新文章 开发回放系统 — 市场模拟（第 24 部分）：外汇（V） 已发布： 今天，我们将去除阻止基于最后成交价进行模拟的限制，并将专门针对这类模拟引入一个新的切入点。整个操作机制将基于外汇市场的原则。该过程的主要区别在于出价（Bid）和最后成交价（Last）模拟的分离。不过，重点要注意，用于随机化时间，并将其调整为与 C_Replay 类兼容的方法在两类模拟中保持雷同。这很好，因为一种模式的变化会导致另一种模式的自动改进，尤其遇到处理跳价之间的时间。
新文章 神经网络变得轻松（第五十五部分）：对比内在控制（CIC） 已发布： 对比训练是一种无监督训练方法表象。它的目标是训练一个模型，突显数据集中的相似性和差异性。在本文中，我们将谈论使用对比训练方式来探索不同的扮演者技能。 对比内在控制算法在环境中训练智能体时首先使用反馈，并获取状态和动作的轨迹。然后使用 对比预测编码（CPC） 执行表象训练，其会激励智能体从状态和动作中提取关键特征。表象的表示要考虑到连续状态之间的依赖关系。 内在奖励在判定哪些行为策略应该最大化方面扮演着重要角色。CIC 将状态之间转换的熵最大化，从而促进了智能体行为的多样性。这允许智能体探索和创建行为策略的多样化。
新文章 在 EA 交易代码中实现指标的计算 已发布： 把指标代码移动到 EA 交易中可能有多种原因，怎样评估这种方法的优缺点呢?本文描述了在 EA 交易中实现指标代码，还进行了几个实验来评估 EA 交易运行的速度。 下面是我们为了把指标计算迁移到 EA 交易中所需要做的事。 准备指标缓冲区的操作，为此，创建 CArrayBuffer 类，带有用于数据存储和方便访问的方法。随后，根据指标中缓冲区的数量来创建这样的类的数组。, 把来自 OnCalculate 函数中指标的计算部分迁移到我们类的 Calculate 函数中。, 指标可以从 OnCalculate 函数参数中访问时间序列 (和 EA
新文章 构建自动运行的 EA（第 09 部分）：自动化（I） 已发布： 尽管创建自动 EA 并非一项非常困难的任务，但在缺乏必要知识的情况下可能会犯许多错误。 在本文中，我们将研究如何构建初级自动化，其中包括创建一个触发器来激活盈亏平衡和尾随停止价位。 下面的视频演示了该系统的操作情况。 对于那些想象这是不同或不起作用的人，请观看视频并得出自己的结论。 尽管为了理解正在发生的事情，最好的办法是编译 EA，并在模拟账户上自行测试。 以这样的方式，对整个系统的理解将更加扎实和清晰。 作者： Daniel Jose
新文章 将ML模型与策略测试器集成（结论）：实现价格预测的回归模型 已发布： 本文描述了一个基于决策树的回归模型的实现。该模型应预测金融资产的价格。我们已经准备好了数据，对模型进行了训练和评估，并对其进行了调整和优化。然而，需要注意的是，该模型仅用于研究目的，不应用于实际交易。 基于上述标准，在本文中，我决定使用决策树回归模型来预测收盘价。选择这种模型的理由如下： 性能 ：决策树通常适用于回归问题，因为它们能够捕捉变量之间的非线性关系和相互作用。通过适当调整模型超参数，如树深度和每片叶子的最小样本数，我们可以实现适应度和泛化之间的平衡。 , 可解释性
新文章 针对初学者以 MQL5 编写“EA 交易”的分步指南 已发布： 使用 MQL5 的“EA 交易”编程很简单，您可以轻松学会。我们在本分步指南中向您指出了基于开发的交易策略编写简单的“EA 交易”所需的基本步骤。“EA 交易”的结构、内置技术指标和交易函数的使用、调试模式的详细内容以及策略测试程序的使用将在本文中一一论及。 作者： Samuel
新文章 MQL5中的范畴论（第20部分）：自我注意的迂回与转换 已发布： 我们暂时离开我们的系列文章，考虑一下 chatGPT 中的部分算法。有没有从自然变换中借鉴的相似之处或概念？我们尝试用信号类格式的代码，在一篇有趣的文章中回答这些和其他问题。 我认为，在范畴论和自然变换的主题上继续写这些系列文章，而不去碰房间里的大象，也就是 chatGPT，那将是失职的。到目前为止，每个人都以某种形式熟悉了chatGPT和许多其他人工智能平台，并见证和欣赏了 变换 神经网络（transformer neural
新文章 为 MetaTrader 5 开发一款 MQTT 客户端：TDD 方式 - 第2部分 已发布： 本文是描述 MQTT 协议的本机MQL5客户端开发步骤系列文章的一部分。在这一部分中，我们将描述我们的代码组织、第一个头文件和类，以及我们如何编写测试。本文还包括关于测试驱动开发实践以及我们如何将其应用于该项目的简要说明。
