文章，程序库评论 - 页 3

多功能测试仪 : 在 Tester 中进行多次运行/优化。 Author: fxsaber

新文章 神经网络在交易中的应用：一种端到端多变量时间序列预测模型（GinAR） 已发布： 我们诚邀您探索一种使用 GinAR 框架预测缺失数据时间序列的创新方法。本文展示了使用 OpenCL 实现关键组件的过程，确保了高性能。在我们的下一篇文章中，我们将详细介绍如何将这些解决方案集成到 MQL5 中。这将有助于理解如何在交易实践中应用该方法。 GinAR 框架的架构遵循经典的 编码器（Encoder） → 解码器（Decoder） 方案。 编码器 采用 GinAR 层堆叠实现，而 解码器 则基于多层感知器 ( MLP )。该系统的一个关键组成部分是 GinAR 单元 —

新文章 交易中的神经网络：解耦结构化分量——编码器实现 已发布： 本文将继续探索 SCNN 框架实现的下一阶段。该框架兼具灵活性与可解释性，能够精准识别时间序列中的各类结构化分量。本文将详细讲解自适应归一化与注意力机制的原理，这两项机制保障模型在市场环境发生变化时依然具备稳健性。 在 上一篇文章 的实操章节中，我们开发了 CNeuronPeriodNorm 对象，用于从时间序列中提取按周期窗口归一化处理的分量。该组件是在 MQL5 环境中落地 SCNN 框架的第一步，将用于提取长期分量与短期分量。 OpenCL

新文章 交易中的神经网络：结构化分量解耦（SCNN） 已发布： 我们诚邀您探索创新的SCNN框架。该框架可将数据清晰拆分为长期分量、季节分量、短期分量与残差分量，把时间序列分析提升至全新层次。该方法使模型能够适配复杂且不断变化的市场动态，从而显著提升预测精度。 为克服上述难题，论文 《Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting》 （解耦结构化分量：面向自适应、可解释且可扩展的时间序列预测）中提出了一种全新架构 ——

新文章 运用人工智能实现的 Thomas DeMark 次序 (TD SEQUENTIAL) 已发布： 在本文中, 我将告诉您如何把一个非常著名的策略与神经网络合并以便成功交易。这就是运用人工智能系统实现的 Thomas DeMark 次序策略。仅应用了策略的第一部分, 使用设置和交汇信号。 请注意: 人工智能绝对可以嵌入任何交易策略, 甚至传统的均线交叉。在任何一种情况下, 决策时刻在任何策略中都是最重要的 。关键点是分析每根柱线是一个乌托邦。所以, 有必要确定分析市场状况的柱线时刻。这恰恰是交易策略的意图所在。再者, 只要能收到信号, 分析方法也许是绝对任意的

Heiken Ashi ATR Blend : Heiken Ashi ATR 混合指标结合了平滑后的 Heiken Ashi 蜡烛图、基于 ATR 的波动率过滤以及快/慢 EMA 趋势确认，用于识别潜在的趋势反转信号。 Author: Tshidiso Ephraim Mpakanyane

Pending Panel MT5 — One-Click Pending Orders with OCO : A chart panel for MT5 that places Buy Limit, Sell Limit, Buy Stop and Sell Stop pending orders with one click. Volume, distance and optional SL/TP are set on the panel; OCO cancels the opposite order automatically. Includes bulk delete, a live

新文章 神经网络在交易中的应用：时间序列的概率预测（结论） 已发布： 我们诚邀您了解 K²VAE 框架以及如何将所提出的方法集成到交易系统中。您将了解到混合 Koopman-Kalman-VAE 方法如何助力构建自适应且可解释的模型。本文最后将展示使用所实现方案的实际应用结果。 如前所述，该模型分两个连续阶段进行训练。首先，我们使用 EURUSD 货币对在 H1 时间周期上的 15 年历史数据进行离线训练。该数据集涵盖了所有类型的市场状况：从长期横盘整理到急剧趋势，从平静期到波动性飙升。正因如此，该模型才能学习到市场行为的多样性。 Encoder

