新文章 交易中的神经网络：一种复杂的轨迹预测方法（Traj-LLM） 已发布： 在本文中，我想向您介绍一种为解决自动驾驶领域问题而开发的有趣的轨迹预测方法。该方法的作者结合了各种架构解决方案的最佳元素。 预测金融市场未来价格走势在交易者的决策过程中起着关键作用。高质量的预测使交易者能够做出更明智的决策并最小化风险。然而，由于市场的混沌和随机性质，预测未来价格轨迹面临着诸多挑战。即使是最先进的预测模型，也常常无法充分考虑影响市场动态的所有因素，例如参与者行为的突然转变或意外的外部事件。 近年来，随着人工智能的发展，特别是在大型语言模型（ LLMs ）领域，为解决各种复杂任务开辟了新的途径。
分形自适应移动平均线(FrAMA) : FRAMA的优点是能跟随强趋势运动并能在价格合并时刻突然减缓。 作者： MetaQuotes Software Corp
新文章 威廉·江恩（William Gann）方法（第二部分）：创建江恩宫格指标 已发布： 我们将基于“江恩九宫格”创建一个指标，该指标通过时间和价格方格构建而成。我们将提供指标代码，并在平台上针对不同的时间区间，对该指标进行测试。 在本文中，我们将深入探索江恩的“九宫格”，并尝试将其概念带入数字时代，通过使用 MQL5 编程语言为 MetaTrader 5 平台创建一个指标。我们的目标是开发一个工具，使交易者能够在交易中可视化并应用“九宫格”的原理，将江恩的智慧与现代技术相结合。
新文章 交易中的神经网络：时空神经网络（STNN） 已发布： 在本文中，我们将谈及使用时空变换来有效预测即将到来的价格走势。为了提高 STNN 中的数值预测准确性，提出了一种连续注意力机制，令模型能够更好地参考数据的重要方面。 为了解决多元数据的复杂性，基于延迟嵌入定理开发了时空信息（ STI ）变换方程。 STI 方程将多元空间信息变换到目标变量的时态。这有效地提升了样本量，并缓解了短期数据招致的挑战。 基于 变换器 的模型，均已精熟处理数据序列，它运用 自注意力 机制来分析变量之间的关系，同时忽略它们的相对距离。这些注意力机制捕获全局信息，并专注于最相关的特征，从而减轻维度的诅咒。
新文章 编写"EA 交易"时，MQL5 标准交易类库的使用 已发布： 本文阐述的是，在编写"EA 交易"的过程中，如何使用 MQL5 标准库交易类的主要功能，实现更改仓位与平仓、挂单的下达与删除，以及交易进行之前的预付款验证。我们还会演示可以如何使用交易类来获取订单与交易详情。 作者： Samuel
新文章 创建 MQL5-Telegram 集成 EA 交易 (第二部分):从 MQL5 发送信号到 Telegram 已发布： 在本文中，我们创建了一个 MQL5-Telegram 集成 EA 交易，将移动平均线交叉信号发送到 Telegram。我们详细介绍了从移动平均线交叉生成交易信号的过程，在 MQL5 中实现必要的代码，并确保集成无缝工作。结果是系统可以直接向您的 Telegram 群聊提供实时交易提醒。 在 我们关于开发 MQL5 的 Telegram 集成 EA 交易平台系列文章的第一部分 中，我们介绍了链接 MQL5 和 Telegram
新文章 重构经典策略（第五部分）：基于USDZAR的多品种分析 已发布： 在本系列文章中，我们重新审视经典策略，看看是否可以使用人工智能来改进这些策略。在今天的文章中，我们将研究一种使用一篮子具有相关性的金融产品来进行多品种分析的流行策略，我们将重点关注货币对 USDZAR。 为了评估这种关系，我们使用在 MQL5 中编写的脚本从我们的 MetaTrader 5 终端导出了所有市场数据。我们使用两组可能的输入数据来训练各种模型： USDZAR 的 OHLC 常规报价。, 石油和黄金价格的组合。 从收集到的数据来看，石油与 USDZAR 货币对的相关性似乎比黄金更强。
freeman : 基于 iMA (移动平均, MA) 和 iRSI (相对强弱指数, RSI) 的策略 作者： Vladimir Karputov
新文章 梯度提升（CatBoost）在交易系统开发中的应用. 初级的方法 已发布： 在 Python 中训练 CatBoost 分类器，并将模型导出到mql5，以及解析模型参数和自定义策略测试程序。Python 语言和 MetaTrader 5 库用于准备数据和训练模型。 编译后的 EA 可以在标准的 MetaTrader 5 策略测试器中进行测试。选择一个合适的时间框架（必须与模型训练中使用的时间框架相匹配）和输入参数 look_back 和 MA_period，这也应该与 Python 程序中的参数相匹配。让我们在训练期间检查模型（培训+验证子样本）： 模型的效果（训练+验证子样本）
