新文章 神经网络：从理论到实践 已发布： 简介 现在，每一位交易者肯定听说过神经网络并知道使用它们有多酷。大多数人相信那些能够使用神经网络的人是某种超人。在本文中，我将尝试向您解释神经网络架构，描述其应用并提供几个实践例子。 神经网络的概念 人工神经网络是人工智能研究的领域之一，以尝试模拟人类的神经系统的学习和适应能力为基础，这会让我们能够建立一个对人类大脑工作的非常粗略的模拟。 说也奇怪，人工神经网络由人工神经元构成。 作者： Dmitriy Parfenovich
新文章 结合基本面和技术分析策略在MQL5中的实现（适合初学者） 已发布： 在本文中，我们将讨论如何将趋势跟踪和基本面原则无缝整合到一个EA中，以构建一个更加稳健的交易策略。本文将展示任何人都可以轻松上手，使用MQL5构建定制化交易算法的过程。 基本面分析基于对市场运作方式的理解。在我们的讨论中，我们将专注于货币对，并构建我们的交易算法以利用我们对外汇市场及其主要参与者的理解。 图1：AUDJPY货币对的基本面分析示例。 基本面交易者经常讨论支撑和阻力，尽管这些概念并没有明确的定义。我想从基本面的角度提供一种可能的解释。
新文章 种群优化算法：模拟退火（SA）。第 1 部分 已发布： 模拟退火算法是受到金属退火工艺启发的一种元启发式算法。在本文中，我们将对算法进行全面分析，并揭示围绕这种广为人知的优化方法的一些常见信仰和神话。本文的第二部分将研究自定义模拟各向同性退火（SIA）算法。 模拟退火算法由 Scott Kirkpatrick、George Gelatt 和 Mario Vecchi 于 1983 年开发。在研究高温下液体和固体的性质时，发现金属转变为液态，颗粒随机分布，而能量最小的状态是在初始温度足够高、冷却时间足够长的条件下实现的。如果不满足此条件，那么材料将发现自身处于具有非最小能量的亚稳态 —
新文章 开发回放系统（第 59 部分）：新的未来 已发布： 正确理解不同的想法可以让我们事半功倍。在本文中，我们将探讨为什么在服务与图表交互之前需要配置模板。此外，如果我们改进鼠标指标，这样我们就可以用它做更多的事情呢？ 在上一篇文章“ 开发回放系统（第 58 部分）：重返服务工作 “中，我提到系统已经发生了一些变化，有理由在将模板应用于日程表和服务更新日程表之间加入一个小延迟。如果不这样做，模块将强制服务提前关闭。你们中的一些人可能会想知道这是怎么发生的。在本文中，我们将更详细地探讨这个问题。 为了正确解释这一点并确保您完全理解这个概念，请观看下面的视频 01。 演示视频：事情怎么会失败
显示当前K线剩余时间: 这个指标的作用是显示当前K线剩余时间，以时分秒的方式显示数据，数据的位置可以跟随K线，也可以固定在图表任意位置（双击后任意移动它）。 作者： Ziheng Zhuang
新文章 人工蜂巢算法（ABHA）：理论及方法 已发布： 在本文中，我们将探讨2009年开发的人工蜂巢算法（ABHA）。该算法旨在解决连续优化问题。我们将研究ABHA如何从蜂群的行为中汲取灵感，其中每只蜜蜂都有独特的角色，帮助它们更有效地寻找资源。 这里考虑的新型人工蜂巢算法提供了对蜜蜂觅食行为更全面和深入的观察，展示了集体互动和角色分配如何促进寻找新食物来源的过程。它展示了个体之间的互动如何带来更高效的结果。该算法更仔细地观察了蜂群中的个体角色。
新文章 开发回放系统（第 58 部分）：重返服务工作 已发布： 在回放/模拟器服务的开发和改进暂停之后，我们正在恢复该工作。现在我们已经放弃使用终端全局变量等资源，我们将不得不完全重组其中的一些部分。别担心，我们会详细解释这个过程，这样每个人都可以关注我们服务的发展。 在上一篇文章 开发回放系统（第 57 部分）：测试服务详解 中，我详细解释了所需的源代码，以展示我们将在回放/模拟器系统中使用的模块之间可能的交互方式。 虽然这段代码让我们了解了实际需要实现什么，但它仍然缺少一个对我们的系统真正有用的重要细节 — 使用模板的能力。如果您不使用或不完全理解模板在编码和 MetaTrader 5
新文章 神经网络变得简单（第 94 部分）：优化输入序列 已发布： 在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。 当用在 变换器 架构模型中，长期依赖关系的有效性检测在高度取决于许多因素。这些包括序列长度、各种定位编码策略、和数据令牌化。 这些想法导致论文 《分段、乱序、和拼接：一种改进时间序列表示的简单机制》 的作者提出寻找历史序列最优用法的思路。是否更好的组织时间序列，以便手头任务能实现更有效的表示学习？ 在本文中，作者提出了一种简单、且即用型的机制，称为
