新文章 MQL5 中的矩阵和向量：激活函数 已发布： 在此，我们将只讲述机器学习的一个方面 — 激活函数。 在人工神经网络中，神经元激活函数会根据一个或一组输入信号的数值，计算输出信号值。 我们将深入研究该过程的内部运作。 激活函数及其导数的图形基于从 -5 到 5 的单调递增序列来描图。 在价格图表上显示函数图的脚本也已开发完毕。 显示打开文件对话框，可通过按 “下一页（Page Down）”键来指定保存图像的文件名称。 ESC 键终止脚本。 脚本本身附在下面。 作者： MetaQuotes
新文章 密码锁算法（CLA） 已发布： 在本文中，我们将重新考虑密码锁，将它们从安全机制转变为解决复杂优化问题的工具。让我们探索密码锁的世界，不再将其视为简单的安全装置，而是作为优化问题新方法的灵感来源。我们将创建一整群“锁”，其中每把锁都代表问题的一个独特解决方案。然后，我们将开发一种算法来“破解”这些锁，并从机器学习到交易系统开发等多个领域中找到最优解。 密码锁，也被称为数字锁或组合锁，是用来控制房间、保险箱、橱柜或其他物品访问权限的安全机制。它们与普通锁的不同之处在于，不是使用钥匙来开启，而是需要输入特定的数字组合。
新文章 如何选择智能系统：拒绝一款交易机器人的 20 条强大准则 已发布： 本文尝试回答这个问题：我们如何选择正确的智能系统？ 哪些最适合我们的投资组合，我们如何过滤市场上提供的庞大交易机器人列表？ 本文将介绍二十条明确而强大的准则来拒绝一款智能系统。 每条提出的准则都将得到很好的解释，从而帮助您做出更持久的决定，并为您建立一个更有前途的智能系统集合，从而赚取利润。 专业的算法交易组合包括至少 10 到 20 个资本账户，在至少 10 到 50 个资本市场上运行 10 到 20 个智能系统。 这并不是一条准则，但这是我可以看到的实操。 本文尝试回答这个问题：我们如何选择正确的智能系统？
新文章 构建K线图趋势约束模型（第三部分）：在使用该系统时检测趋势变化 已发布： 本文探讨了经济新闻发布、投资者行为以及各种因素如何影响市场趋势的反转。文章包含一段视频解释，并接着将MQL5代码融入我们的程序中，以检测趋势反转、向我们发出警报，并根据市场条件采取相应行动。本文是在此前一系列文章基础上的扩展。
含有提醒功能的 Kijun-Sen : 可以自定义颜色的 Kijun-sen 线形，可以在趋势改变时作出提醒。 作者： Automated-Trading
新文章 开发多币种 EA 交易（第 7 部分）：根据前向时间段选择组 已发布： 在此之前，我们曾对一组交易策略实例的选择进行过评估，目的是改进它们的联合运行结果，但这只是在对单个实例进行优化的同一时间段进行的。让我们拭目以待在前向时间段会发生什么。 标准 MetaTrader 5 测试器可执行单次测试和优化，同时考虑到所谓前向时间段的存在。使用时，测试器将把整个指定测试期分成两部分 - 主要时间段和前向时间段。主要时间段结束时，所有交易关闭，交易账户余额恢复到初始状态。然后，EA 将在前向时间段再次运行，测试器收集的所有统计数据将分别计算主要时间段和前向时间段。 在机器学习领域，术语
新文章 数据科学与机器学习（第 01 部分）：线性回归 已发布： 我们作为交易员，现在是时候基于数字所言来培训我们的系统，并自行制定决策了。 尽管我们的眼睛看不到，但我们的勇气让我们相信，这是世界前进的方向，所以，让我们顶着波浪的方向移动。 简单线性回归有一个因变量和一个自变量。 在此，我们尝试理解两个变量之间的关系，例如，股票价格如何随简单移动平均线的变化而变化。 复杂数据 假设我们根据股票价格（现实生活中发生的事情）得到随机散状指标值 在这种情况下，我们的指标/自变量可能无法很好地预测我们的股价/因变量。 作者： Omega J Msigwa
新文章 带有预测性的三角套利 已发布： 本文简化了三角套利的过程，向您展示如何利用预测和专业软件更明智地进行货币交易，即使您是新手也能轻松入门。准备好凭借专业知识进行交易了吗？
新文章 神经网络变得简单（第 79 部分）：在状态上下文中的特征聚合查询（FAQ） 已发布： 在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。 我们之前讨论的大多数方法所分析的环境状态都是静态的，这与马尔可夫（Markov）过程的定义完全对应。当然，我们用历史数据填充了环境状态的描述，以便为模型提供尽可能多的必要信息。但该模型未估测状态变化的动态。这也参考了上一篇文章中讲述的方法： DFFT 是为检测静态图像中的对象而开发的。