新文章 重塑经典策略（第四部分）：标普500指数与美国国债 已发布： 在本系列文章中，我们使用现代算法分析经典交易策略，以确定是否可以利用人工智能改进这些策略。在今天的文章中，我们将重新审视一种利用标普500指数与美国国债之间关系的经典交易方法。 在我们的 上一篇文章
多时段彩色MACD柱形图 [v03] : 带有柱形图的MACD指标, 可以被应用于任何时段 (高于或低于当前图表的时段). 作者： Armand Kilian
新文章 交易中的神经网络：基于双注意力的趋势预测模型 已发布： 我们继续讨论时间序列的分段线性表示的运用，这在前一篇文章中已经开始。今天，我们要看看如何将该方法与其它时间序列分析方法相结合，从而提高价格趋势预测品质。 大量研究致力于金融时间序列的预测和分析。传统的统计方法往往假设时间序列是由线性过程生成的，这限制了它们在非线性预测中的有效性。机器学习和深度学习方法有能力捕获非线性关系，由此在金融时间序列建模方面已展现出极大成功。许多研究都专注于提取特定时间点的特征，并将其用于建模和预测。然而，这种方式往往忽视了数据交互，和短期波动连续性。 为了解决这些局限性，研究
新文章 实现 Deus EA：使用 MQL5 中的 RSI 和移动平均线进行自动交易 已发布： 本文概述了基于 RSI 和移动平均线指标实现 Deus EA 以指导自动交易的步骤。 我们将研究 Deus EA 的功能，这是一种使用 MQL5 构建的自动交易技术。我们的讨论将集中在 Deus EA 如何结合移动平均线和相对强弱指数（RSI）来做出交易选择。通过分析这些指标，EA 确定了市场中的最佳入场和退出点，以最大限度地提高交易盈利能力，同时最大限度地降低风险。 Deus EA 是为 MetaTrader 5
新文章 交易中的混沌理论（第二部分）：深入探索 已发布： 我们继续深入探讨金融市场的混沌理论，这一次我将考虑其对货币和其他资产分析的适用性。 分形维数是一个在混沌理论和包括金融市场在内的复杂系统分析中起着重要作用的概念。它提供了一种对对象或过程的复杂性和自相似性的定量衡量，使其在评估市场波动的随机程度方面特别有用。 在金融市场背景下，分形维数可用于衡量价格图的“锯齿性”。较高的分形维数表示价格结构更复杂、更混乱，而较低的分形维数可能表示更平稳、更可预测的走势。
新文章 掌握 MQL5：从入门到精通（第三部分）复杂数据类型和包含文件 已发布： 这是描述 MQL5 编程主要方面的系列文章中的第三篇。本文涵盖了上一篇文章中未讨论的复杂数据类型。这些包括结构、联合、类和“函数”数据类型。它还解释了如何使用 #include 预处理器指令为程序添加模块化。 在 本文 中，我将描述程序员如何创建复杂的数据类型： 结构 , 联合, 类（初学者水平） , 允许将变量名用作函数的类型。这允许将函数作为参数传递给其他函数。 本文还介绍了如何使用 #include
Highly_Adaptable_MA_Alerts : 高度可适应的移动平均提醒指标 作者： Scriptor
新文章 将 MQL5 与数据处理包集成（第 1 部分）：高级数据分析和统计处理 已发布： 集成实现了无缝的工作流程，来自 MQL5 的原始金融数据可以导入到 Jupyter Lab 等数据处理包中，用于包括统计测试在内的高级分析。 此后，您现在需要下载实际数据。为此，您必须导航至 > 查看 ，然后转到 > 交易品种 ，您将进入 规范 选项卡，只需导航至 > 柱 或 报价 取决于要下载什么类型的数据。继续并输入您要下载的历史数据的开始和结束日期，然后单击请求按钮下载数据并将其保存为 .csv 格式。 完成所有这些步骤后，您就可以成功从 MetaTrader
新文章 无政府社会优化（ASO）算法 已发布： 本文中，我们将了解无政府社会优化（Anarchic Society Optimization，ASO）算法，并探讨一个基于无政府社会（一个摆脱中央权力和各种等级制度的异常社会交互系统）中参与者非理性与冒险行为的算法是如何能够探索解空间并避免陷入局部最优陷阱的。本文提出了一种适用于连续问题和离散问题的统一ASO结构。 我一直对社会关系的话题以及在社会联系概念中构建算法的可能性深感兴趣，因为这是社会发展中最有趣的现象之一，并且为系统化描述关系体系的结构以及实施相应的优化算法提供了广阔的领域。 在之前的文章中，我们已经探讨过社会行为的算法，包括
