新文章 MQL5交易策略自动化（第十二部分）：实现缓解型订单块（MOB）策略 已发布： 在本文中，我们将构建一个MQL5交易系统，可针对“聪明资金”（Smart Money）交易自动检测订单块。我们将阐述该策略的规则，在MQL5中实现其逻辑，并融入风险管理以实现有效的交易执行。最后，我们将对该系统进行回测，以评估其表现，并对其进行优化以获得最优结果。 为了实现 缓解型订单块策略
Easy Canvas : 本开发库以及 iCanvas 类简单使用了 Canvas 来开发程序。 作者： Nikolai Semko
新文章 博弈论方法在交易算法中的应用 已发布： 我们正在基于深度Q网络（DQN）机器学习技术，结合多维因果推理，开发一款自适应、自学习的交易 EA。该 EA 将能够同时成功交易 7 个货币对。不同货币对的智能体之间会相互交换信息。 在决策速度至关重要且市场充满高度不确定性的情况下，需要采用不同的方法来创建交易系统。AdaptiveQ Enhanced 是一款基于深度强化学习（DQN）方法、博弈论和因果分析开发的交易 EA。 EA 通过模拟 531,441 种独特状态来分析市场，同时考虑了七大主要货币对之间的相互关系。该算法的关键要素是纳什均衡，用于在交易品种相互影响的条件下选择最优策略。
新文章 神经网络在交易中的应用：多元时间序列的双重聚类（终篇） 已发布： 我们继续实现 DUET 框架作者提出的方法，该框架提供了一种创新的时间序列分析方法，结合时间和通道聚类来揭示分析数据中的隐藏模式。 对于模型训练，我们使用 2024 年全年 EURUSD 货币对 M1 时间周期的历史数据集。在数据采集过程中，指标参数保持默认值。 模型训练分两个阶段进行。首先，批量大小设置为 1，以便在每次迭代时从训练数据集中随机选择一个状态。这有助于模型适应不同的条件。然而，这并不足以确保风险管理模块的正常运作。因此，在第二阶段，批处理大小增加到 60，从而可以考虑 60 个环境状态序列和相应的
新文章 你应该了解的 MQL5 向导技巧（第67部分）：使用 TRIX 和威廉百分比范围的形态 已发布： 三重指数平滑摆动指标（TRIX）与威廉百分比指标，是另一组可在 MQL5 智能交易系统（EA）中搭配使用的技术指标。和我们此前介绍的指标组合一样，这组指标同样具备互补性：TRIX 用于判断趋势，威廉百分比指标则确认支撑位与阻力位。按照惯例，我们借助 MQL5 向导，测试这两个指标组合的实战可行性。 我们继续本系列内容，探究各类技术指标组合形成的交易信号形态。上一期，我们介绍了分形自适应移动平均线搭配强力指数摆动指标的应用。本篇将讲解三重指数平滑摆动指标（TRIX） 与另一款摆动指标 ——
新文章 确定性振荡搜索（DOS） 已发布： 确定性振荡搜索（DOS）算法是一种创新的全局优化方法，它结合了梯度算法与群体算法的优点，且不使用任何随机数。适应度振荡与斜率机制使得DOS能够以确定性方式探索复杂的搜索空间。 本文介绍确定性振荡搜索（DOS）—— 这是一种新型元启发式算法，它结合了传统基于梯度方法的优势与群体算法的高效性，同时完全不使用随机数。
新文章 基于马尔可夫状态转移矩阵的神经网络自学习型EA 已发布： 基于状态矩阵与神经网络的自训练智能交易系统（EA）我们将马尔可夫链与基于ALGLIB MQL5库开发的多层感知器（MLP）神经网络相结合。马尔可夫链与神经网络如何结合应用于外汇预测？ 想象一下，这不仅仅是一个执行内置算法的程序，更是一个持续进化、自适应、且能理解市场波动复杂规律的“数字有机体”。本文将详细介绍这样一套系统 —— 新一代交易EA。 这一突破性成果的核心，融合了三大知识领域的精华：马尔可夫过程的概率数学、神经网络的直觉式模式识别能力，以及对冲策略的实战逻辑。当这三者结合，便诞生了超越单一技术叠加的全新系统 ——
新文章 MQL5 交易工具包（第 8 部分）：如何在代码库中实现和使用历史管理 EX5 库 已发布： 在本系列的最后一篇文章中，我们将探讨如何轻松地将历史管理 EX5 库导入到 MQL5 源代码中，以处理 MetaTrader 5 账户中的交易历史记录。通过 MQL5 中简单的单行函数调用，可以高效管理和分析交易数据。此外，您还将学习如何创建不同的交易历史分析脚本，并开发基于价格的 EA 交易，作为实际用例示例。该示例 EA 利用价格数据和历史管理 EX5 库做出明智的交易决策、调整交易量，并根据先前已平仓的交易实施恢复策略。 在之前的文章中，我向大家介绍了如何开发一个强大而全面的历史管理
新文章 您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态 已发布： 分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。
