新文章 神经网络变得轻松（第七部分）：自适应优化方法 已发布： 在之前的文章中，我们利用随机梯度下降法针对网络中的所有神经元按照相同的学习率训练神经网络。 在本文中，我提议着眼于自适应学习方法，该方法能够改变每个神经元的学习率。 我们还将研究这种方法的利弊。 经由 Adam 方法进行的优化测试，其所依据条件与早期 测试 中使用的相同：品种 EURUSD，时间帧 H1，20 根连续烛条的数据馈入网络，并根据最近两年的历史进行训练。 已为测试创建了 Fractal_OCL_Adam 智能交易系统。 该智能交易系统的创建，则是基于 Fractal_OCL EA，在主程序的 OnInit
新文章 市场及其全局模式中的物理学 已发布： 在本文中，我将尝试测试这样一个假设，即任何对市场了解甚微的系统都可以在全局范围内运行。我不会发明任何理论或模式，但我只会使用已知的事实，逐步将这些事实转化为数学分析的语言。 这就是我们需要 MetaTrader 5 测试器的地方。MetaTrader 5 允许使用真实的报价点测试策略。不幸的是，所有货币对和工具都只在一个相对较近的时期内有真实报价点。我将在过去几年中使用真实的报价点和非常严格的点差要求来测 试 MetaTrader 5 的系统版本，看看该系统在2020年是否能正常工作。但首先，我将在“每个报价点”模式下对以前使用的时段进行测试：
新文章 无需 Python 或 R 语言知识的 Yandex CatBoost 机器学习算法 已发布： 本文通过一个具体的例子提供了机器学习过程的主要阶段的代码和描述。您不需要 Python 或 R 语言知识就能够获得模型。此外，基本的MQL5知识已经足够了- 这正是我的水平。因此，我希望这篇文章能为广大读者提供一个很好的指导，帮助那些对评估机器学习能力感兴趣的人，并在他们的课程中实现这些能力。 结果不是很特别出众，但可以注意到，主要的交易规则“避免金钱损失”是遵守的。即使我们从 CB_Svod.csv
在锁仓账户中用单边模式计算多个订单的价格: MT4账户一般是双边模式，但如果你采用加仓的话，价格分布在不同位置，就不好知道当前的平均开单价，本脚本采用MT5的单边账户模型显示了一些相应的价格（平均开单价，保本价，中价），并可以计算到达某个价格下的利润。 作者： Wujun Chen
新文章 DoEasy 函数库中的时间序列(第五十五部分)：指标集合类 已发布： 本文继续开发指标对象类及其集合。 为每个指标对象创建其描述和正确的集合类，从而实现无错存储，并从集合列表中获取指标对象。 编译 EA 并在终端图表上启动它。 初始化之后，“智能系统”日志显示有关函数库的初始化消息。 两个创建的指标的参数，它们当中分别拥有 完整 和 简洁 参数列表： Account 8550475 : Artyom Trishkin (MetaQuotes Software Corp.) 10425.23 USD, 1 : 100 , Hedge, Demo account MetaTrader 5
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 使用 DeMark Sequential 和 Murray-Gann 水平分析图表 已发布： Thomas DeMark Sequential (序列）擅长显示价格变动的平衡变化。如果我们把它的信号与水平指标例如 Murray 水平相结合，就更为明显。这篇文章主要是为初学者和那些仍然找不到他们的“圣杯”。我还将展示一些我在其他论坛上没有看到的构建水平的功能。因此，这篇文章可能对高级交易者也很有用。欢迎提出建议和合理批评。
新文章 手工图表和交易工具包（第二部分）。 图表图形绘图工具 已发布： 这是该系列的下一篇文章，在其中我展示了如何创建一个函数库来，从而看便利地用键盘快捷键手动绘制图表图形。 所用工具包括直线及其组合。 在这一部分中，我们将查看如何在绘图工具里应用第一部分中讲述的函数。 该函数库可连接到任何 EA 或指标，这将大大简化绘图任务。 此方案未使用外部 dll，而所有命令都是由内置 MQL 工具实现的。 我相信趋势线可以承受双倍负荷。 一方面，它显示了价格变化率的限制（如果价格低于该趋势线，则为“不快” ；如果价格低于该趋势线，则为“不慢” ， 价格高于上限）。
新文章 DoEasy 函数库中的时间序列（第四十六部分）：多周期、多品种指标缓冲区 已发布： 在本文中，我将继续改进指标缓冲区对象类，从而可在多品种模式下操作。 这为自定义程序中创建多品种、多周期指标提供了途径。 我会在计算缓冲区对象里添加缺失的功能，从而令我们可创建多品种、多周期的标准指标。 每根柱线上的直方图和信号线的颜色对应于指定品种/周期的 MACD 蜡烛方向： 该指标在 EURUSD M15 图表上启动，默认设置为基于 GBPUSD M30 的 MACD。 为了更清楚起见，打开相同参数的 GBPUSD M30，以及标准 MACD。 作者： Artyom Trishkin
Williams Percent Range, %R:
Williams’ Percent Range Indicator (%R) is a dynamic technical indicator, which determines whether th
Author: MetaQuotes Software Corp.
