新文章 价格行为分析工具包开发（第二部分）：分析注释脚本 已发布： 秉承我们简化价格行为分析的核心理念，我们很高兴推出又一款可显著提升市场分析能力、助力您做出精准决策的工具。该工具可展示关键技术指标（如前一日价格、重要支撑阻力位、成交量），并在图表上自动生成可视化标记。
新文章 在MQL5中构建自适应的自动化交易系统（EA） 已发布： 建立前瞻性的EA，并根据任何市场进行调整。 开发能够适应当前市场条件的交易机器人（EA），是稳定算法交易策略的关键。我们的目标不仅仅是开发仅针对少数交易标的的狭义机器人。而是旨在设计具有学习和适应任何交易标的能力的系统。本指南侧重于使用MQL5开发能够自优化以适应任何交易环境的机器人。
新文章 基于Python和MQL5的特征工程（第一部分）：为长期 AI 模型预测移动平均线 已发布： 移动平均线无疑是我们的 AI 模型进行预测的最佳指标。然而，我们可以通过严谨数据变换来进一步提高其准确性。本文将展示如何构建能够预测更远范围的AI模型，超越您目前所实现的水平，同时不会显著降低准确率。移动平均线的实用性确实令人惊叹。 上次我们讨论用 AI 预测移动平均线时，我提供了证据表明，移动平均线的值比未来价格水平更容易被我们的 AI 模型预测，相关文章链接在 这里 。不过为了让我们对所发现的结果更有信心，我在 200 多种不同的交易品种上训练了两个相同的 AI
新文章 神经网络变得简单（第 84 部分）：可逆归一化（RevIN） 已发布： 我们已经知晓，输入数据的预处理对于模型训练的稳定性扮演重要角色。为了在线处理 “原始” 输入数据，我们往往会用到批量归一化层。但有时我们需要一个逆过程。在本文中，我们将讨论解决该问题的可能方式之一。 当训练各种自动编码器模型时，我们就遇到了类似的问题。在这些情况下，我们找到了一种解决方案，即采用归一化后的原始数据作为目标。不过，在这种情况下，我们需要不同于输入数据的，描述环境后续状态的数据。论文 《可逆实例归一化抵消精确时间序列预测中的分布移位》 中提出了解决此问题的方法之一。
新文章 神经网络变得简单（第 67 部分）：按照过去的经验解决新任务 已发布： 在本文中，我们将继续讨论收集数据至训练集之中的方法。显然，学习过程需要与环境不断互动。不过，状况可能会有所不同。 强化学习建立在与环境互动过程时从环境中获得的最大奖励之上。显然，学习过程需要与环境不断互动。不过，状况有所不同。在解决某些任务时，我们与环境交互时可能会遇到各种限制。对于这种状况，一个可能的解决方案是使用离线强化学习算法。它们允许您依据与环境初步交互期间收集的有限轨迹存档（当它可用时）上训练模型。
新文章 在外汇数据分析中使用关联规则 已发布： 如何将超市零售分析中的预测规则应用于真实的外汇市场？购买饼干、牛奶和面包与证券交易所的交易有何关联？本文讨论了一种基于关联规则的算法交易的创新方法。 我长期从事数据工作，发现许多成功的理念都来自相关领域。今天，我想分享我在交易中使用关联规则的经验。这种方法在零售分析中已经证明了自己，使我们能够找到购买、交易、价格走势以及未来供需之间的联系。如果我们将这种方法应用于外汇市场，会怎样呢？
新文章 如何使用抛物线转向（Parabolic SAR）指标设置跟踪止损（Trailing Stop） 已发布： 在创建交易策略时，我们需要测试多种多样的保护性止损。这时，一个随着价格变动而动态调整止损位的想法浮现在我的脑海中。抛物线转向（Parabolic SAR）指标无疑是最佳选择。很难想到有比这更简单且视觉上更清晰的指标了。 追踪止损（Trailing
