Withdrawal Tracking : 这是一段代码，可添加到现有的智能交易系统中，用于跟踪从运行智能交易系统的账户中提取的资金。它可以帮助用户监控特定账户的取款情况。 Author: Daniel Opoku
新文章 创建 MQL5-Telegram 集成 EA 交易（第 4 部分）：模块化代码函数以增强可重用性 已发布： 在本文中，我们将现有的用于从 MQL5 向 Telegram 发送消息和截图的代码重构为可重复使用的模块化函数。这将简化流程，实现跨多个实例的更高效执行和更轻松的代码管理。 在本系列的第四部分中，我们将重点介绍如何通过代码 模块化 增强程序的可重用性。我们将详细讨论代码模块化的原则，更具体地说，这些原则如何应用于我们的项目。接下来，我们将逐步介绍如何将现有的 mql5 脚本重组为单独的、定义良好的函数。最后，您可以选择使用旧的单片程序或具有相同输出的新的模块化 EA 交易系统。
新文章 您应当知道的 MQL5 向导技术（第 36 部分）：依据马尔可夫（Markov）链的 Q-学习 已发布： 强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。 由向导组装的智能系统的自定义信号类，能够承担各种值得探索的角色，我们继续寻求当 Q-学习 算法与 马尔可夫（Markov）链 配对时，如何帮助改进多层感知器网络的学习过程。Q-学习是强化学习的若干种（大约 12
新文章 交易中的神经网络：层次化向量变换器（终章） 已发布： 我们继续研究层次化向量变换器方法。在本文中，我们将完成模型的构造。我们还会在真实历史数据上对其进行训练和测试。 训练会持续，直至模型的误差稳定在某个水平。此刻，进一步的数据集更新对于优化参与者的政策不再具有贡献。 我们利用 MetaTrader 5 策略测试器评估训练模型的有效性，应用 2024 年 1 月的历史数据，同时保持所有其它参数不变。训练模型的测试结果如下所示。 作者： Dmitriy Gizlyk
Ranging Market Detector : 试图突显市场区间的指标 Author: Conor Mcnamara
New Candle or Bar formation. : 该机器人可在任何设定的时间框架内检测新蜡烛的开盘，从而更方便地运行一次性代码、进行交易和调用其他功能。代码编写在 OnTick() 函数中。 Author: Clinton Dennis Edem
新文章 美元和欧元指数图表 — MetaTrader 5 服务示例 已发布： 我们将以 MetaTrader 5 服务为例，探讨创建和更新美元指数 (USDX) 和欧元指数 (EURX) 图表。启动服务时，我们将检查所需合成工具的存在，必要时创建它，并将其放置在市场观察窗口中。随后将创建合成工具的分钟和分时报价历史记录，然后创建所创建工具的图表。 美元指数 是货币市场最受欢迎的指数。它使我们能够预测汇率的变动。这是美元相对价值的重要指标。美元指数（USDX）于 1973 年 3 月推出。其基准值设定为 100 点。换句话说，今天等于 90 点的指数意味着美元相对于 1973 年的数字下跌了
新文章 在任何市场中获得优势（第五部分）：联邦储备经济数据库（FRED）欧元兑美元（ EURUSD）可替代数据 已发布： 在今天的讨论中，我们使用了圣路易斯联邦储备银行（St. Louis Federal Reserve）提供的关于广义美元指数以及其他一系列宏观经济指标的可替代日数据，来预测欧元兑美元（EURUSD）未来的汇率。遗憾的是，尽管数据似乎具有近乎完美的相关性，但我们在模型准确性方面未能实现任何实质性提升，这可能暗示投资者最好采用常规的市场价格数据。
通过当前符号检查市场是否开放交易的功能 : 该功能非常有用，可避免服务器在市场休市时收到过多的交易请求 Author: Anton Iaroshenko