新文章 神经网络变得轻松（第六部分）：神经网络学习率实验 已发布： 我们之前已研究过各种类型的神经网络及其实现。 在所有情况下，训练神经网络时都使用梯度下降法，为此我们需要选择学习率。 在本文中，我打算通过示例展示正确选择学习率的重要性，及其对神经网络训练的影响。 第三个实验与本文的主题略有偏离。 其思路来自前两个实验。 因此，我决定与您分享。 在观察神经网络训练的同时，我注意到不存在分形的概率在 60-70％ 左右波动，且很少低于 50％。 无论买入或卖出，出现分形的可能性均约为 20％ 至 30％。 这是很自然的，因为图表上的分形比趋势内的烛条少得多。
新文章 DoEasy 函数库中的时间序列（第五十四部分）：抽象基准指标类的衍生 已发布： 本文研究基于基准抽象指标衍生对象类的创建。 这些对象所提供功能，可访问创建的指标 EA，收集和获取各种指标和价格数据的数值统计信息。 同样，创建指标对象集合，从中可以访问程序中创建的每个指标的属性和数据。 为了进行测试，我们需要 上一篇文章中的指标 ，且无需进行任何修改。 简单地将其保存在新文件夹 \MQL5\Indicators\TestDoEasy\ Part54\ 之下，新名称为 TestDoEasyPart54.mq5 。 编译指标，并在图表上启动它。 在日志中将显示以下内容: all
新文章 开发和分析交易系统的最佳方法 已发布： 在这篇文章中，我将展示在选择一个系统或信号来投资你的资金时所使用的标准，以及描述开发交易系统的最佳方法，并强调这个问题在外汇交易中的重要性。 正如我们所见，这里也有全局模式的迹象，我们只需测试整个时间间隔，看看它在全局范围内的表现： 这张图远不是完美的，但我们可以看到有效的阶段。我们也可以尝试引入过滤器或进行深度优化。特定工具的选择始终是可选项。如果我们对其他对进行测试，那么结果可能会有所不同，但是经过一定的时间，我们很可能会同时找到几个对的最佳参数。如果我们设法掌握并加强物理学，那么结果会更好。
新文章 DoEasy 函数库中的时间序列（第五十三部分）：抽象基准指标类 已发布： 本文研究创建一个抽象指标，其将进一步用作创建函数库标准指标和自定义指标对象的基类。 随着 DoEasy 函数库的开发，我们已有必要创建一个指标对象。 此类对象的存在将允许在程序里便捷地存储和使用已创建的所有指标。 指标对象构造的概念与主要函数库对象的概念没有不同，即：基准抽象对象及其后代依据其状态（对于指标 - 自定义和标准）阐明对象的从属关系。 我曾在 最早的文章 中谈及如何创建此类对象。 今天，创建基准抽象指标对象，并检查其创建结果。 在随后文章中，我将创建标准和自定义指标的对象。
BB 3sigma:
布林带 +-3 求和。您可以改变周期以及求和率 (方差可能大小是 0.5~1.0)
作者： imchurch
Pipsing_Setup_Buy_Sell:
三个脚本用来快速准备并手动下单。
作者： Aleksandr Pak
新文章 神经网络变得轻松（第五部分）：OpenCL 中的多线程计算 已发布： 我们早前已经讨论过某些类型的神经网络实现。 在所研究的网络中，每个神经元都重复相同的操作。 逻辑上进一步应利用现代技术提供的多线程计算功能来加快神经网络学习过程。 本文介绍了一种可能的实现方式。 我们已选择了该技术。 现在，我们需要决定将计算部分拆分为线程的过程。 您还记得 完全连接感知器算法 吗？ 信号顺序从输入层转至隐藏层，然后转至输出层。 没必要为每个层分配线程，因为计算必须按顺序执行。 直到收到来自上一层的结果之后，该层才能开始计算。 一层中独立神经元的计算不依赖该层中其他神经元的计算结果。
