新文章 如何利用 MQL5 创建简单的多币种智能交易系统（第 3 部分）：添加交易品种、前缀和/或后缀、以及交易时段 已发布： 若干交易员同事发送电子邮件或评论了如何基于经纪商提供的名称里带有前缀和/或后缀的品种使用此多币种 EA，以及如何在该多币种 EA 上实现交易时区或交易时段。 在 上一篇文章 中，我说过，这个多币种智能交易系统不适用于经纪商提供的含有前缀或后缀的品种或货币对。 在仅适用于单一货币对的 EA 中（一个 EA 只对一个货币对起作用），经纪商的品种名称含有前缀和/或后缀也不会出现任何问题。 但是在我创建的多币种 EA 中，这成了一个问题，因为我们首先注册了 30
Trailing Stop Management Function : Filter orders based on the set magic number, execute the final stop loss management function, adjust the Stoploss and TrailingStop parameters, and place the Management function according to the structure of ea. It is recommended to place it under void OnTick() 作者：
新文章 从自营公司那里吸取一些教训（第 1 部分）— 简介 已发布： 在这篇介绍性文章中，我将讨论从自营交易公司实施的挑战规则中吸取的一些教训。 这对于初学者和那些努力在这个交易世界中站稳脚跟的人来说尤其重要。 后续文章会介绍代码实现。 自营交易公司 是金融机构，为自由交易者提供资金，同时分红利润。 他们为优秀的交易者提供了一种增加收益的好方法。 他们还给交易者一种成就感，因为在接受资金时得到认可。 他们实施了一系列规则和要求，包括资金交易者的最低绩效，从而保证双方持续一致的回报。 他们在评估和维持与成功交易者的长期关系方面具有既得利益，因此他们的要求可以作为评估一个人绩效的良好比较。
新文章 神经网络变得简单（第 62 部分）：在层次化模型中运用决策转换器 已发布： 在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。 事实证明，收集 2023 年前 7 个月历史区间的训练样本是相当劳累的。我遇到了一个问题，即便智能体动作采样的界限很小，大多数验算也无法满足余额正增长需求。 为了在优化模式下选择最优计划界限，将每次验算的迭代次数调整为优化参数。
根据设置的magic number筛选订单，执行追踪止损管理的函数 : 根据设置的magic number筛选订单，执行最终止损Management()管理的函数，Stoplose和TrailingStop 参数可调整，Management()函数可以根据ea的结构进行放置，建议放置在void OnTick()下 作者： Rahos hoo
根据magic number计算当前账号最后一次成交量 : 这是一个简单的function，根据magic number计算当前账号最后一次成交量，你可以自己设置magic number 作者： Rahos hoo
新文章 如何将 MetaTrader 5 与 PostgreSQL 连接 已发布： 本文讲述了将 MQL5 代码与 Postgres 数据库连接的四种方法，并提供了一个分步教程，指导如何使用 Windows 子系统 Linux （WSL） 为 REST API 设置一个开发环境。 所提供 API 的演示应用程序，配以插入数据并查询相应数据表的 MQL5 代码，以及消化此数据的演示智能系统。 MetaTrader 5 已经拥有操控 数据库 所需的功能，以及通过 网络 连接到数据库时可能需要的功能。 自 2020 年以来，该平台提供与 SQLite 的原生集成。
新文章 Scikit-Learn 库中的分类模型及其导出到 ONNX 已发布： 在本文中，我们将探讨使用 Scikit-Learn 库中所有可用的分类模型来解决 Fisher 鸢尾花数据集的分类任务。我们将尝试把这些模型转换为 ONNX 格式，并在 MQL5 程序中使用生成的模型。此外，我们将在完整的鸢尾花数据集上比较原始模型与其 ONNX 版本的准确性。 在新闻稿 “ONNX Runtime 现已开源” 中，声明了 ONNX Runtime 还支持 ONNX-ML 配置文件： ONNX Runtime是第一个完全支持 ONNX 1.2及更高版本（包括 ONNX-ML
