RSI EA v2 : RSI EA - 基于 iRSI（相对强弱指数，RSI）指标判定的超买/超卖区域进行交易。 作者： Vladimir Karputov
新文章 神经网络变得简单（第 86 部分）：U-形变换器 已发布： 我们继续研究时间序列预测算法。在本文中，我们将讨论另一种方法：U-形变换器。 预测长期时间序列对于交易特别重要。 变换器 架构于 2017 年推出，在自然语言处理（ NLP ）、和计算机视觉（ CV ）领域展现出令人印象深刻的性能。 自关注 机制的运用可在涵盖较长时间的间隔内有效捕获依赖关系，从上下文中提取关键信息。当然，基于这种机制迅速就提出了大量不同算法，来解决与时间序列相关的问题。 然而，最近的研究表明，针对不同时间序列数据集上的准确性，简单的多层感知器网络（ MLP ）能够超过基于 变换器 的模型。无论如何， 变换器
新文章 构建K线趋势约束模型（第五部分）：通知系统（第三部分） 已发布： 本系列文章的这一部分专门介绍如何将WhatsApp与MetaTrader 5集成以实现通知功能。我们包含一张流程图以简化理解，并将讨论在集成过程中安全措施的重要性。指标的主要目的是通过自动化的简化分析过程，并且它们应包含通知方法，以便在满足特定条件时向用户发出警报。欲了解更多信息，请阅读本文。 我们现已在模型中扩展了信号的可访问性，使其对所有用户都大有帮助。此外，我们还激励了众多新兴开发者，指导他们如何在我们广受欢迎的MetaTrader
Exp_RSIOMA : Exp_RSIOMA 智能交易系统的信号取自 RSIOMA 直方条。 作者： Nikolay Kositsin
新文章 跨邻域搜索（ANS） 已发布： 本文揭示了跨邻域搜索（ANS）算法的潜力，作为重要的一步，旨在开发灵活且智能的优化方法，使其能够在搜索空间中考虑问题的具体特性和环境的动态变化。 跨邻域搜索（ANS）算法是一种优化方法，它借鉴了进化算法和元启发式算法领域的思想，旨在问题参数空间中寻找最优解。 让我们标注ANS的主要特点： 邻域搜索 - 智能体探索当前解的邻域，这使他们能够更高效地找到局部最优解。, 使用正态分布 - ANS使用正态分布来生成新的参数值。, 解集合 - ANS使用最佳解的集合，这有助于算法同时向多个有前景的方向定位。 作者： Andrey Dik
新文章 开发多币种 EA 交易（第 12 部分）：开发自营交易级别风险管理器 已发布： 在正在开发的 EA 中，我们已经有了某种控制回撤的机制。但它具有概率性，因为它是以历史价格数据的测试结果为基础的。因此，回撤有时会超过最大预期值（尽管概率很小）。让我们试着增加一种机制，以确保遵守指定的回撤水平。 最近， 人工交易的风险管理 和 算法交易的风险管理 两篇文章对风险管理这一主题进行了探讨。在这些文章中，作者提出了一种编程式实现方法，可控制各种交易参数是否符合预设指标。例如，如果超过了一天、一周或一个月的设定损失水平，交易就会暂停。 从自营公司吸取一些教训
新文章 使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX，以及 GRU 与 LSTM 模型的比较 已发布： 我们将指导您完成使用 Python 进行 DL 制作 GRU ONNX 模型的整个过程，最终创建一个用于交易的专家顾问 (EA)，然后将 GRU 模型与 LSTM 模型进行比较。 GRU 是门控循环单元 (Gated Recurrent Unit) 的缩写，代表类似于 LSTM（长短期记忆，Long Short-Term Memory）的循环神经网络 (RNN，recurrent neural network) 架构的变体。 与 LSTM 非常相似，GRU
Exp_MovingAverage_FN : 该自动交易程序在 MovingAverage_FN（数字混合和模拟过滤指标）方向改变基础上实现 作者： Nikolay Kositsin
CloseAllPositions : 关闭当前账户中所有开启仓位的脚本程序。 作者： Nikolay Kositsin
新文章 您应当知道的 MQL5 向导技术（第 16 部分）：配合本征向量进行主成分分析 已发布： 本文所见的主成分分析，是数据分析中的一种降维技术，文中还有如何配合本征值和向量来实现它。一如既往，我们瞄向的是开发一个可在 MQL5 向导中使用的原型专业信号类。 SVD 能够将矩阵数据集拆分为 3 个单独的矩阵来达成降维，其中这 3 个矩阵之一，即 Σ 矩阵，标识数据中最重要的方差方向。这个矩阵也称为对角矩阵，包含奇异值，这些值表示沿每个预先确定的方向的方差量级（记录在 3 个矩阵中的另一个矩阵中，通常称为 U）。奇异值越大，在解释数据可变性时的相应方向就越重要。这导致了含有最高奇异值的 U