新文章 网格和马丁格尔：它们是什么？如何使用它们？ 已发布： 在本文中，我将试图详细解释什么是网格和马丁格尔，以及它们的共同点。此外，我将试着分析这些策略到底有多可行。这篇文章同时包含了数学和实践部分。 创建订单网格的目的是在任何市场上盈利。不管是下跌还是上涨，如果市场有一个清晰可见的波动，那么根据这个想法，网格都会使用一个聪明的订单打开系统打开订单，这样总的来说，这些订单在某个时候获得了足够的利润，可以一次关闭所有订单。让我在下面的图片中展示这一点： 作者： Evgeniy Ilin
新文章 模式搜索的暴力方法 已发布： 在本文中，我们将搜索市场模式，根据确定的模式创建 EA 交易，并检查这些模式，如果它们保持有效的话，保持有效的时间有多少。
新文章 DoEasy 函数库中的时间序列（第五十二部分）：多周期、多品种单缓冲区标准指标的跨平台性质 已发布： 在本文中，研究创建多品种、多周期标准指标的“建仓/派发”。 略微改进指标依托的函数库类，以便从老旧的 MetaTrader 4 平台切换到 MetaTrader 5 时，基于该函数库开发的程序均可正常运行。 编译指标，并在 MetaTrader 4 终端的 EURUSD H1 图表上启动它，并在指标输入中输入 EURUSD 品种和 H4 周期。 因此，在 MetaTrader 4 终端的 EURUSD 小时图上显示依据 EURUSD H4 计算的 AD 指标： 作者： Artyom
新文章 神经网络变得轻松（第四部分）：循环网络 已发布： 我们继续研究神经网络的世界。 在本文中，我们将研究另一种类型的神经网络，循环网络。 此类型建议与时间序列配合使用，其在 MetaTrader 5 交易平台中由价格图表呈现。 当然，在每个 LSTM 模块中使用 4 个内部神经层，以及算法本身的复杂性都会影响性能，因此，这种神经网络的速度比之前所研究的卷积网络要低一些。 然而，循环网络的均方根误差要小得多。 在循环神经网络训练过程中，目标命中准确性图形具有明显的、几乎笔直的上升趋势。 作者： Dmitriy Gizlyk
新文章 外汇交易的基础数学 已发布： 本文旨在尽可能简单、快速地描述外汇交易的主要特点，并与初学者分享一些基本的想法。它还试图回答交易界最诱人的问题，同时展示一个简单指标的开发。 如果你知道在哪里进入和退出市场，你可能不需要知道其他任何事情。不幸的是，出入场点问题是一个难以捉摸的问题。乍一看，您总是可以确定一个模式并遵循它一段时间。但是，如果没有先进的工具和指标，如何检测它呢？最简单且总是重复出现的模式是趋势和横盘。趋势是一个方向的长期运动，而横盘意味着更频繁的反转。
新文章 如何从算法交易中赚取$1,000,000？使用MQL5.com服务！ 已发布： 所有交易者都以赚取第一个百万美元为目标来访问市场。如何在没有过多风险和启动预算的情况下实现这个目标？MQL5服务为来自世界各地的开发人员和交易者提供了这样的机会。 我们的交易应用程序市场是全球同类产品中最受欢迎的在线商店，每月营业额高达数百万美元。迄今为止，已有数十位卖家获利数十万美元！ 您是否想通过出售EA交易赚取$1,000,000？那么，注册为“卖家”并在“市场”上发布您的产品！ 在市场上发布产品 作者： MetaQuotes
新文章 并行粒子群优化 已发布： 本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。 从算法的角度来看，PSO方法相对简单。其主要思想是在EA交易的输入参数空间中生成一组虚拟“粒子”。然后，粒子移动并根据EA在空间中相应点的交易度量改变其速度。该过程重复多次，直到性能停止改善。该算法的伪代码如下： 粒子群优化伪码
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