新文章 从基础到中级：BREAK 和 CONTINUE 语句 已发布： 在本文中，我们将学习如何在循环中使用 RETURN、BREAK 和 CONTINUE 语句。了解每个语句在循环执行流程中的作用对于处理更复杂的应用程序非常重要。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。 我知道许多初学者程序员很难正确理解循环生成命令的工作原理。然而，循环是必不可少的，几乎存在于你整个职业生涯中开发的每个程序中，即使你只是把创建程序作为 爱好 。理解并有效地使用与循环相关的命令至关重要。
新文章 您应当知道的 MQL5 向导技术（第 35 部分）：支持向量回归 已发布： 支持向量回归是一种理想主义的途径，寻找最能描述两组数据之间关系的函数或“超平面”。我们尝试在 MQL5 向导的自定义类内利用这一点来进行时间序列预测。
Uniformity Factor Indicator : 这是一个简单的分析（非信号、一次性计算）指标，可以测试价格时间序列是否代表 "随机漫步"，特别是高斯 "随机漫步 "的假设。这有助于将价格增量转化为均匀分布、更稳定、更可预测的时间序列（至少在波动性方面）。 Author: Stanislav Korotky
新文章 一个基于新指标和条件长短期记忆网络（LSTM）的实例 已发布： 本文探讨了一种用于自动化交易的EA的开发，该EA结合了技术分析和深度学习预测。 技术指标长期以来一直被金融行业用来发现趋势和潜在的交易机会。尽管这些指标很重要，但它们常常无法完全捕捉市场动态的复杂性，特别是在极端波动或急剧变化的时期。然而，深度学习架构，特别是LSTM，已经在处理复杂的时间序列数据的模式识别和预测方面展现出惊人的潜力。然而，这些模型并不总是像传统技术分析那样提供可解释性和特定领域的知识。
新文章 神经网络实践：第一个神经元 已发布： 在本文中，我们将开始构建一些简单而不起眼的东西：神经元。我们将使用非常少量的 MQL5 代码对其进行编程。神经元在我的测试中表现良好。让我们回到这一系列关于神经网络的文章中，了解一下我在说什么。 如果您仔细阅读以前的文章，您会注意到我们必须采用某些数学方法来确定表示斜率的常数 <a> 和表示截距的常数 <b> 的最佳值。这些调整使我们能够找到最合适的线性方程。我们探索了两种方法来实现这一点：一种通过导数计算，另一种通过矩阵计算。
CTsLogger 是一款简单灵活的记录系统 : 可记录单个模块或代码段的日志记录器 Author: Trefoter
新文章 使用Python和MQL5进行多交易品种分析（第一部分）：纳斯达克集成电路制造商 已发布： 加入我们的讨论，了解如何利用人工智能（AI）优化您的仓位规模和订单数量，以最大化您的投资组合回报。我们将展示如何通过算法识别一个最优的投资组合，并根据您的回报预期或风险承受能力来调整投资组合。在本次讨论中，我们将使用SciPy库和MQL5语言，利用所拥有的全部数据创建一个最优且多样化的投资组合。
新文章 交易中的神经网络：层次化向量变换器（HiVT） 已发布： 我们邀请您来领略层次化矢量转换器（HiVT）方法，其专为快速、准确地预测多模态时间序列而开发。 智驾面临的挑战与交易者面临的挑战明显重叠。对于汽车智驾，在动态环境中导航的安全机动是一项关键任务。为达成这一目标，这些车辆必须洞察周围环境，并预测道路上的未来事件。然而，准确预测附近道路使用者，诸如车辆、自行车、和行人的机动是一个复杂问题，尤其是在他们的目标或意图未明时。在多个体出行场景中，个体行为受到与其他个体复杂交互的影响，而依赖于地图的交通规则更加复杂。因此，理解场景中多名个体的综合行为极具挑战性。
CTsLogger - Simple and Flexible Logger : 可记录特定模块或代码段的日志记录器 Author: Trefoter
新文章 HTTP和Connexus（第2部分）：理解HTTP架构和库设计 已发布： 本文探讨了HTTP协议的基础知识，涵盖了主要方法（GET、POST、PUT、DELETE）、状态码以及URL的结构。此外，还介绍了Conexus库的构建起点，以及CQueryParam和CURL类，这些类用于在HTTP请求中操作URL和查询参数。 本文是该系列文章的延续，我们将构建一个名为Connexus的库。在 第一篇文章