新文章 开发Python交易机器人（第三部分）：实现基于模型的交易算法 已发布： 让我们继续阅读关于使用Python和MQL5开发交易机器人系列的文章。在本文中，我们将用Python中创建一个交易算法。 为了实现基于我们模型的交易算法，我们将采用以下方法。基本算法是根据模型生成的标签，以预设的止损和止盈水平开设交易。如果模型预测资产价格上涨，我们将开设一个多头仓位，并设定止损和止盈水平。如果模型预测资产价格下跌，我们将开设一个空头仓位，并设置类似的止损和止盈参数。 MetaTrader
新文章 开发回放系统（第 51 部分）：事情变得复杂（三） 已发布： 在本文中，我们将研究 MQL5 编程领域最困难的问题之一：如何正确获取图表 ID，以及为什么对象有时不会绘制在图表上。此处提供的材料仅用于教学目的，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。 如果您阅读了上一篇文章（我建议您阅读），您就会知道我们已经开始直接通过服务使用控制指标。此后，该指标不再可自由放置在任何图表上。
新文章 MQL5 初学者：EA 交易技术指标使用指南 已发布： 为在EA 交易中获得内置或自定义指标的值，首先应使用相应函数创建指标的处理函数。本文中的示例说明了在创建自己的程序时如何使用技术指标。在本文中说明的指标使用 MQL5 语言构建。本文的目标受众是那些在交易策略开发上不具备太多经验的读者，并旨在通过使用提供的函数库提供简单明了的指标使用方式。 很少有“EA 交易”或指标未在代码中使用标准技术指标。无论是对交易策略的初学者还是高级开发人员，这些标准技术指标的使用都十分普遍。指标创建的各种细节并不难理解；本文的目的即是帮助理解。我们将考虑使用内置标准 技术指标 的函数的使用。 作者：
Exp_XOSignal_ReOpen : Exp_XOSignal_ReOpen 交易系统是基于 XOSignal 指标信号的，并且有跟随趋势的仓位缩放。 作者： Nikolay Kositsin
新文章 开发回放系统（第 50 部分）：事情变得复杂 (二) 已发布： 我们将解决图表 ID 问题，同时开始为用户提供使用个人模板对所需资产进行分析和模拟的能力。此处提供的材料仅用于教学目的，不应被视为除学习和掌握所提供概念以外的任何目的的应用。 在上一篇文章的末尾，我报告了一个导致控制指示器不稳定的问题。因此，可能会发生一些不应该发生的事情。这些问题并不严重，不会导致平台崩溃，但有时会导致意外的服务故障。因此，我没有在上一篇文章中附加任何文件，否则您将在当前开发阶段访问该系统。 在本文中，我们将修复或尝试修复现有问题，至少其中之一。
新文章 神经网络变得简单（第 85 部分）：多变元时间序列预测 已发布： 在本文中，我愿向您介绍一种新的复杂时间序列预测方法，它和谐地结合了线性模型和转换器的优点。 客户端 的主要思路是从关注随时间变化，转移到分析变量之间的依赖关系，并将线性模块集成到模型中，从而更好地分别利用变量依赖关系、和趋势信息。 客户端 方法的作者以创造性的方式解决了时间序列预测问题。一方面，所提议算法并入了已熟悉的方式。另一方面，它摒弃了一些久负盛名的方法。在算法中包含或排除的每个单独模块，都要伴随着一连串测试。这些测试从模型有效性的视角证明了所做决策的可行性。
Cointegration : 本指标计算和显示了两个或者多个金融交易品种之间的线性关系。 作者： Maxim Dmitrievsky
新文章 使用Python和MQL5进行交易策略的自动参数优化 已发布： 有多种用于交易策略和参数自我优化的算法。这些算法基于历史和当前市场数据自动改进交易策略。在本文中，我们将通过Python和MQL5的示例来探讨其中一种算法。 想象一下，您花费大量精力开发了一个EA。您迫不及待地想看到它投入运行，但一开始没有进行适当的优化。初步的正向结果可能会让您误以为一切都很好，但很快就会出现变化和亏损。 一个未经优化的EA缺乏一致性，可能会对不相关数据做出反应，导致利润和亏损难以预测。它可能会基于错误信号做出决策，无法适应市场变化，并承担未预见的风险，从而造成重大亏损。优化可以确保更好的性能和可靠性。