OHLC Reality Check - at what stop distance does your backtest start lying? : 在每个M1K线段上开立一个虚拟的套期交易，根据实际 tick 历史数据向前推进，并针对一系列止损距离，报告1分钟OHLC建模在多大程度上会导致交易方向判断错误。 Author: Petr Kostal

SessionReopenEA : 在芝加哥商品交易所（CME），黄金设有每日维护休市时段。在11年的样本中，每个日历年的这一时段结束后首小时，金价涨幅均超出随机波动的解释范围——而当天其余各小时的走势则基本持平。 每交易时段仅执行一笔交易，采用基于波动率调整的服务器端止损，不进行均价法或网格交易。 随后发现我的成本模型存在错误。 基于真实报价的回测显示，市场重新开盘时的真实往返成本约为60点，而非我之前研究得出的19点——M1K柱状图中的价差字段是按柱统计的汇总数据，实际成本被低估了大约三倍。使用修正后的成本重新运行11年数据： +3.34 个基点，t 7.40，胜率 59.3% ->

新文章 如何订阅交易信号 已发布： MetaTrader5交易平台中的“信号”服务，允许交易者连接任何信号发布者的信号。选择并订阅任意交易信号，将它们的操作复制到你的帐户中来。 作者： MetaQuotes

新文章 借助PythonAnywhere对接MetaTrader与谷歌表格：安全数据传输指南 已发布： 本文介绍一种将MetaTrader数据导出至谷歌表格的安全实现方案。谷歌表格是十分理想的选择，它基于云端，存储在其中的数据可随时随地访问。交易者可以读取导出到谷歌表格的交易数据，随时随地展开分析，指导后续交易。 对MetaTrader交易者来说，获取并分析交易数据至关重要，有助于规避交易失误并做出更优的后续决策。平台自带数据导出工具与函数，但都无法直接把数据传输到云端服务。把图表、历史记录与日志数据自动上传至云端，能够极大辅助交易者的决策流程。

新文章 神经网络在交易中的应用：时间序列的概率预测（编码器） 已发布： 我们诚邀您探索一种将经典方法和现代神经网络相结合的新方法，用于时间序列分析。本文详细解释了 K²VAE 模型的架构和运行原理。 K²VAE 的主要优势不在于生成预测，而在于形成系统未来状态的概率分布。与传统模型局限于单一最可能情景不同，这种方法能产生一系列可能的结果。此外，这一可能结果区间的宽度取决于模型对当前状态的置信程度。这使得该框架在需要考虑风险和不确定性的领域中特别有用 — 例如，在金融预测、物流或技术系统管理中。 为了理解这种灵活性和适应性是如何实现的，让我们来看一下该模型的整体架构。 K²VAE

新文章 从新手到专家：使用 Reporting EA 打造详尽的交易报告 已发布： 本文深入探讨如何丰富交易报告的细节，并以 PDF 格式通过电子邮件发送最终报告。本文是前序文章内容的延伸，我们将继续探索如何利用 MQL5 与 Python，生成并定时输出格式专业、使用便捷的交易报告。跟随本文，你将了解如何在 MQL5 生态中优化交易报告的生成流程。 本文聚焦于处理 MetaTrader 5 中交易报告交付相关的挑战。在 上一篇文章 中，我们梳理了整套系统有效运行的完整工作流程与需求。我们介绍了报表 EA（Reporting EA）这款工具，它可以按用户自定义周期生成并发送 PDF

新文章 简化MQL5中的数据库操作（第一部分）：数据库与SQL简介 已发布： 本文会讲解如何运用MQL5的原生函数操作数据库。我们的内容涵盖建表、数据插入、更新、删除以及数据导入导出，全部配有示例代码。本文可以帮助读者扎实理解数据访问的内部工作机制，同时为后续ORM相关内容做好铺垫 —— 我们将在MQL5中构建一个迷你ORM。