新文章 神经网络变得轻松（第二十五部分）：实践迁移学习 已发布： 在最晚的两篇文章中，我们开发了一个创建和编辑神经网络模型的工具。 现在是时候通过实践示例来评估迁移学习技术的潜在用途了。 测试结果如下图所示。 如您所见，预训练模型开始时误差较小。 但很快第二个模型就贴近了，且它们的数值非常接近。 这证实了之前的结论，即编码器架构对整个模型的性能有重大影响。 注意学习率。 预训练模型验算一个世代所需的时间减少了六倍。 当然，这只是纯粹的时间，不考虑自动编码器训练时间。 作者： Dmitriy Gizlyk
新文章 了解 MQL5 面向对象编程（OOP） 已发布： 作为开发人员，我们需要学习如何在创建和开发软件时，无需重复代码做到可重用、且灵活，尤其是当我们拥有不同行为的不同对象时。这可以利用面向对象的编程技术和原则来顺滑地达到。在本文中，我们将介绍 MQL5 面向对象编程的基础知识，以便了解如何在我们的软件中利用这一关键主题的原则和实践。 封装是能够在一个类中链接函数和数据的方法，类中的数据和函数可以是私密的，只能在类内访问，也可以是公开的，可以从类的外部访问。封装概念有助于隐藏类实现的复杂性，并令开发人员能够完全掌控其数据，有助于跟踪所有其它依赖的数值，且不会发生冲突。
新文章 数据科学与机器学习（第23部分）：为什么LightGBM和XGBoost能超越许多AI模型？ 已发布： 这些先进的梯度提升决策树技术提供了卓越的性能和灵活性，使其成为金融建模和算法交易的理想选择。了解如何利用这些工具来优化您的交易策略、提高预测准确性，并在金融市场中获得竞争优势。 梯度提升决策树（GBDT）是一种强大的机器学习技术，主要用于回归和分类任务。它们将多个弱学习器（通常是决策树）的预测结果结合起来，以创建一个强大的预测模型。 核心思想是顺序构建模型，每个新模型都试图纠正前一个模型所犯的错误。 这些提升树，如： 极限梯度提升（XGBoost）
新文章 交易中的神经网络：具有相对编码的变换器 已发布： 自我监督学习是分析大量无标签数据的有效方法。通过令模型适应金融市场的特定特征来提供效率，这有助于提升传统方法的有效性。本文讲述了一种替代的注意力机制，它参考输入之间的相对依赖关系。 自从头开始训练模型过渡到依据大量无标签数据进行预训练，然后针对特定任务进行微调，令我们能够达成高精度预测，且无需收集大量新数据。例如，基于 变换器
Murreys_Math_Oscillator : Murreys Math 振荡指标 作者： Scriptor
Telegram To MT5 Copier : TelegramToMT5 是一款 MetaTrader 5 智能交易系统，可在交易图表上直接显示来自 Telegram 频道、群组和私聊的消息，从而在 Telegram 和 MT5 之间架起一座桥梁。只需创建一个 Telegram 机器人，将其添加到所需的频道/群组，然后让 EA 在图表上以注释的形式实时显示所有消息。 作者： Salman Soltaniyan
新文章 从基础到中级：数组和字符串（二） 已发布： 在本文中，我将展示，尽管我们仍处于编程的一个非常基本的阶段，但我们已经可以实现一些有趣的应用程序。在这种情况下，我们将创建一个相当简单的密码生成器。通过这种方式，我们将能够应用到目前为止已经解释过的一些概念。此外，我们将研究如何为一些具体问题制定解决方案。 MQL5 编程最令人愉快的一个方面是，我们通常不需要担心从头开始创建某些东西。事实上，MQL5 标准库很少不能满足我们的需求。然而，在某些情况下，它可能并不完全符合我们的要求或想要做的事情。其中一种情况是创建自定义格式来显示某些类型的信息，无论是在终端中还是在我们打算使用的图形对象中。
