CandlesAutoFibo : 该指标根据指标参数中指定的时间帧，在烛条高点和低点构建斐波纳契级别 作者： Nikolay Kositsin
新文章 大气云模型优化（ACMO）：理论 已发布： 本文致力于介绍一种元启发式算法——大气云模型优化（ACMO）算法，该算法通过模拟云层的行为来解决优化问题。该算法利用云层的生成、移动和传播的原理，适应解空间中的“天气条件”。本文揭示了该算法如何通过气象模拟在复杂的可能性空间中找到最优解，并详细描述了ACMO运行的各个阶段，包括“天空”准备、云层的生成、云层的移动以及水的集中。
新文章 使用PSAR、Heiken Ashi和深度学习进行交易 已发布： 本项目探索深度学习与技术分析的融合，用于在外汇市场测试交易策略。使用Python脚本进行快速实验，结合ONNX模型和传统指标（如PSAR、SMA和RSI）来预测欧元/美元（EUR/USD ）的走势。之后，MQL5脚本将此策略引入实时环境，利用历史数据和技术分析帮助交易者做出明智的交易决策。回测结果表明，该策略秉持保守且稳健的运作理念，始终将风险管控置于首位，追求持续稳定的收益增长模式，摒弃激进逐利的行为。
新文章 您应当知道的 MQL5 向导技术（第 33 部分）：高斯（Gaussian）进程核心 已发布： 高斯（Gaussian）进程核心是正态分布的协方差函数，能够在预测中扮演角色。我们在 MQL5 的自定义信号类中探索这种独特的算法，看看它是否可当作主要入场和离场信号。 高斯过程核心是高斯过程中使用的 协方差函数 ，用于衡量数据点之间的关系，例如在时间序列之中。这些核心生成捕获数据内部关系的矩阵，从而允许高斯过程假设数据遵循正态分布来进行投影或预测。由于本系列旨在探索新思路，同时也研究如何践行这些想法，因此高斯过程（GP）核心正在成为我们构建自定义信号的主题。
新文章 从基础到中级：WHILE 和 DO WHILE 语句 已发布： 在本文中，我们将对第一个循环语句进行实用且非常直观的介绍。尽管许多初学者在面对创建循环的任务时感到害怕，但知道如何正确安全地完成它只能通过经验和练习来实现。但谁知道呢，也许我可以通过向你展示在代码中使用循环时的主要问题和预防措施来减少你的麻烦和痛苦。
新文章 您应当知道的 MQL5 向导技术（第 32 部分）：正则化 已发布： 正则化是一种在贯穿神经网络各层应用离散权重，按比例惩罚损失函数的形式。我们来考察其重要性，对于一些不同的正则化形式，能够在配合向导组装的智能系统运行测试。 正则化 是机器学习算法的另一面，它为神经网络的性能带入了一些敏感性。在网络过程中，常有以牺牲其它参数为代价，只为某些参数过度分配权重的倾向。当依据样本之外数据执行测试时，这种对特定参数（网络权重）的“倾向”可能会阻碍网络的性能。这就是开发正则化的原因。
新文章 开发回放系统（第 62 部分）：玩转服务（三） 已发布： 在本文中，我们将开始解决在使用真实数据时可能影响应用程序性能的分时报价过量问题。这种过量通常会干扰在相应窗口构建一分钟柱形所需的正确时间。 在上一篇文章， 开发重播系统（第 61 部分）：玩转服务（二） 中 ，我解释了我们目前在系统中使用模拟模式时面临的一个问题。这个问题不一定源于我们正在开发的应用程序中的灾难性故障。相反，这是由于系统的整体响应速度。响应时间不足，应用程序无法正确处理所有传入数据。因此，我们必须做出一些调整。即使我们的服务与理想场景不完全一致，我们也认识到在实践中很少存在这样的理想场景。
新文章 构建蜡烛图趋势约束模型（第8部分）：EA开发（II） 已发布： 构思一个独立的EA。之前，我们讨论了一个基于指标的EA，它还与一个独立脚本配合，用于绘制风险与收益图形。今天，我们将讨论一个整合了所有功能的MQL5 EA的架构。 构思一个独立的EA。之前，我们讨论了一个基于指标的EA，它还与一个独立脚本配合，用于绘制风险与收益图形。今天，我们将讨论一个整合了所有功能的MQL5 EA的架构。
新文章 交易中的神经网络：状态空间模型 已发布： 到目前为止，我们审阅的大量模型都是基于变换器架构。不过，在处理长序列时，它们或许效率低下。在本文中，我们将领略一种替代方向，即基于状态空间模型的时间序列预测。 最段时间，大型模型适配新任务的范式变得越来越普遍。这些模型依据广泛的数据集进行预训练，其中包含来自各种领域的任意原生数据，包括文本、图像、音频、时间序列、以及更多。 尽管这个概念与任何特定的架构选择无关，但大多数模型都基于单一架构 — 变换器 及其核心层 自注意力 。 自注意力
SetSellStopOrder : 该脚本开发用来在当前价位放置 SellStop 挂单，固定触发位，止损和止盈点数。 作者： Nikolay Kositsin
Pan PrizMA 第 72 号杠杆 : 用 4 度的多项式构造一条移动线。外推正弦及其轴线。所构建的线在每一小节上删除一个值，并构建一条外推值的滑动线，该滑动线不会重新绘制。 Author: Aleksey Panfilov
新文章 如何在MQL5的EA中实现自优化 已发布： MQL5中EA自优化的分步指南。我们将涵盖稳健的优化逻辑、参数选择的最佳实践，以及如何通过回测重构策略。此外，还将讨论诸如分步优化等高级方法，以增强您的交易方法。 准备好进入自优化外汇交易算法的奇妙世界。它可以让您的EA根据交易完成后市场条件的变化，为下一轮交易进行自我调整。 将您的EA视为一个通过移动平均线观察趋势的精明交易者。虽然它确实有效，但是如果它是一个能够随着时间学习调整策略的市场感知型黑箱，那会怎样？这就是自优化的过程。
