行调整。 开发能够适应当前市场条件的交易机器人（EA），是稳定算法交易策略的关键。我们的目标不仅仅是开发仅针对少数交易标的的狭义机器人。而是旨在设计具有学习和适应任何交易标的能力的系统。本指南侧重于使用MQL5开发能够自优化以适应任何交易环境的机器人。
新文章 基于Python和MQL5的特征工程（第一部分）：为长期 AI 模型预测移动平均线 已发布： 移动平均线无疑是我们的 AI 模型进行预测的最佳指标。然而，我们可以通过严谨数据变换来进一步提高其准确性。本文将展示如何构建能够预测更远范围的AI模型，超越您目前所实现的水平，同时不会显著降低准确率。移动平均线的实用性确实令人惊叹。 上次我们讨论用 AI 预测移动平均线时，我提供了证据表明，移动平均线的值比未来价格水平更容易被我们的 AI 模型预测，相关文章链接在 这里 。不过为了让我们对所发现的结果更有信心，我在 200 多种不同的交易品种上训练了两个相同的 AI
新文章 神经网络变得简单（第 84 部分）：可逆归一化（RevIN） 已发布： 我们已经知晓，输入数据的预处理对于模型训练的稳定性扮演重要角色。为了在线处理 “原始” 输入数据，我们往往会用到批量归一化层。但有时我们需要一个逆过程。在本文中，我们将讨论解决该问题的可能方式之一。 当训练各种自动编码器模型时，我们就遇到了类似的问题。在这些情况下，我们找到了一种解决方案，即采用归一化后的原始数据作为目标。不过，在这种情况下，我们需要不同于输入数据的，描述环境后续状态的数据。论文 《可逆实例归一化抵消精确时间序列预测中的分布移位》 中提出了解决此问题的方法之一。
新文章 神经网络变得简单（第 67 部分）：按照过去的经验解决新任务 已发布： 在本文中，我们将继续讨论收集数据至训练集之中的方法。显然，学习过程需要与环境不断互动。不过，状况可能会有所不同。 强化学习建立在与环境互动过程时从环境中获得的最大奖励之上。显然，学习过程需要与环境不断互动。不过，状况有所不同。在解决某些任务时，我们与环境交互时可能会遇到各种限制。对于这种状况，一个可能的解决方案是使用离线强化学习算法。它们允许您依据与环境初步交互期间收集的有限轨迹存档（当它可用时）上训练模型。
新文章 在外汇数据分析中使用关联规则 已发布： 如何将超市零售分析中的预测规则应用于真实的外汇市场？购买饼干、牛奶和面包与证券交易所的交易有何关联？本文讨论了一种基于关联规则的算法交易的创新方法。 我长期从事数据工作，发现许多成功的理念都来自相关领域。今天，我想分享我在交易中使用关联规则的经验。这种方法在零售分析中已经证明了自己，使我们能够找到购买、交易、价格走势以及未来供需之间的联系。如果我们将这种方法应用于外汇市场，会怎样呢？
新文章 如何使用抛物线转向（Parabolic SAR）指标设置跟踪止损（Trailing Stop） 已发布： 在创建交易策略时，我们需要测试多种多样的保护性止损。这时，一个随着价格变动而动态调整止损位的想法浮现在我的脑海中。抛物线转向（Parabolic SAR）指标无疑是最佳选择。很难想到有比这更简单且视觉上更清晰的指标了。 追踪止损（Trailing
新文章 神经网络变得轻松（第二十五部分）：实践迁移学习 已发布： 在最晚的两篇文章中，我们开发了一个创建和编辑神经网络模型的工具。 现在是时候通过实践示例来评估迁移学习技术的潜在用途了。 测试结果如下图所示。 如您所见，预训练模型开始时误差较小。 但很快第二个模型就贴近了，且它们的数值非常接近。 这证实了之前的结论，即编码器架构对整个模型的性能有重大影响。 注意学习率。 预训练模型验算一个世代所需的时间减少了六倍。 当然，这只是纯粹的时间，不考虑自动编码器训练时间。 作者： Dmitriy Gizlyk
新文章 了解 MQL5 面向对象编程（OOP） 已发布： 作为开发人员，我们需要学习如何在创建和开发软件时，无需重复代码做到可重用、且灵活，尤其是当我们拥有不同行为的不同对象时。这可以利用面向对象的编程技术和原则来顺滑地达到。在本文中，我们将介绍 MQL5 面向对象编程的基础知识，以便了解如何在我们的软件中利用这一关键主题的原则和实践。 封装是能够在一个类中链接函数和数据的方法，类中的数据和函数可以是私密的，只能在类内访问，也可以是公开的，可以从类的外部访问。封装概念有助于隐藏类实现的复杂性，并令开发人员能够完全掌控其数据，有助于跟踪所有其它依赖的数值，且不会发生冲突。
新文章 数据科学与机器学习（第23部分）：为什么LightGBM和XGBoost能超越许多AI模型？ 已发布： 这些先进的梯度提升决策树技术提供了卓越的性能和灵活性，使其成为金融建模和算法交易的理想选择。了解如何利用这些工具来优化您的交易策略、提高预测准确性，并在金融市场中获得竞争优势。 梯度提升决策树（GBDT）是一种强大的机器学习技术，主要用于回归和分类任务。它们将多个弱学习器（通常是决策树）的预测结果结合起来，以创建一个强大的预测模型。 核心思想是顺序构建模型，每个新模型都试图纠正前一个模型所犯的错误。 这些提升树，如： 极限梯度提升（XGBoost）
新文章 交易中的神经网络：具有相对编码的变换器 已发布： 自我监督学习是分析大量无标签数据的有效方法。通过令模型适应金融市场的特定特征来提供效率，这有助于提升传统方法的有效性。本文讲述了一种替代的注意力机制，它参考输入之间的相对依赖关系。 自从头开始训练模型过渡到依据大量无标签数据进行预训练，然后针对特定任务进行微调，令我们能够达成高精度预测，且无需收集大量新数据。例如，基于 变换器
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