新文章 使用MQL5和Python构建自优化EA（第二部分）：调整深度神经网络 已发布： 机器学习模型带有各种可调节的参数。在本系列文章中，我们将探讨如何使用SciPy库来定制您的AI模型，使其适应特定的市场。 Nelder-Mead算法是解决噪声、不可微分以及非线性多模态优化问题的常用选择。该算法由其发明者约翰·内尔德（John Nelder）和罗杰·米德（Roger Mead）命名，他们在1965年的论文《函数最小化的单纯形法》中首次介绍了这一算法。可以用于单变量和多变量优化问题。
Super_Signals_Channel_V3 : Super_Signals_Channel_V3 指标，通道以彩色填充，并带有中间线 作者： Nikolay Kositsin
新文章 开发回放系统（第 57 部分）：了解测试服务 已发布： 需要注意的一点是：虽然服务代码没有包含在本文中，只会在下一篇文章中提供，但我会解释一下，因为我们将使用相同的代码作为我们实际开发的跳板。因此，请保持专注和耐心。等待下一篇文章，因为每一天都变得更加有趣。 在上一篇文章 开发回放系统（第 56 部分）：调整模块 中，我们对控制指标模块以及最重要的鼠标指标模块做了一些修改。 由于这篇文章已经包含了很多信息，我决定不再添加任何新数据，因为亲爱的读者，这很可能只会让你感到困惑，而不是帮助澄清和解释事情的实际运作方式。
新文章 开发多币种 EA 交易（第 8 部分）：负载测试和处理新柱 已发布： 随着我们的进步，我们在一个 EA 中使用了越来越多的同时运行的交易策略实例。让我们试着弄清楚在遇到资源限制之前，我们可以得到多少实例。 在第一篇 文章 中，我们开发了一个具有两个交易策略实例的 EA。在 第二篇 文章中，我们已经使用了 9 个实例，而在最后一篇文章中，这个数字跃升到了 32 个。测试时间没有问题。显然，单次测试通过的时间越短越好。但是，如果整体优化只需要几个小时，那也比几天或几周要好。同样，如果我们在一个 EA
新文章 您应当知道的 MQL5 向导技术（第 22 部分）：条件化生成式对抗网络（cGAN） 已发布： 生成式对抗网络是一对神经网络，它们彼此相互训练，以便结果更精准。我们采用这些网络的条件化类型，作为我们正在寻找的可选项，应用于智能信号类之内预测金融时间序列。 条件化生成式对抗网络 （cGAN）是一种 GAN，允许在其生成式网络中自定义输入数据类型。阅读分享链接主题可见，GAN 是一对神经网络；一个生成器和一个判别器。两者都接受训练或彼此相互训练，生成器不断改进，不断生成目标输出，而判别器则依据来自生成器的鉴别数据（又名假数据）受训。
新文章 神经网络变得简单（第 93 部分）：频域和时域中的自适应预测（终篇） 已发布： 在本文中，我们继续实现 ATFNet 模型的方式，其在时间序列预测内可自适应地结合 2 个模块（频域和时域）的结果。 在 上一篇文章 中，我们领略了 ATFNet 算法，它是 2 个时间序列预测模型的融合。其中一个工作在时域，并根据信号幅度的分析，为所研究时间序列构造预测值。第二个模型则配以所分析时间序列的频率特征工作，并记录其全局依赖关系、周期性、和频谱。根据该方法作者的说法，两个独立预测的自适应合并，生成了令人印象深刻的结果。 频率 F
充盈指数 : 充盈指数指标尝试的是通过把价格变化与过去x天内变化的极值范围相除，取得实际百分比来确定市场的特点。 作者： Mladen Rakic
Fractured Fractals : 智能交易系统使用分形指标信号来放置挂单，并尾随设置持仓的止损位。 作者： Vladimir Karputov
新文章 将您自己的 LLM 集成到 EA 中（第 3 部分）：使用 CPU 训练自己的 LLM 已发布： 在人工智能飞速发展的今天，大语言模型（LLM）是人工智能的重要组成部分，所以我们应该思考如何将强大的 LLM 融入到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。 在本系列的前一篇文章中，我们讨论了运行大型语言模型的基本环境设置，并在 WSL 中使用 llama.cpp 运行了一个简单的 LLM 实例。最令人兴奋的是，即使没有强大的 GPU，您仍然可以纯粹用 CPU