市场剖面(MarketProfile) : 市场剖面(Market Profile)是许多期货交易者在统计时间内价格分布的分析工具, 以寻找日内交易期间的价格范围和控制值. 本指标基于简单的价格移动, 并不使用标准 MetaTrader 5 平台指标. 作者： Nikolay Kositsin
新文章 将 MQL5 与数据处理包集成 (第 2 部分):机器学习和预测分析 已发布： 在我们关于将 MQL5 与数据处理包集成的系列文章中，我们深入研究了机器学习和预测分析的强大组合。我们将探索如何将 MQL5 与流行的机器学习库无缝连接，以便为金融市场提供复杂的预测模型。 在本文中，我们特别关注机器学习 (ML) 和预测分析。数据处理包为量化交易员和金融分析师开辟了新的领域。通过在 MQL5 中嵌入机器学习功能，交易者可以将他们的交易策略从传统的基于规则的系统提升到复杂的、数据驱动的模型，从而不断适应不断变化的市场条件。 该过程涉及将 Python
新文章 因果网络分析（CNA）、随机模型最优控制（SMOC）和纳什博弈论结合深度学习的示例 已发布： 我们将向之前发布的文章中的三个例子里加入深度学习，并与之前的版本进行比较。目标是学习如何将深度学习（DL）应用于其他EA。 本研究探讨了将深度学习（DL）模型整合至三种先进EA的实践：因果网络分析（CNA）、随机优化与最优控制（SMOC）以及纳什博弈论策略。实施过程包括使用Python创建ONNX模型，并将其整合至现有MQL5脚本。 作者： Javier Santiago Gaston De Iriarte Cabrera
新文章 您应当知道的 MQL5 向导技术（第 31 部分）：选择损失函数 已发布： 损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。 MQL5 向导可当作广泛思路的试验温床，正如我们在本系列中到目前为止所涵盖的那样。每次相隔一段时间，就会展示一个自定义信号，其具有多种实现方式。我们在 2 篇关于学习率、以及最后一篇关于批量归一化的文章中视察过该场景。正如所论，机器学习中的每一个层面都呈现出不止一个潜在的自定义信号。 损失 ，同样由于拥有多种格式，也处于类似状况。
带信息面板和支持的 RiskManager : 我在网站上的第一个代码，需要改进。 我的想法是为交易者创建一个理想的工具，在任何交易系统的主要组成部分--风险管理器--的工作中。 Author: Anatoliy Migachyov
新文章 MQL5 编程基础: 终端中的全局变量 已发布： 终端中的全局变量为开发复杂而可靠的EA交易提供了一种方便的工具，如果您掌握了全局变量，您就会发现在使用MQL5开发EA交易的时候它们是必不可少的。 执行脚本并在终端中打开全局变量窗口，窗口中应该包含一个新的叫做"test"的变量，并且它的数值为 1.23 (图 4)。 图 4. 带有新的 "test" 变量的全局变量窗口片段 实例的代码可以在 sGVTestCreate 脚本中找到。 作者： Dmitry Fedoseev
新文章 从基础到中级：IF ELSE 已发布： 在本文中，我们将讨论如何使用 IF 操作符及其伴随者 ELSE。这个语句是所有编程语言中最为重要且最有意义的语句。然而，尽管它易于使用，但如果我们没有使用它的经验以及与之相关的概念，它有时会令人困惑。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。 此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。 在上一篇文章， 从基础到中级：按值或按引用传递
新文章 在Python和MQL5中应用局部特征选择 已发布： 本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。 在金融市场分析中，指标的有效性往往随着底层条件的变化而变化。例如，波动率的变动可能会使先前可靠的指标在市场环境变化时显示无效。这种变化性解释了交易者使用的指标种类繁多的原因，因为没有任何单一指标能够在所有市场条件下始终表现良好。从机器学习的角度来看，这需要一种灵活的特征选择技术来适应这种动态行为。
新文章 量化风险管理方法：应用 VaR 模型优化多货币投资组合（使用 Python 和 MetaTrader 5） 已发布： 本文探讨了价值风险（VaR）模型在多货币投资组合优化中的潜力。借助 Python 的强大功能和 MetaTrader 5 的功能，我们展示了如何实施 VaR 分析，以实现高效的资金分配和头寸管理。从理论基础到实际实施，文章涵盖了将 VaR——这一最稳健的风险计算系统之一——应用于算法交易的方方面面。 今天，我想分享我在 MetaTrader 5 交易系统中实施 VaR 的研究成果。 我的旅程始于深入研究 VaR 理论——这是后续所有工作的基础。 将枯燥的 VaR
ScalpWiz 9001 : 这个EA交易是基于 iBands (布林带, BB) 指标的，它设置止损挂单。 作者： Vladimir Karputov
新文章 射箭算法（Archery Algorithm, AA） 已发布： 本文详细探讨了受射箭启发的优化算法——射箭算法（Archery Algorithm, AA），重点介绍了如何使用轮盘赌法（roulette method）作为选择“箭矢”目标区域的机制。该方法允许评估解决方案的质量，并选择最有希望的位置进行进一步的探究。
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