新文章 神经网络变得简单（第 61 部分）：离线强化学习中的乐观情绪问题 已发布： 在离线学习期间，我们基于训练样本数据优化了智能体的政策。成品政策令智能体对其动作充满信心。然而，这种乐观情绪并不总是正当的，并且可能会在模型操作期间导致风险增加。今天，我们要寻找降低这些风险的方法之一。
新文章 您应当知道的 MQL5 向导技术（第 07 部分）：树状图 已发布： 出于分析和预测目的而把数据分类是机器学习中一个非常多样化的领域，它具有大量的方式和方法。本文着眼于一种这样的方式，即集聚层次化分类。 本文是有关使用 MQL5 向导系列文章的一部分，着眼于 树状图 。我们已经研究了一些对于交易者很实用的使用 MQL5 向导思路，例如： 线性判别分析 、 马尔可夫链 、 傅里叶变换 、和其它一些想法，本文旨在尽力深入探查利用 MetaQuotes 移植的大量 ALGLIB 代码的能力、配合内置的 MQL5 向导、熟练测试和开发新思路的途径。 集聚层次化分类
新文章 建立自动新闻交易程序 已发布： 这是 "Another MQL5 OOP"（另一个 MQL5 OOP 类）一文的续篇，该文向您展示了如何从头建立一个简单的面向对象的 EA 交易程序并向您提供了有关面向对象编程的某些提示。今天，我向您展示开发一个能够依据新闻进行交易的 EA 所需的技术基础。我的目标是继续向您提供有关面向对象编程的理念，同时也在这个系列的文章中涵盖新的主题——处理文件系统。 如 Investopedia（投资百科） 所 述，新闻交易者是“依据新闻进行交易或投资决定的交易者或投资者”。事实上，经济报告，例如一个国家的
新文章 神经网络变得轻松（第二十八部分）：政策梯度算法 已发布： 我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。 第一个已测试模型是 DQN。 它展现出意想不到的惊喜。 该模型产生了盈利。 但它仅执行了一个交易操作，持仓会贯穿整个测试过程。 已执行成交的品种图表如下所示。
新文章 神经网络变得轻松（第二十七部分）：深度 Q-学习（DQN） 已发布： 我们继续研究强化学习。 在本文中，我们将与深度 Q-学习方法打交道。 DeepMind 团队曾运用这种方法创建了一个模型，在玩 Atari 电脑游戏时其表现优于人类。 我认为评估该技术来解决交易问题的可能性将会很有益处。 您可能已经猜到了深度 Q-学习涉及运用神经网络来近似 Q 函数。 这种方式有什么优势？ 请记住上一篇文章中交叉熵表格方法的实现。 我强调，表格方法的实现假定可能的状态和动作数量是有限的。 故此，我们通过初始数据聚类来限制可能的状态数量。 但它有那么好吗？ 聚类总能产生更好的结果吗？
趋势方向和强度 - 平滑的 DSEMA : 趋势方向和强度 - 双重平滑 EMA 再平滑 作者： Mladen Rakic
新文章 神经网络变得轻松（第二十二部分）：递归模型的无监督学习 已发布： 我们继续研究无监督学习算法。 这次我建议我们讨论自动编码器应用于递归模型训练时的特性。 模型测试参数相同：EURUSD，H1，过去 15 年。 默认指标设置。 把最近 10 根蜡烛的数据输入到编码器。 已经过训练的解码器，可以解码最后 40 根蜡烛。 测试结果如下图所示。 在每根新形成的蜡烛完毕后，数据被输入编码器。 正如您在图表中所看到的，测试结果证实了这种方法对于递归模型的无监督预训练的可行性。 在模型的测试训练过程中，经过 20 个学习世代，模型误差几乎稳定下来，亏损率小于 9%。 此外，有关至少 30
新文章 学习如何基于交易量设计交易系统 已发布： 这是我们系列文集中的新篇章，介绍如何基于最流行的技术指标设计交易系统。 本文将专门讨论交易量指标。 作为一个概念，交易量是金融市场交易中非常重要的因素之一，我们必须予以关注。 贯穿本文，我们将学习如何基于交易量指标设计一款简单的系统。 在这一部分中，我们将为每个策略设计一个蓝图，设计蓝图的原因是帮助我们规化我们想要做的事情，从而创建一个交易系统。 这一步对于安排我们的思路非常重要且有必要，能够辨别我们每一步想要做什么。 首先，我们将创建一个简单交易系统的蓝图，该系统仅生成交易量指标的当期值，作为图表上的注释。
新文章 开发回放系统（第33部分）：订单系统（二） 已发布： 今天，我们将继续开发订单系统。正如您将看到的，我们将大规模重用其他文章中已经展示的内容。尽管如此，你还是会在这篇文章中获得一点奖励。首先，我们将开发一个可以与真实交易服务器一起使用的系统，无论是从模拟账户还是从真实账户。我们将广泛使用MetaTrader 5平台，该平台将从一开始就为我们提供所有必要的支持。
