新文章 开发回放系统（第 63 部分）：玩转服务（四） 已发布： 在本文中，我们将最终解决一分钟柱形上的分时报价模拟问题，以便它们能够与真实分时报价共存。这将帮助我们避免将来出现问题。此处提供的材料仅用于教育目的。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。
新文章 从 MQL4 迁移到 MQL5 已发布： 很多开发人员已经累积了很多用 MQL4 编写的指标和交易策略。要在 Metatrader 5 中使用它们，应将它们转换为 MQL5。用 MQL5 重写所有程序并不是如此容易。如果有转换参考，则进行转换会容易得多，最好以例子说明。 本文是 MQL4 语言函数的快速指南，帮助您将您的程序从 MQL4 迁移到 MQL5。介绍了每个 MQL4 函数（交易函数除外）的说明和 MQL5 实施，从而让您显著减少转换时间。出于方便起见，MQL4 函数被分为组，类似于 MQL4 参考。 作者： Sergey Pavlov
新文章 在MQL5中创建交易管理员面板（第四部分）：登录安全层 已发布： 想象一下，一个恶意入侵者潜入了交易管理员房间，获取了用于向全球数百万交易者传递有价值信息的计算机和管理员面板的访问权限。这种入侵可能导致灾难性后果，例如未经授权发送误导性信息或随意点击按钮触发意外操作。在本次讨论中，我们将探究MQL5中的安全措施以及在管理员面板中实施的新安全功能，以防范这些威胁。通过增强安全协议，我们旨在保护通信渠道并维护全球交易社区的可信度。在本文的讨论中了解更多见解。
Instantaneous trend line - levels : Instantaneous trend line （即时趋势线）- 使用了水平来做信号过滤 作者： Mladen Rakic
新文章 重构经典策略（第十部分）：人工智能（AI）能否为MACD提供动力？ 已发布： 加入我们的行列，我们将实证分析MACD指标，以测试将AI应用于包含该指标的策略是否会在预测欧元兑美元（EURUSD）方面提高准确性。我们同时评估该指标本身是否比价格更容易预测，以及该指标的值是否能预测未来的价格水平。我们将为您提供所需的信息，以决定是否应该考虑将MACD整合到您的AI交易策略中。 技术分析师以各种方式使用该指标来确定入场和离场点。下图2是将MACD指标应用于英镑兑美元（GBPUSD）货币对的截图，使用其默认设置。该指标默认包含在您的MetaTrader
跨周期布林线指标 : 跨周期布林线指标，在当前图表上显示大周期的布林线，比如在M30图表上显示日线的布林线。 作者： Ziheng Zhuang
DinapoliTargets:
操作逻辑如下: 一旦确定一个局部最大值\最小值, 将绘制几条水平线。白色是入场点, 跟随其方向的是目标。自然地, 第一目标最可能到达.... 红色线是停止线。
作者： John Smith
新文章 交易中的神经网络：点云变换器（Pointformer） 已发布： 在本文中，我们将说道有关使用注意力方法解决点云中物体检测问题的算法。点云中的物体检测对于很多现世应用都很重要。 模型经过多次训练】及数据集更新迭代后，我们成功获得了能够在训练和测试数据集上产生盈利的政策。 我们利用 MetaTrader 5 策略测试器评估了训练模型的性能，依据 2024 年 1 月的历史数据运行测试，同时保持所有其它参数不变。测试结果呈现如下。 在测试期间，经过训练的模型总共执行了 31笔次交易操作，其中一半以盈利平仓。尤其是，与亏损交易相比，最大和平均盈利交易的数值高出近 50%，导致盈利因子为
新文章 交易中的神经网络：点云的层次化特征学习 已发布： 我们继续研究从点云提取特征的算法。在本文中，我们将领略提升 PointNet 方法效率的机制。 如早前所述，我们的新模型与以前的模型仅差一层。甚至，这个新层只是我们之前工作的改进版本。这令两种模型的性能比较变得特别有趣。为了确保比较的公平，我们训练这两个模型时将采用上一个实验中用到的完全相同的数据集。
新文章 利用判别分析开发交易系统 已发布： 开发交易系统时，通常都会出现选择最佳指标与信号组合的问题。而判别分析就是找到此类组合的方法之一。本文会给出一个用于市场数据采集的 EA 开发示例，并详细阐明如何利用判别分析在 Statistica 软件中构建外汇市场预后模型。 作者： ArtemGaleev
新文章 基于人工生态系统的优化（AEO）算法 已发布： 本文探讨了一种元启发式算法——基于人工生态系统的优化（Artificial Ecosystem-based Optimization, AEO）算法。该算法通过生成初始解种群并应用自适应更新策略，模拟生态系统各组成部分之间的相互作用。文中详细阐述了AEO算法的运行阶段，包括消耗阶段与分解阶段，以及不同智能体的行为策略。文章还介绍了该算法的特点和优势。
RSI 发散 : 该指标利用 RSI 背离并将其绘制在缓冲区中，以便自动执行 EA Author: Francisco Gomes Da Silva
