新文章 随机优化和最优控制示例 已发布： 这款名为SMOC（可能代表随机模型最优控制）的EA，是MetaTrader 5平台上一个较为先进的算法交易系统的简单示例。它结合了技术指标、模型预测控制以及动态风险管理来做出交易决策。该EA融入了自适应参数、基于波动率的仓位规模调整以及趋势分析，以优化其在不同市场条件下的表现。 随机建模用于描述具有随机元素的系统，例如股票市场价格波动或餐厅的排队情况。它基于随机变量、概率分布以及随机过程。蒙特卡洛（Monte Carlo）方法和马尔可夫链（Markov chains）等方法可以对这些过程进行建模并预测其行为。
新文章 交易中的神经网络：将全局信息注入独立通道（InjectTST） 已发布： 大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。 近年来，基于 变换器 架构进行多模态时间序列预测已得到广泛普及，并逐渐成为时间序列分析的首选模型之一。模型越来越多地采用独立通道方式，其中模型单独处理每个通道序列，而不与其它通道序列交互。 通道独立性有两个主要优势： 噪声抑制 ：独立模型能专注于各自通道的预测，而不受其它通道噪声的影响。, 缓解分布漂移 ：通道独立性有助于解决时间序列中的分布漂移问题。
新文章 基于套接字（Sockets）的Twitter情绪分析 已发布： 这种创新的交易机器人将 MetaTrader 5 与 Python 结合，利用实时社交媒体情绪分析为自动化交易决策提供支持。通过分析与特定金融工具相关的 Twitter 情绪，该机器人将社交媒体趋势转化为可操作的交易信号。它采用客户端-服务器架构，并通过套接字通信实现无缝交互，将 MT5 的交易能力与 Python
新文章 细菌趋化优化（BCO） 已发布： 本文介绍了细菌趋化优化（Bacterial Chemotaxis Optimization，简称 BCO）算法的原始版本及其改进版本。我们将详细探讨所有不同之处，特别关注 BCOm 的新版本，该版本简化了细菌的移动机制，减少了对位置历史的依赖，并且使用了比原始版本计算量更小的数学方法。我们还将进行测试并总结结果。 各种研究表明，细菌会相互交流信息，尽管其通信机制尚不清楚。通常，细菌被视为个体，模型中未考虑其社交互动。这使它们与描述社会性昆虫（如蚂蚁、蜜蜂、黄蜂或白蚁）行为的互动模型不同，后者作为具有集体智能的系统，为解决各种问题提供了不同的可能性。
新文章 从基础到中级：操作符 已发布： 在本文中，我们将介绍主要的操作符。虽然这个主题很容易理解，但在代码格式中包含数学表达式时，有一些要点非常重要。如果不充分了解这些细节，经验很少或没有经验的程序员最终会放弃尝试创建自己的解决方案。 在上一篇文章“ 从基础到中级：变量（三） “中，我们探索了预定义变量和一种有趣的解释函数的方式。然而，到目前为止讨论的一切都导致了一个共同的挑战，这是新程序员面临的最大困难之一，尤其是那些从事小型个人项目的程序员。这一挑战源于不同数据类型的存在。 正如在“ 从基础到中级：变量（二） "中，MQL5
新文章 从头开始采用 MQL 语言进行深度神经网络编程 已发布： 本文旨在教导读者如何从头开始采用 MQL4/5 语言构建深度神经网络。 从神经网络的基本单元开始：单个神经元。 在本文中，我将专注于深度神经网络中所用神经元类型的不同部分，尽管神经元类型之间最大的区别通常是激活函数。 人工神经元，松散地模仿人脑中的神经元，简单地担负数学计算。 如同我们的神经元，当它受到足够的刺激时就会触发。 神经元把输入数据进行组合，这些数据含有一组或放大或抑制输入的系数或权重，从而为尝试学习任务的算法分配意义重大的输入。 在下一张图片中，可以看到神经元活动的各个部分： 作者： Anddy Cabrera
新文章 在 MQL5 中重新构想经典策略（第二部分）：富时 100 指数（FTSE100）与英国国债（UK Gilts） 已发布： 在本系列文章中，我们探索了流行的交易策略，并尝试使用人工智能（AI）对其进行改进。在今天的文章中，我们将重新审视基于股市与债市之间关系的经典交易策略。 所有发达经济体的政府都会发行以本国货币计价的债务，英国政府也不例外。英国国债是一种英国政府债务工具，它也在伦敦证券交易所上市。国债是固定收益证券，分为两种类型。第一种是传统国债，它构成了所销售国债的大部分。这种传统国债在到期前向国债持有者支付固定的票息，到期时将最后一笔票息和本金偿还给投资者。
新文章 重思经典策略（第八部分）：基于美元兑加元（USDCAD）探讨外汇市场与贵金属 已发布： 在本系列文章中，我们将重新审视一些广为人知的交易策略，看看是否能够利用人工智能（AI）来改进它们。请加入我们今天的讨论，一起测试贵金属与货币之间是否存在可靠的关系。
新文章 您应当知道的 MQL5 向导技术（第 30 部分）：聚焦机器学习中的批量归一化 已发布： 批量归一化是把数据投喂给机器学习算法（如神经网络）之前对数据进行预处理。始终要留意算法所用的激活类型，完成该操作。因此，我们探索在向导组装的智能系统帮助下，能够采取的不同方式，并从中受益。 与本系列的所有内容一样，本文强调使用向导组装的 EA 来测试我们的新思路。对于新读者，可以从 此处 和 此处 获得有关如何行事的概述，这 2 篇文章提供了一些如何使用本文末尾所附代码的指导。至于本文，我们正采用相当多的自定义数据枚举作为可优化输入。MQL5
新文章 掌握 MQL5：从入门到精通（第四部分）：关于数组、函数和全局终端变量 已发布： 本文是初学者系列文章的延续。它详细介绍了数据数组、数据和函数的交互，以及允许不同 MQL5 程序之间交换数据的全局终端变量。 在本文中，我将讨论三个全局性主题： 数据数组 ，完成程序内部关于数据的主要部分。, 全局终端变量 ，允许在不同的 MQL5 程序之间交换简单数据。 , 函数 的一些特性及其与变量的相互作用。 作者： Oleh Fedorov
新文章 使用指数平滑法进行时间序列预测（续） 已发布： 本文力求升级此前创建的指标，并简要讲述了利用自助法与分位数评估预测置信区间的一种方法。如此一来，我们便会获得将用于评估预测准确性的预测指标和脚本。 作者： Victor
新文章 分析烛的图案 已发布： 日本烛形图的构建和烛图案的分析构成了技术分析的一个迷人领域。烛形图的优点在于它们以您能够跟踪数据动态的方式表示数据。在本文中，我们将分析烛的类型、烛图案的分类并提出一个能够确定烛图案的指标。 作者： Dmitry
BROTHER - 根据趋势高点彩虹桥的结果(By Rainbow On Trend High Extreme Results) - 5分钟人工系统EA:
这不是一个自动的系统. 它是完全人工的.