新文章 神经网络实验（第 7 部分）：传递指标 已发布： 传递指标至感知器的示例。本文讲述了一般概念，并展示了最简单的现成智能交易系统，后随其优化和前向验算结果。 阅读大量这个主题的文章，我持续观察到一个悲伤的场面，那就是基于神经网络的交易系统的直接结果。许多好的思路和算法却并未带来期待的结果。 在传递输入参数时，始终会观察到相同的画面。例如，振荡器值的直接传递，以我的观点，这与资产价格没有任何共通之处。振荡器有一个众所周知的问题 —
新文章 群体优化算法：随机扩散搜索（SDS） 已发布： 本文讨论了基于随机游走原理的随机扩散搜索（Stochastic Diffusion Search，SDS）算法，它是一种非常强大和高效的优化算法。该算法允许在复杂的多维空间中找到最优解，同时具有高收敛速度和避免局部极值的能力。 有趣的事实： 1. 随机扩散搜索（SDS）是第一个群智能元启发式算法，属于群智能和自然搜索优化算法的家族。这种算法的其他例子是蚁群优化、粒子群优化和遗传算法。 2. 与基于柱头能量通信的蚁群优化不同，SDS使用代理之间的直接通信，类似于细齿蚁使用的串联呼叫机制。
风险管理器 : 此 EA 控制并限制账户的总体亏损, 以及每笔交易的亏损。它含有账户的尾随停止。 作者： Анатолий Сергеев
新文章 神经网络变得简单（第 60 部分）：在线决策转换器（ODT） 已发布： 最近两篇文章专门介绍了决策转换器方法，其在期望奖励的自回归模型境况下针对动作序列进行建模。在本文中，我们将研究该方法的另一种优化算法。 在线决策转换器算法对决策转换器进行了关键修改，从而确保高效的在线训练。第一步是泛化概率训练目标。在这种境况下，目标是训练一个随机政策，取最大化重复轨迹的概率。 在线 RL 算法的主要属性是它能够平衡探索和开发。即使采用随机政策，传统的 DT 公式也并未考虑探索。为了解决这个问题，ODT
新文章 神经网络变得轻松（第十一部分）：自 GPT 获取 已发布： 也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。 当然，我们不打算在家用 PC 上创建如此庞然之物。 然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。 在同一数据集上测试了新的神经网络类，该数据集在之前的测试中曾经用过：神经网络馈入 EURUSD，时间帧为 H1，最后 20 根烛条的历史数据。 测试结果证实了这个假设，即更多的参数需要更长的训练时间。 在第一个训练迭代，参数较少的智能交易系统展现出的结果更稳定。
XWPR_Histogram_Vol_Direct : XWPR_Histogram_Vol 指标用柱线上的彩色图标来显示直方图的走势方向 作者： Nikolay Kositsin
XWPR_Histogram_Vol : WPR_Histogram_Vol 指标，针对结果直方图进行额外均化 作者： Nikolay Kositsin
新文章 群体优化算法：思维进化计算（MEC）算法 已发布： 本文探讨了MEC家族的算法，称为简单思维进化计算（Simple Mind Evolutionary Computation, Simple-MEC，SMEC）算法。该算法以其思想之美和易于实现而著称。 在解决复杂的高维问题时，进化计算中使用的群体算法比经典算法具有许多优势。它们可以更有效地找到与最优解足够接近的次优解，这在实际优化问题中通常是可以接受的。 进化计算中一种有趣的方法是Chengai和他的合著者于1998年提出的思维进化计算（Mind Evolutionary
新文章 神经网络变得简单（第 59 部分）：控制二分法（DoC） 已发布： 在上一篇文章中，我们领略了决策变换器。但是，外汇市场复杂的随机环境不允许我们充分发挥所提议方法的潜能。在本文中，我将讲述一种算法，旨在提高在随机环境中的性能。 控制二分法是斯多葛学派（Stoicism）的逻辑基础。它意味着一种思辨，即我们周围的一切存在都可以分为两部分。第一个受制于我们，完全在我们的控制之下。我们无法全面控制第二个，无论我们采取什么动作，事件都会发生。 我们正在操控第一个领域，同时认为第二个是理所当然的。 “控制二分法”方法的作者在他们的算法中实现了类似的假设。DoC
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