新文章 DirectX 教程（第一部分）：绘制第一个三角形 已发布： 这是一篇关于 DirectX 的介绍性文章，介绍了使用 API 进行操作的细节。 它应有助于理解其组件的初始化顺序。 本文包含一个如何编写 MQL5 脚本的示例，该脚本使用 DirectX 渲染一个三角形。 渲染图元是图形 API 的主要目的。 现代显卡适用于快速渲染大量三角形。 实际上，在计算机图形学的当前发展阶段，绘制 3D 对象最有效的方法是以多边形创建曲面。 曲面可由三个指定的点来定义。 3D 建模软件通常使用矩形，但图形卡仍会强制把多边形转换成三角形。 三角形网格 作者： Rorschach
新文章 如何在 MetaTrader 5 中利用 DirectX 创建 3D 图形已发布： 3D 图形为大数据分析提供了完美的方案，它可以直观透视隐藏的形态。 这些任务能以 MQL5 直接解决，而 DireсtX 函数允许创建三维物体。 故其能够为 MetaTrader 5 创建任意复杂度的程序，甚至 3D 游戏。 学习 3D 图形，从绘制简单的三维形状开始。 按照三角形每个顶点的坐标定义来创建物体的三维模型，如此，即便物体移动或观察者的位置发生变化，也可以进一步计算物体每个点的坐标。 所以，我们要处理的是顶点，连接顶点的边线，以及由边线形成的表面。
新文章 构建自动运行的 EA（第 09 部分）：自动化（I） 已发布： 尽管创建自动 EA 并非一项非常困难的任务，但在缺乏必要知识的情况下可能会犯许多错误。 在本文中，我们将研究如何构建初级自动化，其中包括创建一个触发器来激活盈亏平衡和尾随停止价位。 下面的视频演示了该系统的操作情况。 对于那些想象这是不同或不起作用的人，请观看视频并得出自己的结论。 尽管为了理解正在发生的事情，最好的办法是编译 EA，并在模拟账户上自行测试。 以这样的方式，对整个系统的理解将更加扎实和清晰。 作者： Daniel Jose
新文章 DoEasy. 控件（第三十一部分）：滚动条控件内内容的滚动 已发布： 在本文中，我将实现通过按钮滚动水平滚动条容器内容的功能。 编译 EA，并在图表上启动它： 如您所见，由箭头按钮管理的滚动效果良好。 当尝试用鼠标移动滑块时，它会“抗拒”，这是很自然的 — 我们仍未处理滑块移位，但我们已经重新计算了它的尺寸和坐标。 故此，当我们尝试用鼠标移动滑块时，设置其坐标的方法会返回到与其可见区域中容器内容的位置相对应的位置。 此行为将在后续文章中终结。 作者： Artyom Trishkin
新文章 构建自动运行的 EA（第 08 部分）：OnTradeTransaction 已发布： 在本文中，我们将目睹如何利用事件处理系统快速有效地处理与订单系统相关的问题。 配合这个系统，EA 就能更快地工作，如此它就不必持续不断地搜索所需的数据。 现在，以更彻底的方式，我们终于有了彼此友好的 C_Manager 类和 EA。 两者都可以工作，并确保它们不会变得激进、或不友好。 因此，EA 和 C_Manager 类之间的消息流如图例 02 所示： 图例 02. 新函数的消息流 此消息流可能看起来太复杂，或完全不起作用，但这确实是到目前为止已经实现的。 查看图例 02，您可能会认为 EA
新文章 种群优化算法：萤火虫算法（FA） 已发布： 在本文中，我将研究萤火虫算法（FA）优化方法。 致谢优化修订，该算法已从局外人变成了评级表上的真正领先者。 萤火虫算法基于真实萤火虫的闪烁特性，有三条规则。 规则如下： 所有萤火虫都会朝着更有吸引力和更明亮的对应物移动。 萤火虫的吸引力程度与其亮度成正比，由于空气吸收光线的事实，随着与另一只萤火虫的距离增加，亮度会降低。 故此，在任何两只闪烁的萤火虫之间，不太亮的萤火虫会向较亮的萤火虫移动。 如果没有更亮或更具吸引力的对应物，则萤火虫将随机移动。 萤火虫的亮度或光线强度由问题的目标函数的值决定。