新文章 矩阵分解：更实用的建模 已发布： 您可能没有注意到，矩阵建模有点奇怪，因为只指定了列，而不是行和列。在阅读执行矩阵分解的代码时，这看起来非常奇怪。如果您希望看到列出的行和列，那么在尝试分解时可能会感到困惑。此外，这种矩阵建模方法并不是最好的。这是因为当我们以这种方式对矩阵建模时，会遇到一些限制，迫使我们使用其他方法或函数，而如果以更合适的方式建模，这些方法或函数是不必要的。 您可能没有注意到，矩阵建模有点奇怪，因为只指定了列，而不是行和列。在阅读执行矩阵分解的代码时，这看起来非常奇怪。如果您希望看到列出的行和列，那么在尝试分解时可能会感到困惑。
来自"MQL5算法交易的神经网络"教程的示例 : "MQL5算法交易的神经网络"教程是一本全面的操作指南，涵盖了人工智能和神经网络的理论基础，以及使用MQL5编程语言在金融交易应用的实践方面。 作者： MetaQuotes
一个关于KDJ指标及KDJ自动交易系统的代码:
1.本指标针对KDJ在短期窄幅波动下指标钝化的问题，调整了参数的周期， 为30，3,6，并加入了两个新的指标线，RSV：收盘价波动幅度， KDC：K-D的差指标，以此来确定价格的变动趋势并判断头寸的进出点 2.本交易系统和指标主要是以EURUSB为测试对象，特别适于欧元/美元 交易，日线为最佳周期，测试结果见图
Author: yyy999
黄金交易自动跟随，批量下单，批量修改止损 : 提供止损和止盈，仓位的配置，个人主要是用于30分钟图，跟着趋势批量下单 作者： cnhhhh
点差指标(Spread Indicator) : 点差指标 - 在图表窗口中显示当前点差 作者： Mirza Baig
新文章 彗星尾算法（CTA） 已发布： 在这篇文章中，我们将探讨彗星尾优化算法（CTA），该算法从独特的太空物体——彗星及其接近太阳时形成的壮观尾部中汲取灵感。该算法基于彗星及其尾部运动的概念设计而成，旨在寻找优化问题中的最优解。 彗星是太阳系中的小天体，当它们接近太阳时会蒸发并释放气体。这个过程被称为升华。彗星通常具有高度椭圆的轨道，以及宽泛的轨道周期，从几年到可能数百万年不等。
新文章 开发回放系统（第 45 部分）：Chart Trade 项目（四） 已发布： 本文的主要目的是介绍和解释 C_ChartFloatingRAD 类。我们有一个 Chart Trade 指标，它的工作方式非常有趣。您可能已经注意到了，图表上的对象数量仍然很少，但我们却获得了预期的功能。指标中的数值是可以编辑的。问题是，这怎么可能呢？这篇文章将使答案变得更加清晰。 在上一篇文章 开发回放系统（第 44 部分）：Chart Trade 项目 (三) 中，我展示了如何为 Chart Trade 窗口添加一些交互性，使其表现得就像窗口中存在对象一样。尽管图表上唯一真正出现的对象是
新文章 神经网络变得简单（第 77 部分）：交叉协方差变换器（XCiT） 已发布： 在我们的模型中，我们经常使用各种关注度算法。而且，可能我们最常使用变换器。它们的主要缺点是资源需求。在本文中，我们将研究一种新算法，它可以帮助降低计算成本，而不会降低品质。 变换器在分析解决各种序列问题方面展现出巨大的潜力。 自关注 操作是变换器的基础，它为序列中所有令牌之间提供全局互动。这令评估整个分析序列中的相互依赖关系成为可能。然而，在计算时间和内存占用方面带来了复杂度二次方暴增，令该算法难以应用于长序列。 为了解决这个问题，论文 《XCiT：交叉协方差图像变换器》 的作者推荐了一种“转置”版本的 自关注
一个免安装的自动止损保护系统，可运行在MT5或MT4上 : 这是MT5上驱动部分，负责把实时行情，持仓情况输出成csv文件，由python脚本再进行数据分析，并发送指令生成新的订单。 作者： feizhou wang
新文章 开发多币种 EA 交易（第 6 部分）：自动选择实例组 已发布： 在优化交易策略后，我们会收到一组参数。我们可以使用它们在一个 EA 中创建多个交易策略实例。以前，我们都是手动操作。在此，我们将尝试自动完成这一过程。 在上一篇 文章 中，我们实现了选择策略选项的功能 - 固定仓位大小和可变仓位大小。这样，我们就可以根据最大回撤率对策略的工作结果进行归一化处理，并将最大回撤率在规定范围内的策略合并为一组。为了演示，我们从单个策略实例的优化结果中手动选择了几个最有吸引力的输入参数组合，并尝试将它们组合成一组，甚至是三组三策略的组合。我们在后一种情况下取得了最好的结果。