新文章 基于转移熵的时间序列因果分析 已发布： 在本文中，我们讨论了如何将统计因果关系应用于识别预测变量。我们将探讨因果关系与传递熵（Transfer Entropy, TE）之间的联系，并展示用于检测两个变量之间信息方向性传递的MQL5代码。
新文章 使用MQL5与Python构建自我优化的智能交易系统 已发布： 在本文中，我们将讨论如何构建能够根据当前市场条件自主选择和更改交易策略的EA。我们将学习马尔可夫链（Markov Chains）以及它们如何帮助我们作为算法交易者。 马尔可夫研究了许多需要他模拟完全随机过程的问题，这与我们处理市场动态的不可预测性挑战类似。他正式描述了一个框架，即今天所知的“马尔可夫链”。让我们直观地理解它。 想象你管理一家在德国提供公交服务超过70年的公共交通公司。公司正在考虑增加更多公交车到车队，而你作为经理，必须决定哪些目的地应该增加更多公交车，哪些则不值得进一步投资。
新文章 神经网络变得简单（第 92 部分）：频域和时域中的自适应预测 已发布： FreDF 方法的作者通过实验证实了结合频域和时域进行预测的优势。不过，权重超参数的使用对于非稳态时间序列并非最优。在本文中，我们将领略结合频域和时域预测的自适应方法。 时域和频域是分析时间序列数据的两种基本表现形式。在时域中，分析侧重于振幅随时间的变化，从而允许识别信号中的局部依赖关系和瞬态。相反，频域分析旨在依据频率分量来表示时间序列，以供深入透视数据的全局依赖关系和频谱特征。结合这两个领域的优势是解决在实时序列中混合不同周期形态问题的一种颇有前景的方式。此处的问题是如何有效地结合时域和频域的优点。
新文章 开发交易机器人：Python与MQL5结合（第二部分）：模型选择、创建与训练，以及Python自定义测试器 已发布： 我们继续关于使用Python和MQL5开发交易机器人的系列文章。今天我们将解决模型选择、训练、测试、交叉验证、网格搜索以及模型集成的问题。 在 上篇文章
新文章 交易账户监控是一个不可或缺的交易者工具 已发布： 交易账户监控提供了关于所有已完成交易的详细报告。所有的交易统计数据都是自动收集的，并以易于理解的图形和图表形式提供给您。 作者： MetaQuotes Software Corp
新文章 自定义指标：为净额结算账户绘制部分入场、出场和反转交易 已发布： 在本文中，我们将探讨在MQL5中创建指标的一种非标准方法。我们的目标不是专注于趋势或图表形态，而是管理我们自己的仓位，包括部分入场和出场。我们将广泛使用动态矩阵以及一些与交易历史和未平仓头寸相关的交易函数，以在图表上显示这些交易发生的位置。 正如文章标题所暗示的，这个指标只适用于净额结算系统账户才有意义。在这种系统中，只允许持有一个相同交易品种的头寸。如果我们朝一个方向交易，头寸规模将增加。如果交易是朝相反方向进行的，那么未平仓头寸将有三种可能的情况： 新的交易量较小 -> 头寸减少, 交易量相等 -> 头寸关闭
新文章 重塑经典策略（第二部分）：布林带突破 已发布： 本文探讨了一种将线性判别分析（LDA）与布林带相结合的交易策略，利用对市场区域的分类预测来生成战略性入场信号。 “人工智能”（AI）这个词可能是历史上最具误导性的命名惯例之一。读完本文后，你可能会同意AI是一个误称。作为作者，我对“智能”这个词有疑问。人工智能模型并非以人类意义上的智能存在。相反，它们是优化算法的智能应用。
新文章 从基础到中级：变量（II） 已发布： 今天，我们将探讨如何使用静态变量。这个问题常常让许多程序员感到困惑，无论是初学者还是有一定经验的开发者，因为使用这一机制时需要遵循一些特定的建议。本文旨在为教学目的提供材料。在任何情况下，应用程序都应仅用于学习和掌握所介绍的概念。 在上一篇文章 《从基础到中级：变量（I）》 中，我们开始讨论变量及其相关方面。例如，我们探讨了如何将变量转换为常量。我们还讨论了变量的生命周期和可见性。 在这里，我们将继续这一主题，假设读者已经正确理解了之前的材料。当谈到变量的生命周期和可见性时，对于初学者来说可能会有些难以理解。原因在于，很多时候我们 不希望
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