新文章 基于暴力算法的 CatBoost 模型高级重采样与选择 已发布： 本文描述了一种可能的数据转换方法，旨在提高模型的通用性，并讨论了 CatBoost 模型的采样和选择。 上一篇文章中使用的标签的简单随机抽样有一些缺点： 分类是不平衡的。假设市场在训练期间主要是增长的，而整体数据（整个报价历史）是上涨和下跌都有的。在这种情况下，简单的抽样将创建更多的买入标签和更少的卖出标签。因此，一个类别的标签将优先于另一个类别的标签，因此该模型将学习预测买入交易的频率高于卖出交易的频率，然而，这对于新数据可能是无效的。
新文章 数据科学与机器学习（第 10 部分）：岭回归 已发布： 岭回归是一种简单的技术，可降低模型复杂度，并防止简单线性回归可能导致的过度拟合。 当您将所有数据用作训练数据时，模型的性能略有不同。 当存储输出，并在同一轴上绘制时，这是它们的图形; 我几乎看不出线性模型与蓝色标记的预测变量之间的任何差别，我只能看到两个模型之间的差异，并且岭回归不太适合该数据集，这是个好消息。 我们来逐个训练和测试这两个模型。 作者： Omega J Msigwa
新文章 DoEasy. 控件（第三十部分）：动画态滚动条控件 已发布： 在本文中，我将继续开发滚动条（ScrollBar）控件，并开始实现鼠标交互功能。 此外，我将扩展鼠标状态标志和事件的列表。 编译 EA，并在图表上启动它： 如我们所见，滑块在滚动条内被箭头按钮正确限制。 箭头按钮响应单击，对象的颜色根据对象和光标在交互过程中的状态而变化。 作者： Artyom Trishkin
新文章 矩阵实用工具，扩展矩阵和向量的标准库功能 已发布： 矩阵作为机器学习算法和计算机的基础，因为它们能够有效地处理大型数学运算，标准库拥有所需的一切，但让我们看看如何在实用工具文件中引入若干个函数来扩展它，这些函数在标准库中尚未提供。 多层感知器会有 2 个输入节点/神经元，一个用于腿高，另一个则是输入层的身体直径，同时输出层将有 3 个节点代表 3 个结果：狗、猫和老鼠。 现在，假设我们给这个 MLP 投喂的高度和直径分别为 12 和 20，我们希望神经网络将其归类为狗，对不对？ 独热编码的作用是将数字 1 放在给定训练数据集具有正确值的节点中，在这种情况下，在属于狗的节点上，将输入数字
显示点值: 以紧凑和方便的形式显示当前货币对信息, 包括利润, 点数, 百分比, 点差, 当前时间帧柱线收盘的剩余时间。 作者： Roman Podpora
Boa_ZigZag_Arrows_Duplex: 两个不同周期数的 Boa_ZigZag 指标，在同一个图表上显示箭头。 作者： Nikolay Kositsin
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 开发跨平台网格 EA 交易(第三部分): 使用马丁格尔的基于修正的网格已发布： 在本文中，我们将尝试开发尽可能最好的基于网格的 EA 交易。像往常一样，这将是一个跨平台的EA，能够与 MetaTrader 4 和 MetaTrader 5一起工作。第一个 EA 已经足够好了，只是它在很长一段时间内不能盈利。第二个EA在几年之内可能有效,不幸的是，在最大回撤低于50%的条件下, 它每年无法产生超过50%的利润。 "恢复系数"...
