新文章 MQL5 编程基础: 终端中的全局变量 已发布： 终端中的全局变量为开发复杂而可靠的EA交易提供了一种方便的工具，如果您掌握了全局变量，您就会发现在使用MQL5开发EA交易的时候它们是必不可少的。 执行脚本并在终端中打开全局变量窗口，窗口中应该包含一个新的叫做"test"的变量，并且它的数值为 1.23 (图 4)。 图 4. 带有新的 "test" 变量的全局变量窗口片段 实例的代码可以在 sGVTestCreate 脚本中找到。 作者： Dmitry Fedoseev
新文章 从基础到中级：IF ELSE 已发布： 在本文中，我们将讨论如何使用 IF 操作符及其伴随者 ELSE。这个语句是所有编程语言中最为重要且最有意义的语句。然而，尽管它易于使用，但如果我们没有使用它的经验以及与之相关的概念，它有时会令人困惑。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。 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。 在上一篇文章， 从基础到中级：按值或按引用传递
新文章 在Python和MQL5中应用局部特征选择 已发布： 本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。 在金融市场分析中，指标的有效性往往随着底层条件的变化而变化。例如，波动率的变动可能会使先前可靠的指标在市场环境变化时显示无效。这种变化性解释了交易者使用的指标种类繁多的原因，因为没有任何单一指标能够在所有市场条件下始终表现良好。从机器学习的角度来看，这需要一种灵活的特征选择技术来适应这种动态行为。
新文章 量化风险管理方法：应用 VaR 模型优化多货币投资组合（使用 Python 和 MetaTrader 5） 已发布： 本文探讨了价值风险（VaR）模型在多货币投资组合优化中的潜力。借助 Python 的强大功能和 MetaTrader 5 的功能，我们展示了如何实施 VaR 分析，以实现高效的资金分配和头寸管理。从理论基础到实际实施，文章涵盖了将 VaR——这一最稳健的风险计算系统之一——应用于算法交易的方方面面。 今天，我想分享我在 MetaTrader 5 交易系统中实施 VaR 的研究成果。 我的旅程始于深入研究 VaR 理论——这是后续所有工作的基础。 将枯燥的 VaR
ScalpWiz 9001 : 这个EA交易是基于 iBands (布林带, BB) 指标的，它设置止损挂单。 作者： Vladimir Karputov
新文章 射箭算法（Archery Algorithm, AA） 已发布： 本文详细探讨了受射箭启发的优化算法——射箭算法（Archery Algorithm, AA），重点介绍了如何使用轮盘赌法（roulette method）作为选择“箭矢”目标区域的机制。该方法允许评估解决方案的质量，并选择最有希望的位置进行进一步的探究。
新文章 从新手到专家：MQL5交易的必备之旅 已发布： 释放您的潜力！您会被无数机会包围。发现开启您的MQL5之旅或将其提升到更高水平的三大顶级秘诀。让我们深入探讨适合初学者和专业人士的技巧和窍门。 我将引导您创建一个符合你需求的可运行程序，并激励你开始行动。本文的目标是通过简化算法开发流程并结合新兴技术，让MQL5社区对于用户变得更加友好。 得益于易于获取的教育资源，算法交易环境相比几年前已经变得比较友好。以下是一些指导我关注焦点的问题，也希望它们能激励您： 初学者如何高效地学习和掌握MQL5的基础知识？ , MQL5学习者有哪些资源可以快速战胜特定的编码挑战？ 
新文章 开发回放系统（第 61 部分）：玩转服务（二） 已发布： 在本文中，我们将研究使回放/模拟系统更高效、更安全地运行的修改。我也不会对那些想要充分利用这些类的人置之不理。此外，我们将探讨 MQL5 中的一个特定问题，即在使用类时降低代码性能，并解释如何解决它。 在上一篇文章， 开发重播系统（第 60 部分）：玩转服务（一）
平缓通道 : 本EA交易在通道中进行交易，当找到平缓通道时或者当市场变缓时，EA交易会设置挂单等待通道的突破。 作者： Vladimir Karputov
新文章 Connexus入门（第一部分）：如何使用WebRequest函数？ 已发布： 本文是‘Connexus’库开发系列的开篇之作，旨在为MQL5环境下的HTTP请求提供便利支持。该项目的目的是为终端用户提供这个机会，并展示如何使用这个辅助库。我打算尽可能地简化，以便于学习，从而为进一步开发提供可能性。
新文章 在MQL5中创建交易管理员面板（第二部分）：增强响应性和快速消息传递 已发布： 在本文中，我们将增强之前创建过的管理面板的响应性。此外，我们还将探讨在交易信号背景下快速消息传递的重要性。 随着算法交易在金融市场中占据主导地位，交易系统用户（交易者）与人工管理员（交易系统背后的人）之间的高效沟通变得至关重要。以前，我们创建的管理面板消息界面对于实时任务（如快速发送消息和拖动面板本身）的响应性有限，这给需要迅速做出反应的管理员带来了重大挑战。 管理面板：针对旧版管理面板的改进