新文章 构建一个用于实现带约束条件的自定义最大值的通用优化公式（GOF） 已发布： 在这篇文章中，我们将介绍一种在MetaTrader 5终端的设置选项卡中选择“自定义最大值”时，实现具有多个目标和约束的优化问题的方法。举例来说，优化问题可以是：最大化利润因子、净利润和恢复因子，同时满足以下条件：回撤小于10%，连续亏损次数少于5次，每周交易次数多于5次。
新文章 走势延续模型 - 搜索图表和执行统计 已发布： 本文提供了一种走势延续模型的程序化定义。 主要思路是定义两个波浪 — 主浪和修正浪。 对于极值点，我应用分形以及“潜在”分形 - 尚未形成分形的极值点。 文章中所述的走势延续模型由两个波浪组成：主浪和修正浪。 图例 1 是该模型的示意性描述。 AB 是主浪，BC 是校正浪，而 CD 是走势主趋势的延续。 图例 1. 走势延续模型 在图表上，这看起来如下: 图例 2. AUDJPY H4 上的走势延续模型 在本文中，我们分析了以编程方式确定走势延续模型的方法之一。 该方法的关键思路是在不采用任何指标的情况下搜索修正走势高/低极值。
KeyFinder : 这款脚本搜索 DeMark 的轴点, 并在图表上显示它们, 同时指示它们的尺度。 作者： Pavel Trofimov
新文章 了解使用MQL5下单 已发布： 在创建任何交易系统时，我们都需要有效地处理一项任务。这项任务是下单，或者让创建的交易系统自动处理订单，因为它在任何交易系统中都至关重要。因此，您将在本文中找到您需要了解的关于这项任务的大多数主题，以有效地创建您的交易系统。 订单： 是交易服务器收到的以特定价格打开特定手数或交易量的买卖交易的请求。订单有两种类型，市场订单和挂单。 市场订单： 可以立即以当前市场价格执行的订单。, 挂单： 在预定条件下执行交易的订单，该条件涉及在其水平上执行交易的价格和执行交易的时间。 这些挂单可以是以下其中一种： 止损买入（Buy stop）：
新文章 Python中的虚假回归（伪回归） 已发布： 虚假回归通常发生在两个时间序列之间仅因偶然因素而展现出高度相关性时，这会导致回归分析产生误导性的结果。在这种情况下，尽管变量之间可能看似存在关联，但这种关联仅仅是巧合，模型可能并不可靠。 在深入机器学习算法交易领域之前，确认模型输入与我们想要预测的变量之间是否存在有意义的关系至关重要。本文阐述了在单位根测试中对模型残差的应用，以验证我们的数据集中是否存在这种关系的实用性。 遗憾的是，使用没有真正关系的数据集构建模型是有可能的。这些模型可能会产生令人印象深刻的低误差指标，从而营造出一种虚假的控制感和过于乐观的前景。
新文章 基于预测的统计套利 已发布： 我们将探讨统计套利，使用Python搜索具有相关性和协整性的交易品种，为皮尔逊（Pearson）系数制作一个指标，并编制一个用于交易统计套利的EA，该系统将使用Python和ONNX模型进行预测。 统计套利是一种复杂的金融策略，它通过数学模型，利用相关金融工具之间的价格低效性交易获利。该策略通常应用于股票、债券或衍生品，要求深刻理解相关性、协整性以及皮尔逊系数，这些是识别和利用市场机会的关键工具。 在金融领域， 相关性
新文章 用于时间序列挖掘的数据标签（第 6 部分）：使用 ONNX 在 EA 中应用和测试 已发布： 本系列文章介绍了几种时间序列标注方法，可以创建符合大多数人工智能模型的数据，根据需要进行有针对性的数据标注可以使训练好的人工智能模型更符合预期的设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！ 在上一篇文章中，我们讨论了如何使用套接字（websocket）在 EA 和 python 服务器之间进行通信，以解决回测问题，还讨论了我们采用这种技术的原因。在本文中，我们将讨论如何使用 mql5 原生支持的 onnx 对我们的模型进行推理，但这种方法有一些局限性。如果您的模型使用了 onnx
新文章 一种采用纯MQL5语言实现的基于能量学习的特征选择算法 已发布： 本文介绍了一种在学术论文《FREL：一种稳定的特征选择算法》中描述的特征选择算法的实现，该算法被称为基于正则化能量的特征加权学习。 在算法交易的领域中，机器学习的广泛应用，促使数据挖掘技术被用来发掘金融数据中的隐藏模式。在这一背景下，从业人员经常面临挑战，即如何从众多变量中筛选出最有可能对实现特定目标或解决特定问题有用的变量。本文探讨了特征选择算法的实现，该算法旨在评估一组候选变量在给定预测任务中的相关性。 Yun Li, Jennie Si, Guojing Zhou, Shasha Huang, and
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