新文章 MQL5 中的范畴论 (第 1 部分) 已发布： 范畴论是数学的一个多样化和不断扩展的分支，到目前为止，在 MQL 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念，其总体目标是建立一个开放的函数库，吸引评论和研讨，同时希望在交易者的策略开发中进一步在运用这一非凡的领域。 我们来尝试创建一个同态类的实例，含有时间和收盘价集合的域和协域，令范畴论更生动。 然后，我们调用 'PrintHomomorphism()' 函数查看此实例。 作者： Stephen Njuki
新文章 种群优化算法：鱼群搜索（FSS） 已发布： 鱼群搜索（FSS）是一种新的优化算法，其灵感来自鱼群中鱼的行为，其中大多数（高达 80%）游弋在有组织的亲属群落中。 经证明，鱼类的聚集在觅食效率和保护捕食者方面起着重要作用。 当鱼类以相同的速度和方向同步游泳时，团体的组织非常严格。 发生这种情况是由于鱼类都是相同的物种，按年龄和大小，彼此之间保持一定距离。 鱼类团体能够执行复杂的动作，就好像它们具有群体智慧和共同的头脑一样。 团体形成的微妙之处远未被完全理解，尤其是运动和喂养方式的各个方面。 已经提出了许多假设来解释群居行为，包括更好的定向、同步狩猎、迷惑捕食者、和降低被捕猎的风险。
新文章 DoEasy. 控件（第 二十九 部分）：滚动条（ScrollBar）辅助控件 已发布： 在本文中，我起始开发滚动条（ScrollBar）辅助控制元素，及其衍生对象 — 垂直和水平滚动条。 滚动条用于窗体内容（如果窗体超出容器）的滚动显示。 滚动条通常位于窗体的底部和右侧。 底部的水平滚动条可左右滚动内容，而垂直的则上下滚动内容。 编译 EA，并在图表上启动它： 我们看到滚动条在正确的位置上创建，且控件能正常响应鼠标交互。 当鼠标光标悬停在滚动条上的控件对象上时，它们的涂色是错误的，因为我尚未为这些控件创建事件处理程序。 我将在后续文章中修复此问题。 作者： Artyom
新文章 神经网络变得轻松（第三十五部分）：内在好奇心模块 已发布： 我们继续研究强化学习算法。 到目前为止，我们所研究的所有算法都需要创建一个奖励政策，从而令代理者能够每次从一个系统状态过渡到另一个系统状态的转换中估算其每个动作。 然而，这种方式人为因素相当大。 在实践中，动作和奖励之间存在一些时间滞后。 在本文中，我们将领略一种模型训练算法，该算法可以操控从动作到奖励的各种时间延迟 为了训练 EA，所有模型都是利用 NetCreator 工具创建的。 应该补充的是，若要在策略测试器中启用 EA 操作，模型文件必须位于终端公共目录 'Terminal\Common\Files'
新文章 MQL5 酷宝书 — 服务 已发布： 本文讲述了服务的多功能性 — 不需要绑定图的 MQL5 程序。 我还会重点介绍服务与其它 MQL5 程序的区别，并强调开发人员使用服务的细微差别。 作为示例，为读者提供了各种任务，涵盖了可以作为服务实现的各种功能。 我们想象一下，我们面临着以下任务。 终端应提供当前交易品种的图表，即持仓品种的图表。 打开图表的 规则 非常简单。 如果某个品种尚有持仓，则打开该品种的图表。 如果没有持仓，则无需图表。 即使某个品种有多笔持仓，也只会打开一个图表。 另外，我们还要添加一些颜色。 如果持仓处于盈利状态，则图表的背景色将为浅蓝色；如果处于亏损，则为浅粉色。
SuperWoodiesCCI:
指标用于使用 CCI 的策略。当使用 Woodies CCI 进行交易, 您所需的一切就是找到 Woodies CCI 形态。
作者： John Smith
新文章 种群优化算法：杜鹃优化算法（COA） 已发布： 我将研究的下一个算法是 Levy 飞行正在使用的杜鹃搜索优化。 这是最新的优化算法之一，也是排行榜的新领导者。 我们来更详细地讨论杜鹃产蛋的过程。 从所有鸟巢中，随机选择一个预备产蛋的鸟巢。 由于鸟蛋是一个解，因此可以用鸟蛋的质量来表示。 如果杜鹃蛋的质量高于宿主蛋，那么它将被替换。 否则，宿主蛋将留在鸟巢中。 事实上，随后的进化将自幸存的雏鸟继续。 这意味着，如果宿主蛋的雏鸟幸存下来，那么进化将从同一个地方继续。 进而只有当杜鹃蛋变得更强势，并且从新的地方继续寻找解时，才有可能进一步发展。 示意性决策树如图例 1 所示。 图例 1