新文章 原子轨道搜索（AOS）算法：改进与拓展 已发布： 在本文的第二部分，我们将继续开发一种改进版的原子轨道搜索（AOS）算法，重点聚焦于特定操作符的优化设计，以提升算法的效率和适应性。在分析了该算法的基本原理和运行机制之后，我们将探讨提升其性能以及分析复杂解空间能力的方法，并提出新的思路以扩展其作为优化工具的功能。 在本文的第二部分，我们将专注于改进AOS算法，因为面对这样一个先进的理念，我们不得不尝试对其进行改进。我们将分析改进该算法的概念，特别关注该方法所特有的特定算子，这些算子可以提高其效率和适应性。
新文章 创建 MQL5-Telegram 集成 EA 交易 (第 3 部分):将带有标题的图表截图从 MQL5 发送到 Telegram 已发布： 在本文中，我们创建一个 MQL5 EA 交易，将图表截图编码为图像数据并通过 HTTP 请求将其发送到 Telegram 聊天。通过集成图片编码和传输，我们直接在 Telegram 内通过可视化交易洞察增强了现有的 MQL5-Telegram 系统。 在上一篇文章，（即 我们系列的第二部分） 中，我们仔细研究了将 MetaQuotes Language 5 (MQL5) 与 Telegram 集成以生成和传递信号的过程。结果很明显；它允许我们向
Time To Close v1.01 - MT5 : 蜡烛关闭时间。动态文本颜色。针对回测进行了优化。 Author: Tautvydas Vaitkus
新文章 Connexus客户端（第七部分）：添加客户端层 已发布： 在本文中，我们将继续开发connexus库。在本章节中，我们将构建CHttpClient类，该类负责发送请求并接收指令。我们还将介绍模拟对象（mocks）的概念，让该库与WebRequest函数解耦，从而为用户提供更强大的灵活性。 在本系列的第七篇文章中，我们将添加整个库中最受期待的部分，将使用WebRequest函数发送请求。不过，我们不会直接对其进行访问，在此过程中会用到一些类和接口。让我们开始吧！ 先留意一下目前库的状态，当前的架构图如下：
Schaff Trend Cycle MT5 : Schaff Trend Cycle（MetaTrader 指标）--这是一种周期性震荡指标，通过使用周期计算 MACD 线上的随机指标。其结果是改进版的震荡指标，在趋势期间不会波澜起伏，并能对变化做出快速反应。它是由 Doug Schaff 开发的，他假定货币趋势在周期中加速和减速。其算法于 2008 年公开。Schaff Trend Cycle 尝试结合两种不同的趋势方向变化判断方法--MACD 和平滑随机振荡器。指标值在 0 和 100 之间波动。使用两个触发水平 - 25 和 75。可选择警报。您可以在 MT4、MT5 上下载该指标。
EAX_Mysql - MySQL library : 该库是连接 MySQL 的简单接口。 作者： Michael Schoen
新文章 开发回放系统（第 67 部分）：完善控制指标 已发布： 在本文中，我们将看看通过一点代码改进可以实现什么。这一改进旨在简化我们的代码，更多地使用 MQL5 库调用，最重要的是，使其在我们未来可能开发的其他项目中更加稳定、安全和易于使用。 在上一篇文章“ 开发回放系统（第 66 部分）：玩转服务（七） “中，我们实现了一种方法来确定图表上何时会出现新的柱形。尽管这种方法对于流动性良好的模型非常有效，但它绝不适合用于低流动性模型或经常被竞价中止的模型。这类问题将在不久的将来得到解决。
新文章 您应当知道的 MQL5 向导技术（第 42 部分）：ADX 振荡器 已发布： ADX 是一些交易者用来衡量主流趋势强度的另一个相对热门的技术指标。作为其它两个指标的组合，它体现为振荡器，在本文中我们借助 MQL5 向导汇编、及其支持类，来探索其形态。 ADX 指标 是一款振荡器，旨在衡量其所附着证券于市场上的趋势强度。本文与之前的一些文章一样，为了向导汇编智能系统，验证在自定义信号类文件中该指标展现的各种形态。正如我们之前涵盖 RSI、布林带、和 SAR 的文章中所做的那样，我们一次审查一种形态，然后以包含所有形态的测试结束，从而了解哪种形态的权重最高。