Harmonic Pattern Finder V3 : 用于显示已经存在和正在出现的 harmonic 图表形态的指标。 作者： Andre Enger

新文章 价格行为分析工具包开发（第十八部分）：四分位理论（3）——四分位看板 已发布： 本文中，我们在原有四分位脚本的基础上新增 "四分位看板"（Quarters Board） 工具，该工具让您无需返回代码即可直接在图表上切换四分位水平。您可以轻松启用或禁用特定水平，EA还会提供趋势方向注释，帮助您更好地理解市场走势。 如前文所述，该工具支持通过图表按钮动态控制显示价位，无需修改布尔参数。四分位看板作为智能交易系统（EA），配备四个功能按钮：大四分位线、小四分位线、上冲/下探和趋势方向。点击任意按钮可切换对应价位：按钮文字激活时显示绿色，关闭时显示红色。 趋势方向按钮

新文章 MQL5交易策略自动化（第二十八部分）：构建带可视化反馈的价格行为蝙蝠谐波形态 已发布： 在本文中，我们将在MQL5中开发一套蝙蝠形态交易系统，该系统借助枢轴点与斐波那契比率识别看涨、看跌蝙蝠谐波形态，并在精准的入场、止损与止盈价位触发交易；并结合图表对象实现直观的可视化展示。 蝙蝠形态 是一种谐波交易结构，由五个关键拐点构成：X、A、B、C、D，分为看涨形态与看跌形态两类，借助精确的斐波那契测算，用于识别市场潜在反转行情。看涨蝙蝠形态的走势序列为：低点 — 高点 — 低点 — 高点 —

Smart Order Book : 智能订单薄（Smart Order Book） 智能订单薄 是一款基于 TradingView Pine Script 移植到 MetaTrader 5 的综合技术分析指标。它整合了机构级交易的核心概念，帮助交易者识别市场中的关键流动性区域、订单块、价格缺口和趋势结构。 🎯 核心功能 1. 订单块（Order Blocks） 自动识别机构买卖订单区域 支持多时间框架同步 Breaker Block（布林带）转换检测 订单块合并与成交量分布 2. 流动性水平（Liquidity） 买方/卖方流动性识别 Pivot High/Low 检测

三角套利 : 该智能交易系统 (EA) 在欧元兑美元、美元兑日元和欧元兑日元这三种货币对之间实施三角套利策略。 Author: Джованни Орсани

新文章 MQL5自优化智能交易系统（第十三部分）：基于矩阵分解浅谈控制理论 已发布： 金融市场不可预测，那些在历史回测中表现盈利的交易策略，投入实盘后往往会失效。究其原因：大多数策略部署后逻辑固定，无法自适应市场，也不能从失误中学习。我们借鉴控制理论思想，利用反馈控制器监测策略与市场的交互情况，并调整策略行为，使其趋向盈利。测试结果表明：在简单移动平均策略中加入反馈控制器后，利润提升、风险降低、交易效率提高，证明该方案在交易领域具备巨大潜力。 金融市场往往难以提前规划和预判。投资者情绪十分脆弱，会随全球形势与当下热点事件快速转变。因此，在历史数据中看起来盈利的策略，放到实时市场中常常会失效。

Session Manipulation and Algorithmic Reaction Tracker : 封闭式ICT/SMC交易时段——针对三个交易代码的流动性扫描器，包含已确认的MSS、FVG重新测试、风险/回报预测以及可选的宏观背景分析。 Author: Wennide Mogore

新文章 市场模拟：MQL5 中的 SQL 入门（五） 已发布： 在上一篇文章中，我展示了如何添加查询机制。这是必要的，以便在 MQL5 代码中能够充分利用 SQL，并使用 SQL SELECT 查询来检索结果。但还有一个函数需要实现，即 DatabaseReadBind 函数。由于要正确理解这个函数需要稍作详细解释，因此决定不在上一篇文章中介绍，而是在今天的文章中详述。鉴于这个主题内容较多，让我们直接进入下一节。 在上一篇文章 “ 市场模拟：MQL5 中的 SQL 入门（四） ” 中，我们介绍了一个在 MetaTrader 5 中使用 SQLite