新文章 DoEasy. 控件 (第 28 部分): 进度条控件中的柱线样式 已发布： 在本文中，我将开发进度条控件的柱线显示样式和说明文本。 目前， 为函数库创建的 进度条控件只有单一的显示样式 — 连续线（连续）。 但此类控件还有两种显示样式 — 分段块（Blocks），以及对象中连续块滚动（Marquee）。 块的样式非常清晰（连续线由单独定位的块替换）。 如果事先不知道进度栏控件直观显示所需要的迭代次数，则可选取连续滚动块（Marquee）样式。 在这种情况下，宽度等于进度条一半的单块将不断滚动。 除了创建这两种新样式外，我还将在进度条中添加一个文本，以便在其中显示信息。
新文章 建立自动新闻交易程序已发布：
这是 "Another MQL5 OOP"（另一个 MQL5 OOP 类）一文的续篇，该文向您展示了如何从头建立一个简单的面向对象的 EA 交易程序并向您提供了有关面向对象编程的某些提示。今天，我向您展示开发一个能够依据新闻进行交易的 EA 所需的技术基础。我的目标是继续向您提供有关面向对象编程的理念，同时也在这个系列的文章中涵盖新的主题——处理文件系统。
如 Investopedia（投资百科）所述，新闻交易者是“依据新闻进行交易或投资决定的交易者或投资者”。事实上，经济报告，例如一个国家的...
交易量 档案 + 范围 v6.0:
交易量 档案 + 范围 v6.0 (原为 TPO)。在给定时间间隔内按照价位的成交分布。显示为直方条。
作者： Olexiy Polyakov
新文章 种群优化算法：灰狼优化器（GWO） 已发布： 我们来研究一种最新的现代优化算法 — 灰狼优化。 测试函数的原始行为令该算法成为以前研究过的算法中最有趣的算法之一。 这是训练神经网络的顶级算法之一，具有许多变量的平滑函数。 图例 3. 欧米茄相对阿尔法、贝塔和德尔塔的的运动图 GWO 算法的伪代码如下： 1) 随机初始化灰狼种群。 2) 计算种群每只个体成员的体质状况。 3) 狼群领导者: -α = 具有最佳体质值的成员 -β = 第二等强大的成员（就体质值而言） -δ = 第三等强大的成员（就体质值而言） 根据 α、β、δ 方程更新所有欧米茄狼的位置 4) 计算种群中每个成员的体质。
i-Regression 通道:
i-Regression通道生成回归通道。
作者： Nikolay Kositsin
新文章 神经网络变得轻松（第三十四部分）：全部参数化的分位数函数 已发布： 我们继续研究分布式 Q-学习算法。 在之前的文章中，我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中，我们训练了给定数值范围的概率。 在第二种算法中，我们用给定的概率训练了范围。 在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。 在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。 这种方式可以训练对“分位数”超参数不太敏感的模型。 它们的随机分布允许将近似函数的范围扩展到非均匀分布的函数。 在将数据输入到模型之前，会根据以下公式创建随机生成的分位数的嵌入。
新文章 神经网络: 智能交易系统自我优化已发布：
是否有可能开发一款能够根据代码命令, 定期优化开仓和平仓条件的智能交易系统？如果我们以模块化的形式实现一个神经网络 (多层感知器) 来分析历史并提供策略, 会发生什么？我们可以做到 EA 每月(每周, 每天或每小时) 进行神经网络优化, 然后继续其工作。因此, 我们可以开发一款自我优化 EA。
在创建 NN 之后, 我们应该用前 800 个自然数的二进制形式 (10 个字符, 10 个输入神经元和 1 个输出神经元) 来训练它。之后, 我们应该将接下来的 200 个自然数转换为二进制形式 (从 801 到 1000 的二进制形式从),...
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