新文章 交易中的神经网络：时间序列的分段线性表示 已发布： 这篇文章与我以前发表的有些不同。在本文中，我们将谈谈时间序列的另类表示。时间序列的分段线性表示是一种利用涵盖小间隔的线性函数逼近时间序列的方法。 时间序列异常检测是时间序列数据挖掘的一个主要子领域。其目的是识别整个数据集中的意外行为。由于异常通常是因不同机制引发的，故没有特定的准则来检测它们。在实践中，表现出预期行为的数据更倾向于吸引更多关注，而异常数据往往被当作噪声，且通常被忽略或剔除。不过，异常可能包含有用的信息，因此检测此类异常可能很重要。准确的异常检测有助于减轻各个领域中不必要的不利影响，譬如环境、工业、金融、等等。
新文章 使用MQL5中的动态时间规整进行模式识别 已发布： 在本文中，我们探讨了动态时间规整（Dynamic Time Warping，DTW）作为识别金融时间序列中预测模式的一种方法。我们将深入了解其工作原理，并在纯MQL5语言中展示其实现方法。
新文章 通过差异化和熵值分析来探索市场"记忆" 已发布： 分数型差分的应用范围足够广泛。 例如，差分序列通常作为机器学习算法的输入。 问题是，必须在机器学习模型可识别的前提下，显示相应历史阶段的新数据。 在本文中，我们将研究时间序列差分的原始方法。 本文还包含基于所接收差分序列的交易系统自我优化示例。 智能交易系统利用指定的超参数运行，没有遗传优化，即几乎是随机，在 15 分钟的时间帧内以开盘价格在 EURUSD 货币对上运行。 图例 5. 已测试智能交易系统的设置 图例 6. 按照指定设置进行测试的结果 图例 7. 依据训练样本的虚拟测试器结果
RSI-Crossover_Alert : 最简单的信号指标--它有告警功能并提供了发送信号到邮箱和智能手机的可能性。 作者： Nikolay Kositsin
新文章 重构经典策略：原油 已发布： 在本文中，我们重新审视一种经典的原油交易策略，旨在通过利用监督机器学习算法来对其进行优化。我们将构建一个最小二乘模型，该模型基于布伦特原油（Brent）和西德克萨斯中质原油（WTI）之间的价差来预测未来布伦特原油价格。我们的目标是找到一个能够预测布伦特原油未来价格变化的领先指标。 全球原油贸易主要以两种基准油为主导：北美基准油西德克萨斯中质原油（WTI）和世界大部分地区原油报价所参照的布伦特原油（Brent）。
新文章 解构客户端交易策略的示例 已发布： 本文使用框图来检查位于终端的 Experts\Free Robots 文件夹中的基于烛形的训练 EA 的逻辑。 一段时间以来，客户端的 EA 目录中出现了一个新的 Free Robots 文件夹： 该文件夹包含 28 个 EA - 交易策略的示例，可供您独立学习和应用策略中规定的原则进行自己的开发。Free Robots 文件夹中介绍的交易策略是根据指标信号支持的蜡烛图形态进行交易的 EA。 为了确认蜡烛图形态信号，需要使用四个振荡器指标之一的值： CCI 、 MFI 、 RSI 和 随机振荡指标 。因此，我们展示了 7
新文章 MQL5集成：Python 已发布： Python是一种广为人知且流行的语言，具有许多功能，尤其是在金融、数据科学、人工智能和机器学习领域。Python也是一种强大的工具，可以在交易中发挥作用。MQL5允许我们将这种强大的语言作为集成工具，以高效地实现我们的目标。在本文中，我们将在了解一些Python的基本信息后，分享如何在MQL5中使用Python作为集成工具。 作者： Mohamed Abdelmaaboud
新文章 从基础到中级：变量 (III)： 已发布： 今天，我们将学习如何使用预定义的 MQL5 语言变量和常量。此外，我们将分析另一种特殊类型的变量：函数。知道如何正确使用这些变量可能意味着一个有效的应用程序和一个无效的应用程序之间的区别。为了理解这里介绍的内容，有必要理解前几篇文章中讨论的材料。 在上一篇文章 “从基础到中级：变量（II）” 中
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