新文章 基于协整股票的统计套利（第三部分）：数据库搭建 已发布： 本文提供一个 MQL5 Service（服务）的实现示例，用于保持新建数据库及时更新；该数据库作为数据分析以及一篮子协整股票交易的数据来源。文中详细阐述数据库的设计思路，并整理数据字典以供查阅。配套提供MQL5与Python脚本，用于数据库创建、表结构初始化以及行情数据写入。

新文章 基于交易量的神经网络分析：未来趋势的关键 已发布： 本文探讨了通过将技术分析原理与 LSTM 神经网络架构相结合，基于交易量分析来改进价格预测准确性的可能性。文章特别关注异常交易量的检测与解读、聚类方法的使用，以及基于交易量的特征创建及其在机器学习背景下的定义。 我们的第一张图，是带有模型生成信号的、最常见的Sber（俄罗斯联邦储蓄银行）价格图表。我们还会通过高亮显示那些存在异常交易量的K线来补充这些信号。这有助于我们理解系统将市场读得像一本打开的书一样透彻的那些时刻。

CGoldSymbol - find the broker's gold and size the position correctly on it : 无论经纪商如何称呼该黄金符号，本程序都能识别；从交易终端读取合约规格，而非自行推测；并将账户货币计价的风险转换为该经纪商对应的正确手数。 Author: Petr Kostal

Trade Excursion Report: MFE and MAE of every closed trade, to CSV : 针对每笔已平仓交易导出一行CSV数据，其中包含对账单上未显示的数值：该交易曾达到的最高未实现盈利（MFE）、曾承受过的最大未实现亏损（MAE）、实际保留的MFE金额、交易跨过的K线数量以及持仓时长。 该指标的计算方式与“交易波动”指标相同，但将结果写入文件而非绘制在图表上，因为针对这些数据值得探讨的问题，是图表无法解答的：获利率是否取决于入场时间？

新文章 神经网络在交易中的应用：概率时间序列预测（K²VAE） 已发布： 我们诚邀您探索 K²VAE 框架的原始实现 — 这是一个灵活的模型，能够线性近似潜在空间中的复杂动态。本文将演示如何在 MQL5 中实现关键组件，包括参数化矩阵，以及如何在标准神经网络层之外对这些矩阵进行管理。对于任何寻求构建可解释时间序列模型实用方法的人来说，本文材料都将大有裨益。 传统模型在短期预测方面表现非常出色。但若将目光放得更远一些，误差便会开始累积，波动性 放大 不准确性，计算成本也急剧上升。在金融市场中尤其如此，任何事件 — 无论是公司的盈利报告还是地缘政治意外 — 都会引入非线性因素，并改变游戏规则。

新文章 梦境优化算法（DOA） 已发布： 这是一种基于种群的优化算法，其灵感源自一种尚存争议、研究较少的现象 —— 人类梦境的机制。该算法拥有一个具备不同“记忆”的智能体种群，用余弦波调制移动步长，并采用独特的99/1时间分配比例。让我们看一下这些特性会如何影响交易策略的优化效率。 2025年3月，Y. Lang与Y. Gao向学术界提出了一种新型元启发式优化算法 —— 梦境优化算法（DOA），相关论文 发表 于 《Computer Methods in Applied Mechanics and Engineering》

新文章 重构经典策略（第十五部分）：日线突破交易策略 已发布： 早在计算机出现之前，人工交易者就已投身金融市场，并总结出指导交易决策的经验法则。在本文中，我们重新研究一套知名的突破策略，来检验这种从实战中总结的市场逻辑，能否与系统化交易方法抗衡。研究结果表明：原始策略虽然胜率很高，但存在稳定性差、风险管控不足的问题。通过策略优化，我们展示如何将主观交易经验改造为更加稳健的算法交易策略。