新文章 神经网络在交易中的应用：多元时间序列的双重聚类（DUET） 已发布： DUET 框架提供了一种创新的时间序列分析方法，该方法结合了时间和通道聚类，以揭示分析数据中的隐藏模式。这使得模型能够随着时间的推移而适应变化，并通过消除噪声来提高预测质量。 现有的数据处理方法可以分为三类。第一种方法是独立分析每个通道，但这忽略了变量之间的关系。第二种方法将所有通道结合起来；但是，这可能会引入冗余信息并降低准确性。第三种方法是变量聚类，但它限制了模型的灵活性。 为了解决这些问题，论文 " DUET:Dual Clustering Enhanced Multivariate Time Series
新文章 首次启动MetaTrader VPS：分步说明 已发布： 使用EA交易或订阅信号的每个交易者几乎都会认识到，需要为自己的交易平台租用一个可靠的24/7全天候主机服务器。出于多种原因，我们建议使用MetaTrader VPS。您可以通过MQL5.community账户方便地支付服务费用和管理订阅。 作者： MetaQuotes
Swing High Low and Fibonacci Retracement Indicator : 该指标结合了波段高/低点和斐波那契回调，可识别潜在的买入区域。 Author: Minh Hieu Hoang
新文章 MQL5.community 的新的文章发布系统 已发布： 我们在 MQL5.community 为您提供了一个新的文章发布系统。在新系统中，我们通过将文章写作的整个过程细分为几个步骤，尝试令其清晰明了且舒适自在。在每一步，我们将给出有益的意见和建议 - 一些文章写作经验的精华。我们希望本文能够解答您的大部分问题。欢迎来稿；新鲜有趣的素材会使您在 MQL5.community 的访客中大受欢迎。 作者： MetaQuotes Software Corp
新文章 数据科学与机器学习（第四十一部分）：基于YOLOv8的外汇与股票市场图表形态检测 已发布： 金融市场的形态检测极具挑战性，因为它需要“看懂图表画面”，而MQL5受限于图像处理能力，很难实现这一点。本文将介绍一个基于Python构建的合适的模型，它能让我们轻松高效地检测图表上的各类形态。 在机器学习与人工智能（AI）领域，金融市场形态检测是一项极具挑战性的任务。尽管对人类而言这看似轻而易举，但要让机器自动检测并解读这些形态，却需要大量工作。这是因为交易中常用的是表格型二维数据，而形态检测需要处理二维图像数据（如.png、.jpg等格式）。
新文章 MQL5 编程基础：时间 已发布： 本文着重于讲述处理时间的标准 MQL5 函数，以及创建 EA 交易和指标时所需的处理时间的编程技巧和实用函数。更格外注意时间测量的一般性理论。本文面对的主要是 MQL5 编程新手。 作者： Dmitry Fedoseev
Heiken Ashi 平滑 : Heiken Ashi 平滑指标使用平滑/过滤/平均价格，替代了 "原始" 价格进行计算。 作者： Mladen Rakic
新文章 神经网络在交易中的应用：将混沌理论融入时间序列预测（终篇） 已发布： 我们继续将 Attraos 框架的作者提出的方法整合到交易模型中。让我提醒您，这个框架利用混沌理论的概念来解决时间序列预测问题，将其解释为多维混沌动态系统的投影。 测试使用了 2025 年 1 月至 2 月的数据。选择这一时期是为了确保对之前未见的数据进行严格评估。所有其他实验参数均保持不变，以确保实验的可重复性和公平比较。这种方法消除了随机因素，能够客观评估算法性能。 测试结果如下所示。 在测试期间，该模型执行了 287 笔交易，其中近 39%
新文章 价格走势：数学模型与技术分析 已发布： 预测货币对走势是交易成功的重要因素。本文剖析各类价格运行模型，对比其优劣特性，并探究模型在交易策略中的实际落地方式。文中将介绍能够挖掘潜在行情规律、提升预测精准度的分析方法。 我们考察一个规则如下的交易策略： 新 K 线开盘时，平掉原有持仓，同时新开仓位； 开仓方向随机判定。 读者或许会疑惑这套策略并无新意。本文的创新点在于，笔者认可 有效市场假说理论 。认同该理论即意味着认为价格走势无法预判。行情变化毫无既定轨迹，市场中存在某种完整信息，价格变化正是依据这些信息发生的。交易者并不掌握这类信息，只能希望自己的决策恰好与市场方向一致。
新文章 您应该了解的MQL5向导技巧（第六十五部分）：使用FrAMA与强力指数的交易形态 已发布： 分形自适应移动平均线（FrAMA）与强力指数震荡指标则是另一种可在MQL5智能交易系统（EA）中搭配使用的指标。这两个指标具备良好的互补性：FrAMA属于趋势跟踪指标，而强力指数是基于成交量的震荡指标。与之前一样，我们将借助MQL5向导快速挖掘这组指标的潜在交易价值。 FrAMA依据分形几何自适应调整平滑周期，使其能在过滤噪音的同时，对价格变化保持高度灵敏。而强力指数则通过价格变动 ×