新文章 神经网络轻松制作 已发布： 人工智能往往伴随着极其复杂和难以理解的事物。 同时，人工智能在日常生活中也越来越多地被提及。 不同的媒体也经常发布有关运用神经网络成就的新闻。 本文的目在于展示任何人都可以轻松创建神经网络，并在交易中运用 AI 成就。 人工智能正在我们生活的各个方面提升覆盖面。 许多新刊物涌现，指出“神经网络已被训练为...”。然而，人工智能仍然伴随着奇妙的事物。 这个想法似乎非常复杂，超自然和玄之又玄。 所以，只有一群科学家才能创造出来这种超凡神迹。 利用我们的家用 PC 似乎无法开发类似的程序。 但请相信我，这并不困难。
Random Trader with Customizable Risk/Reward Ratio, Break-Even : 当没有开仓时，EA 会随机开仓（买入或卖出的几率各占一半）。 Author: Salman Soltaniyan
MovingAverages : MovingAverages库包含计算不同类型的移动平均线的函数。 作者： MetaQuotes Software Corp
新文章 开发基于订单簿的交易系统（第一部分）：指标 已发布： 市场深度无疑是执行快速交易的一个非常重要的因素，特别是在高频交易（HFT）算法中。在本系列文章中，我们将探讨这种类型的交易事件，这些事件可以通过经纪商在许多可交易的交易品种上获得。我们将从一个指标开始，您可以在其中自定义直接显示在图表上的直方图的调色板、位置和大小。我们还将研究如何生成 BookEvent 事件，以在特定条件下测试指标。未来文章的其他可能主题包括如何存储价格分布数据以及如何在策略测试器中使用它。
新文章 非洲水牛优化（ABO） 已发布： 本文介绍了非洲水牛优化（ABO）算法，这是一种于2015年开发的元启发式方法，基于这些动物的独特行为。文章详细描述了算法实现的各个阶段及其在解决复杂问题时的效率，这使得它成为优化领域中一个有价值的工具。 非洲水牛优化（ABO）算法是一种受这些动物在野外独特行为启发的元启发式方法。ABO算法是由科学家Julius Beneoluchi Odili和Mohd Nizam Kahar于2015年开发的，基于非洲水牛的社会互动和生存策略。
新文章 在MQL5中创建交易管理员面板（第三部分）：扩展内置类以进行主题管理（II） 已发布： 在本文的讨论中，我们将逐步扩展现有的对话框库，以纳入主题管理逻辑。此外，我们将把主题切换方法整合到管理员面板项目中使用的 CDialog、CEdit 和 CButton 类中。继续阅读，获取更多深入的了解。 为MQL5修改和创建新的类库是可能的。然而，由于内置库由平台共享，我们对这些文件所做的任何修改，都可能对当前平台的功能产生正面或负面影响。在 最近文章 中，我们简要讨论了如何编辑根 对话框类颜色 ，以控制我们面板的外观。尽管主题切换按钮成功地改变了文本颜色，但它并没有改变面板皮肤或按钮背景颜色。
新文章 从基础到中级：Include 指令 已发布： 在今天的文章中，我们将讨论一个在 MQL5 中可以找到的各种代码中广泛使用的编译指令。虽然这里对这个指令的解释相当肤浅，但重要的是你要开始了解如何使用它，因为随着你进入更高层次的编程，它很快就会变得不可或缺。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。 在这篇文章中，我们将讨论一个对你非常有帮助的话题。一旦解释清楚，我将能够开始展示更复杂的代码示例。到目前为止，在不利用 MQL5
Harmonic Pattern Finder V3 : 用于显示已经存在和正在出现的 harmonic 图表形态的指标。 作者： Andre Enger
Logarithmic Garman Klass 波动性 : Logarithmic Garman Klass 波动性 作者： Mladen Rakic
新文章 Connexus的头（第三部分）：掌握HTTP请求头的使用方法 已发布： 我们继续开发Connexus库。在本章中，我们探讨HTTP协议中请求头的概念，解释它们是什么、它们的用途以及如何在请求中使用它们。我们将涵盖用于与API通信的主要头信息，并展示了如何在库中配置它们的实例。 本文是这一系列文章的延续，我们将构建一个名为Connexus的库。在 第一篇文章 中，我们了解了WebRequest函数的基本功能，理解了它的每个参数，并创建了一个示例代码，展示了这个函数的使用及其难点。在本文中，我们将探讨HTTP通信中请求头的重要性与实用性，以及这些元素在现代网络中用于不同目的的方式。
新文章 交易中的神经网络：点云分析（PointNet） 已发布： 直接分析点云避免了不必要的数据增长，并改进了模型在分类和任务分段时的性能。如此方式对于原始数据中的扰动展现出高性能和稳健性。 点云是简单而统一的结构，可避免组合不一致、以及与困境相关的复杂性。鉴于点云没有传统格式，故将其传送到深度网络架构之前，大多数研究人员通常会将该类数据集转换为常规的 3D 体素网格或图像集。不过，这种转换会令生成的数据无必要地增大，并可能引入量化伪影，这往往会掩盖数据的自然不变性。 出于这个原因，一些研究人员转向了 3D
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