新文章 《数据科学与机器学习（第25部分）：使用循环神经网络（RNN）进行外汇时间序列预测》 已发布： 循环神经网络（RNN）非常擅长利用过去的信息来预测未来的事件。它们卓越的预测能力已经在各个领域得到了广泛应用，并取得了巨大成功。在本文中，我们将部署RNN模型来预测外汇市场的趋势，展示它们在提高外汇交易预测准确性方面的潜力。 循环神经网络（RNNs）的核心是前馈神经网络，它们以这样一种方式相互连接，即下一个网络拥有来自前一个网络的信息，从而使简单的RNN能够基于先前的信息来学习和理解当前的信息。
新文章 开发多币种 EA 交易 (第 11 部分):自动化优化（第一步） 已发布： 为了获得一个好的 EA，我们需要为它选择多组好的交易策略实例参数。这可以通过对不同的交易品种运行优化然后选择最佳结果来手动完成。但最好将这项工作委托给程序，并从事更有成效的活动。 总的来说，我们的目标可以表述如下：我们希望获得一个在终端中运行的 EA，并使用一个交易策略实例在多个交易品种和时间框架内执行 EA 优化。假设这些交易品种为 EURGBP、EURUSD 和 GBPUSD，而时间框架是 H1、M30 和
双线MACD : 本指标MACD(2lines)是基于国内的股票软件通达信的MCAD改编。 作者： Ziheng Zhuang
新文章 创建多币种多系统 EA 交易 已发布： 我相信，很多交易人都会交易不止一个交易品种并使用多种交易策略。依靠高效的资金管理，这种方法不仅能帮你提高潜在利润，还能最大程度降低大笔资金亏损风险。创建 EA 交易时，检查程序策略是否有效的第一步就是优化，以确定最佳输入参数。 确认参数值后，便从技术上做好了 EA 交易准备。但是还存在一个重要问题尚未解决。如果交易人将所有策略都放在一个 EA 中，那么其测试结果如何？在一些交易品种或策略上亏损可能会在某种程度上同时发生并造成可怕的整体亏损，甚至要求追加预付款有时也会让人措手不及。 本文引入了创建多币种多系统 EA
Grr-al : 本EA仅当策略测试器使用“开盘价”或者“1分钟OHLC”模式才是盈利的。 作者： Igor Volodin
NeuroNirvamanEA 2 : 基于简单神经网络的交易系统。 作者： Vladimir Karputov
新文章 神经网络实践：直线函数 已发布： 在本文中，我们将快速了解一些方法，以获得可以在数据库中表示数据的函数。我不会详细介绍如何使用统计和概率研究来解释结果。让我们把它留给那些真正想深入研究数学方面的人。探索这些问题对于理解研究神经网络所涉及的内容至关重要。在这里，我们将非常冷静地探讨这个问题。 网络上有很多关于这个主题的材料，这些材料都解释得很好，很容易理解。但是，如果你的目标只是查看代码，那么欢迎你，因为我不会在本文中讨论数学部分。这个数学问题相当深奥，需要理解每一个细节和大量时间。大多数读者可能对这些方面不感兴趣。
新文章 数据科学与机器学习（第24部分）：使用常规AI模型进行外汇时间序列预测 已发布： 在外汇市场中，如果不了解过去的情况，就很难预测未来的趋势。很少有机器学习模型能够通过考虑过去的数据来做出未来预测。在本文中，我们将讨论如何使用经典（非时间序列）人工智能模型来战胜市场。 与我们之前文章中讨论的线性回归、支持向量机（SVM）、神经网络（NN）等其他经典机器学习模型不同，这些模型旨在确定特征变量之间的关系，并根据这些学习到的关系进行未来预测——时间序列模型则基于先前观察到的值来预测未来值。
新文章 构建K线图趋势约束模型（第5部分）：通知系统（第二部分） 已发布： 今天，我们将讨论如何使用MQL5与Python和Telegram Bot API相结合，为MetaTrader 5的指标通知集成一个实用的Telegram应用。我们将详细解释所有内容，确保每个人都不会错过任何要点。完成这个项目后，您将获得宝贵的见解，可以在自己的项目中加以应用。 本文的目标是全面指导我们完成每一步，直到实现预期结果。有了在前文中获得的基础知识，现在一切都清晰明了了。我将详细解释集成程序中的每一行代码。在这个项目中，与Telegram集成相关的四个关键组件需要始终牢记。 Telegram的API。
新文章 让新闻交易轻松上手（第二部分）：风险管理 已发布： 在本文，我们将把继承引入到我们之前的代码和新代码中。我们将引入一种新的数据库设计以提高效率。此外，还将创建一个风险管理类来处理容量计算。 简单回顾让新闻交易轻松上手系列的 前一篇文章
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