新文章 MQL5自动化交易策略（第十四部分）：基于MACD-RSI统计方法的交易分层策略 已发布： 本文将介绍一种结合MACD和RSI指标与统计方法的交易分层策略，通过MQL5实现动态自动化交易。我们将探讨这种级联式策略的架构设计，通过关键代码段详解其实现方式，并指导读者如何进行回测以优化策略表现。最后，我们将总结该策略的潜力，并为自动化交易的进一步优化奠定基础。
MQL5 向导 - 基于 牛市/ 熊市 吞噬形态的交易信号 + RSI : 基于 "牛市吞噬 / 熊市吞噬" K 线形态的交易信号，由 Relative Strength Index (RSI - 相对强度指数) 指标确认。基于此交易策略的交易程序代码可使用 MQL5 向导自动生成。 作者： MetaQuotes Software Corp
新文章 神经网络在交易中的应用：将混沌理论融入时间序列预测（Attraos） 已发布： Attraos 框架将混沌理论整合至长期时间序列预测领域，并将其视作多维混沌动力系统的投影。该模型利用吸引子不变性，通过相空间重构和动态多分辨率记忆来保留历史结构。
新文章 卡尔曼滤波器在外汇均值回归策略中的应用 已发布： 卡尔曼滤波器是一种递归算法，在算法交易中用于通过滤除价格走势中的噪声来估计金融时间序列的真实状态。它能够根据新的市场数据动态更新预测，这使得它在均值回归等自适应策略中极具价值。本文首先介绍卡尔曼滤波器，涵盖其计算方法和实现方式。接下来，我们以外汇领域一个经典的均值回归策略为例，应用该滤波器。最后，我们通过将卡尔曼滤波器与移动平均线（MA）在外汇不同货币对上进行比较，开展各种统计分析。 卡尔曼滤波器由鲁道夫·E·卡尔曼（Rudolf E
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 使用MQL5实现布林带交易策略：逐步指南 已发布： 使用MQL5实现基于布林带交易策略的自动化交易算法的逐步指南。这是一个基于创建EA的详细教程，对交易者非常有帮助。 通过遵循这个逐步教程，交易者可以构建一个使用布林带来执行买卖订单的专家顾问（Expert Advisor，EA），基于特定的市场条件。本教程将涵盖重要的主题，包括配置布林带指标、控制交易头寸，以及处理订单执行和错误管理。无论您是开发经验丰富的专业人士，还是对算法交易不太熟悉的新手，本教程都将为交易者提供一个坚实的基础，以设计和改进他们的交易方法。 本教程将涵盖以下主题： 布林带策略的定义, 布林带策略描述
新文章 数据科学与机器学习（第四十部分）：斐波那契回调位在机器学习中的应用 已发布： 斐波那契回调位是技术分析中常用的工具，可以帮助交易者识别潜在的价格反转区域。本文将探讨如何将这些斐波那契回调位转化为机器学习模型的目标变量，从而借助这一强大的工具让模型更好地理解市场规律。 斐波那契数列可追溯至中世纪数学家比萨的列奥纳多，他更为人熟知的名字是斐波那契。 在他1202年出版的著作 《算盘全书》 （"Liber Abaci"）中，斐波那契引入了这一数列，也就是如今广为人知的斐波那契数列。该数列以0和1为起始，此后每一项均为前两项之和。
VR Rsi Robot - 多时间框架交易策略 : 仅有两个时间框架 — H1 和 D1 — 同步工作，以过滤掉市场噪音，只捕捉RSI从超买和超卖区域发出的强力反转信号。没有随机入场，只有来自“老大哥”的明确方向确认。 作者： Vladimir Pastushak
新文章 基于马尔可夫链的矩阵预测模型 已发布： 我们将创建一个基于马尔可夫链的矩阵预测模型。什么是马尔可夫链？我们如何将马尔可夫链应用于外汇交易？ 安德烈・马尔可夫（Andrey Markov）是20世纪初杰出的数学家。他在概率论研究中提出的概念，一个世纪后成为现代金融数学的基石之一。在随机过程理论中，他研究了这样一类事件序列：未来仅取决于系统当前状态，与更早的历史无关。这一核心特性 —— 除当前状态外，不再“记忆”更早的历史 —— 被称为“马尔可夫性”，并成为一整类模型的基础。
新文章 神经网络在交易中的应用：混合图序列模型（终篇） 已发布： 我们继续探索混合图序列模型（GSM++），该模型融合了不同架构的优点，既提供了高分析精度，又实现了计算资源的有效分配。这些模型能够有效识别隐藏的模式，降低市场噪声的影响，并提高预测质量。 为了公平比较，这两个模型都使用之前用于 Hidformer 训练的同一数据集进行训练。请记住： 训练集包含 2024 年全年 EURUSD M1 历史数据。 所有分析的指标参数均保持默认值，未进行额外优化，消除了外部因素的影响。 使用 2025 年 1 月的历史数据对训练好的模型进行了测试，同时保持所有其他参数不变，以确保对比的客观性。
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