作者： Piotr
EquiPeak Drawdown Tracker : EquiPeak Drawdown Tracker（EquiPeak缩水跟踪器）是一个用于实时监控和记录交易账户最大缩水的指标。它不仅仅是一个当前缩水指标；它尤其适用于将您当前的缩水与您预期或之前记录的最大历史缩水进行直观比较。 Author: Enrique Enguix
新文章 关于因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在市场事件预测中的应用实例 已发布： 本文提供了一个使用因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在MQL5中实现复杂交易系统的全面指南。文章涵盖了这些方法的理论背景，详细解释了交易算法中的关键函数，并提供了实现的示例代码。
新文章 交易中的神经网络：TEMPO 方法的实施结果 已发布： 我们继续领略 TEMPO 方法。在本文中，我们将评估所提议方法在真实历史数据上的真实有效性。 TEMPO 方法建立在预先训练的语言模型的基础上。现实中，该方法作者在他们的实验中用到了预先训练的 GPT-2 。该方法的主要思想在于利用模型在初步训练期间获得的知识来预测时间序列。于此，当然，值得在语音和时间序列之间勾画出不明显的并肩之处。本质上，我们的语音是一条声音时间序列，以字母记录。不同的语调由标点符号传达。 长语言模型 （ LLM ），例如 GPT-2
新文章 重构经典策略（第七部分）：基于USDJPY的外汇市场与主权债务分析 已发布： 在今天的文章中，我们将分析汇率走势与政府债券之间的关系。债券是固定收益证券中最受欢迎的形式之一，将成为我们讨论的重点。加入我们，一起探索是否可以利用人工智能技术改进一种经典策略。
新文章 开发回放系统（第 60 部分）：玩转服务（一） 已发布： 很长一段时间以来，我们一直在研究指标，但现在是时候让服务重新工作了，看看图表是如何根据提供的数据构建的。然而，由于整个事情并没有那么简单，我们必须注意了解前方等待我们的是什么。 在上一篇文章 开发回放系统（第 59 部分）：新的未来 中，我介绍并解释了对控制指标和鼠标指标模块所做的部分更改。虽然这些更新为我们提供了一些未来的使用可能性，特别是鼠标指标模块，但它仍然存在一个小缺陷。然而，这个缺陷在现阶段并不影响我们。这是因为，目前，我们的重点是解决回放/模拟器服务类代码中与封装相关的一些剩余问题。
手动位置跟踪面板 : 基于 CDialog 类的面板。对当前符号进行操作。删除、设置止盈、设置一组头寸的盈亏平衡点 Author: Vladimir Karputov
新文章 禁忌搜索（TS） 已发布： 本文讨论了禁忌搜索（Tabu Search）算法，这是一种最早且最为人所知的元启发式方法之一。我们将详细探讨该算法的运行过程，从选择初始解并探索邻近选项开始，重点介绍使用禁忌表。文章涵盖了该算法的关键方面及其特性。 禁忌搜索的基础是自适应记忆，它不仅防止返回已经找到的解，还能控制搜索过程，考虑之前的步骤。其他研究人员，如曼努埃尔·拉古纳（Manuel Laguna）和拉斐尔·马蒂（Rafael Marti），随后进一步开发了该算法，极大地扩展了其在从生产计划到财务分析和电信等领域的应用。禁忌搜索仍然是解决需要深入分析和复合计算的复杂组合问题的相关工具。
新文章 将您自己的 LLM 集成到 EA 中（第 4 部分）：使用 GPU 训练自己的 LLM 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，我们简要讨论了如何为大型语言模型创建数据集，并通过一个简单的示例演示了如何仅使用 CPU
新文章 图形界面 VII: 页面控件 (第二章) 已发布： 第七部分的第一章介绍了用于创建三种表格控件的类: 文字标签型表格(CLabelsTable), 编辑框型表格(CTable) 以及绘制型表格(CCanvasTable)。在本文中(第二章)我们将讨论页面(Tabs)控件。 让我们列举出这个控件的所有组件。 容纳一组控件的背景或者区域, 页面 图 1. 页面控件的组件。 作者： Anatoli Kazharski
T3 TRIX Log : TRIX 指标使用价格的对数和 T3 替代指数移动平均线进行平滑。 作者： Mladen Rakic
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