新文章 从Python到MQL5：量子启发式交易系统的探索之旅 已发布： 本文探讨了量子启发式交易系统的开发过程，该系统从Python原型过渡到MQL5实现，以应用于现实世界的交易中。该系统运用了量子计算原理（如叠加态和纠缠态）来分析市场状态，尽管这是在经典计算机上使用量子模拟器运行的。该系统的关键特性包括：采用三量子比特系统，可同时分析八种市场状态；设置24小时的回溯观察期；并运用七种技术指标进行市场分析。尽管准确率看似一般，但若结合恰当的风险管理策略，该系统仍能提供显著的优势。
新文章 在MQL5中创建交易管理员面板（第六部分）：多功能界面（一） 已发布： 交易管理员的角色不仅限于Telegram通信，他们还可以参与各种控制活动，包括订单管理、持仓跟踪和界面定制。在本文中，我们将分享有关扩展程序以支持MQL5中多种功能的实用见解。此次更新旨在克服当前管理员面板主要聚焦于通信这一局限，使其能够处理更广泛的任务。 基于我对MetaTrader 5的使用经验，单个图表一次只能支持一个EA、多个指标以及一个脚本。每个交易时段只能使用一个EA的这一限制，凸显了创建一个高度多功能面板的必要性，该面板能够在无需更换图表上的EA的情况下处理各种任务。以下是该面板可以执行的一些操作。
Coppock MT5 indicator : Coppock MetaTrader 指标 - 是著名的 Coppock 曲线指标的实现，该指标由 Edward Coppock 于 1962 年首创。该指标通过测量两个变化率（周期分别为 14 和 11）之和的加权移动平均值（周期为 10）来显示长期买入和卖出机会（通常只用于买入）。这是经典版本。在此 MetaTrader 版本中，您可以修改基本指标的参数。您可以在 MT4 和 MT5 中使用 Coppock 指标。 Author: Tuan Nguyen Van
新文章 从基础到中级：数组和字符串（一） 已发布： 在今天的文章中，我们将开始探索一些特殊的数据类型。首先，我们将定义什么是字符串，并解释如何使用一些基本过程。这将使我们能够处理这类数据，这可能很有趣，尽管有时对初学者来说有点困惑。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。 很有趣，不是吗？但我们在这里遇到了一个小问题。这正是我之前提到你需要注意字符串格式化所涉及的细节的原因。在这种情况下，问题在于颜色值。请注意，它以十六进制格式显示。然而，图 06
新文章 交易中的神经网络：受控分段（终章） 已发布： 我们继续上一篇文章中开启的工作，使用 MQL5 构建 RefMask3D 框架。该框架旨在全面研究点云中的多模态互动和特征分析，随后基于自然语言提供的描述进行目标对象识别。 模型训练是 离线 执行的。不过，为了保持训练数据集的相关性，我们会定期更新它，基于当前参与者政策添加新局次。重复模型训练和数据集更新，直至达成所需的性能。 在准备本文期间，我们开发了一个相当有趣的 参与者 政策。其据 2024 年 1 月历史数据的测试结果如下所示。 测试区期未包括在训练数据集当中。这种测试方法尽可能地模拟在真实世界里模型的用法。
新文章 遗传算法 - 很简单！ 已发布： 在本文中，笔者将讨论利用亲自开发的遗传算法进行的进化计算。笔者将通过示例说明算法的功能，并为算法的使用提供实用性的建议。 作者： Andrey Dik
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