新文章 神经网络实践：绘制神经元 已发布： 在本文中，我们将构建一个基本神经元。虽然它看起来很简单，许多人可能会认为这段代码完全微不足道，毫无意义，但我希望你在学习这个简单的神经元草图时能玩得开心。不要害怕修改代码，完全理解它才是目标。 在上一篇文章 神经网络实践：伪逆（二） 中，我讨论了专用计算系统的重要性及其发展背后的原因。在这篇关于神经网络的新文章中，我们将更深入地探讨这个主题。为这个阶段创建材料并不是一项简单的任务。尽管看起来很简单，但解释一些经常引起严重混淆的事情可能相当具有挑战性。
EMA均线趋势系统-MT4版2025 : 这段代码是一个多周期 EMA 指标，同时带有均线汇聚信号提示。它计算了多个不同周期的 EMA，然后检查这些 EMA 是否汇聚，并根据汇聚情况生成交易信号。 作者： hcy3511
新文章 如何利用 MQL5 创建简单的多币种智能交易系统（第 6 部分）：两条 RSI 指标相互交叉 已发布： 本文中的多货币智能系统是一款智能交易系统或交易机器人，它利用两条 RSI 指标线的交叉，即与慢速 RSI 与快速 RSI 两线相交。 多货币智能系统是一款智能交易系统或交易机器人，可以自一个品种图表中交易（开单、平单和管理订单，例如：尾随止损和尾随止盈）超过多于一个品种对，在本文中，智能系统能交易 30 对。 在本文中，我们将使用两个 RSI 指标伴以交叉信号，快速 RSI 与慢速 RSI 交叉。 正如在 之前的文章 中所证明的那样，我们都知道，借助 MQL5
新文章 随机优化和最优控制示例 已发布： 这款名为SMOC（可能代表随机模型最优控制）的EA，是MetaTrader 5平台上一个较为先进的算法交易系统的简单示例。它结合了技术指标、模型预测控制以及动态风险管理来做出交易决策。该EA融入了自适应参数、基于波动率的仓位规模调整以及趋势分析，以优化其在不同市场条件下的表现。 随机建模用于描述具有随机元素的系统，例如股票市场价格波动或餐厅的排队情况。它基于随机变量、概率分布以及随机过程。蒙特卡洛（Monte Carlo）方法和马尔可夫链（Markov chains）等方法可以对这些过程进行建模并预测其行为。
新文章 交易中的神经网络：将全局信息注入独立通道（InjectTST） 已发布： 大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。 近年来，基于 变换器 架构进行多模态时间序列预测已得到广泛普及，并逐渐成为时间序列分析的首选模型之一。模型越来越多地采用独立通道方式，其中模型单独处理每个通道序列，而不与其它通道序列交互。 通道独立性有两个主要优势： 噪声抑制 ：独立模型能专注于各自通道的预测，而不受其它通道噪声的影响。, 缓解分布漂移 ：通道独立性有助于解决时间序列中的分布漂移问题。
新文章 细菌趋化优化（BCO） 已发布： 本文介绍了细菌趋化优化（Bacterial Chemotaxis Optimization，简称 BCO）算法的原始版本及其改进版本。我们将详细探讨所有不同之处，特别关注 BCOm 的新版本，该版本简化了细菌的移动机制，减少了对位置历史的依赖，并且使用了比原始版本计算量更小的数学方法。我们还将进行测试并总结结果。 各种研究表明，细菌会相互交流信息，尽管其通信机制尚不清楚。通常，细菌被视为个体，模型中未考虑其社交互动。这使它们与描述社会性昆虫（如蚂蚁、蜜蜂、黄蜂或白蚁）行为的互动模型不同，后者作为具有集体智能的系统，为解决各种问题提供了不同的可能性。
新文章 从基础到中级：操作符 已发布： 在本文中，我们将介绍主要的操作符。虽然这个主题很容易理解，但在代码格式中包含数学表达式时，有一些要点非常重要。如果不充分了解这些细节，经验很少或没有经验的程序员最终会放弃尝试创建自己的解决方案。 在上一篇文章“ 从基础到中级：变量（三） “中，我们探索了预定义变量和一种有趣的解释函数的方式。然而，到目前为止讨论的一切都导致了一个共同的挑战，这是新程序员面临的最大困难之一，尤其是那些从事小型个人项目的程序员。这一挑战源于不同数据类型的存在。 正如在“ 从基础到中级：变量（二） "中，MQL5
新文章 从头开始采用 MQL 语言进行深度神经网络编程 已发布： 本文旨在教导读者如何从头开始采用 MQL4/5 语言构建深度神经网络。 从神经网络的基本单元开始：单个神经元。 在本文中，我将专注于深度神经网络中所用神经元类型的不同部分，尽管神经元类型之间最大的区别通常是激活函数。 人工神经元，松散地模仿人脑中的神经元，简单地担负数学计算。 如同我们的神经元，当它受到足够的刺激时就会触发。 神经元把输入数据进行组合，这些数据含有一组或放大或抑制输入的系数或权重，从而为尝试学习任务的算法分配意义重大的输入。 在下一张图片中，可以看到神经元活动的各个部分： 作者： Anddy Cabrera
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