新文章 基于MQL5的订单剥头皮交易系统 已发布： 这款MetaTrader 5 EA实现了基于订单流的剥头皮交易策略，并配备了高级风险管理功能。它使用多种技术指标，通过订单的不平衡性来识别交易机会。回测结果显示该策略具有潜在的盈利能力，但同时也突显了需要进一步优化的必要性，尤其是在风险管理和交易结果比率方面。该策略适合经验丰富的交易者，但在实际部署之前，需要进行彻底的测试和深入理解。 该EA通过使用多种技术指标和市场分析方法，基于订单流失衡寻找交易机会。它还包含高级风险管理功能，例如跟踪止损、部分平仓和动态仓位调整。此外，EA还引入了在重大新闻事件期间禁止交易的方法，并设置了连续亏损的限制。
新文章 掌握 MQL5：从入门到精通（第五部分）：基本控制流操作符 已发布： 本文探讨了用于修改程序执行流程的关键操作符：条件语句、循环和 switch 语句。利用这些操作符将使我们创建的函数表现得更加“智能”。 到目前为止，我们的程序相当有限，以严格的线性方式执行指令，没有决策能力。阅读本文后，您将能够创建更复杂的程序。 首先，我们将详细介绍布尔（逻辑）表达式，因为它们构成了理解其余内容的基础。 作者： Oleh Fedorov
新文章 重构MQL5中的经典策略（第三部分）：富时100指数预测 已发布： 在本系列文章中，我们将重新审视一些知名的交易策略，以探究是否可以利用AI来改进这些策略。在今天的文章中，我们将研究富时100指数，并尝试使用构成该指数的部分个股来预测该指数。 伦敦证券交易所（LSE）是发达世界中最古老的证券交易所之一。它成立于1801年，是英国的主要证券交易所。它被认为是除纽约证券交易所和东京证券交易所之外的“三大”交易所之一。伦敦证券交易所是欧洲最大的证券交易所，根据其官方网站，目前在该交易所上市的所有公司的总市值约为4.4万亿英镑。
EquiPeak Drawdown Tracker : EquiPeak Drawdown Tracker（EquiPeak缩水跟踪器）是一个用于实时监控和记录交易账户最大缩水的指标。它不仅能提醒您当前的缩水情况，还能直观地将您当前的缩水情况与您预期或之前记录的最大历史缩水情况进行比较，因此特别有用。 Author: Enrique Enguix
ICT_conceptsEA by Emil : 根据 ICT silverbullet 和 2022 模型进行交易，带跟踪止损和部分止损，也根据 OTE 保持入场，风险最小。 它在银弹的小时间窗口内工作，尤其是在纽约时段，如果没有找到交易，2022 模型和斐波那契 OTE 就会跳入以获得交易。但只有在确认这些模型存在后才会进入，因此交易量会减少，以实现最小的缩水和高胜率。要了解有关这些策略的更多信息，请访问 Inner Circle Trader YouTube 频道。 Author: Emil Paul Jacob
ColorXMA_Ishimoku_StDev - indicator for MetaTrader 5 : XMA_Ishimoku 指标使用基于标准偏差算法的彩色圆点显示额外的趋势强度。 附件链接中的原始代码在绘图方面存在问题。 Author: Betty Naliaka Barasa
新文章 交易中的神经网络：统一轨迹生成模型（UniTraj） 已发布： 理解个体在众多不同领域的行为很重要，但大多数方法只专注其中一项任务（理解、噪声消除、或预测），这会降低它们在现实中的有效性。在本文中，我们将领略一个可以适配解决各种问题的模型。
新文章 使用MQL5和Python构建自优化的EA（第四部分）：模型堆叠 已发布： 今天，我们将展示如何构建能够从自身错误中学习的AI驱动的交易应用程序。我们将展示一种称为堆叠（stacking）的技术，我们使用2个模型来做出1个预测。第一个模型通常是较弱的学习器，而第二个模型通常是更强大的模型，它学习较弱学习器的残差。我们的目标是创建一个模型集成，以期获得更高的准确性。 我们将关注新西兰元兑日元（NZDJPY）货币对的预测。我们希望从MetaTrader