新文章 MQL5 中的范畴论 (第 17 部分)：函子与幺半群 已发布： 本文是我们系列文章的最后一篇，将函子作为一个主题来讨论，且把幺半群作为一个范畴来重新审视。幺半群已在我们的系列中多次讲述，于此配合多层感知器帮助确定持仓规模。 为了汇总我们从这项研究中得到的主要收获和发现，我们已经展示了一个不同的幺半群视角，并以 MQL5 语言实现一个范畴。我们进一步证明，这种实现在指导交易系统的持仓规模方面很实用，在我们的例子中，它依赖于 RSI 指标的入场和离场信号。
新文章 MQL5 编程基础：数组 已发布： 数组连同变量及函数是几乎所有编程语言的组成部分。很多编程新手往往对数组“心存惧意”。听上去不可思议，但这是事实！我可以向你们保证，它们没有什么好可怕的。事实上，数组和普通的变量类似。不考虑符号特性的细节，语句的编写没有太大区别，无论是使用简单变量. 数组看上去有些复杂的原因是不是和使用 " [ " 和 " ] " 有一定的关系？这些符号很少在编程中的数组以外的任何场合使用，因此读者可能不记得它们在键盘上的位置并感到不适。而事实上，您可以轻松记住它们的位置 - 这两个键呈逻辑顺序位于 "Enter" 键的旁边：左括号后面是右括号。 作者： Dmitry
新文章 在算法交易中 Kohonen 神经网络的实际应用。 第 I 部分 工具 已发布： 本文依据之前发表文献中所介绍的思路，开发在 MetaTrader 5 中运用 Kohonen 映像。 改进并强化的类提供了解决应用程序任务的工具。 在继承的源代码中，未使用输入数据常规化。 不过，在输入矢量的不同分量（特征）有不同数值范围的情况下，它会非常重要。 这是 EA 的优化结果，并汇集不同指标数据的情况。 至于优化结果，我们可以看到，有数十万的总利润其数值较小，例如锋锐比率的分数，或恢复因子的一位数值。 您不应该使用这种不同规模的数据来教育 Kohonen
新文章 10 分钟掌握 MQL5 的 DLL(第二部分)：使用 Visual Studio 2017 创建 已发布： 初版文章依然具有其相关性，因此如果您对此主题感兴趣，请务必阅读第一篇文章。 从初版起已经过了很久时间，而当前的 Visual Studio 2017 具有全新的界面。 MetaTrader 5 平台也拥有了诸多新功能。 本文提供了开发 DLL 项目各个阶段的描述，以及如何设置 DLL 并与 MetaTrader 5 工具进行交互。 创建一个简单的 DLL 整个过程已在 初版文章 中有所描述。 如今我们再次研究软件的更新和变化。 运行 Visual Studio
新文章 神经网络变得轻松（第五十四部分）：利用随机编码器（RE3）进行高效研究 已发布： 无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。 高效探索的随机编码器（RE3）方法的主要目标是最大限度地降低训练模型的数量。在它们的工作中，RE3 方法的作者提请注意这样一个事实，即在图像处理领域，只有卷积网络能够识别单个对象的外在特点和内在特征。卷积网络将有助于降低多维空间的维度，突出特征并应对原始对象的缩放。
新文章 MQL5中的范畴论（第19部分）：自然性四边形归纳法 已发布： 我们继续通过探讨自然性四边形归纳法来研究自然变换。对于使用MQL5向导构建的EA交易来说，对多货币实现的轻微限制意味着我们正在通过脚本展示我们的数据分类能力。所考虑的主要应用是价格变化分类及其预测。 在这篇文章中，我们将重点讨论如何利用自然性四边形，这是我们在 上一篇文章 中引入的一个概念，并进行归纳。这一做法的潜在适用好处将通过3个可以通过套利联系起来的外汇货币对来证明。我们希望对其中一对的价格变化数据进行分类，目的是评估我们是否可以为该对开发进场信号算法。 自然性四边形是 自然变换
新文章 数据科学与机器学习 — 神经网络（第 02 部分）：前馈神经网络架构设计 已发布： 在我们透彻之前，还有一些涵盖前馈神经网络的次要事情，设计就是其中之一。 针对我们的输入，看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。 我们都知道，当涉及到优化新参数时，硬编码模型会落入钝化，整个过程很耗时，会导致头痛、背部疼痛、等等， （太不值了） 。 如果我们抵近观察神经网络背后的操作，您会注意到每个输入都被乘以分配给它的权重，然后它们的输出被添加到乖离之中。 矩阵运算可以很好地处理这一点。 作者： Omega J Msigwa
新文章 如何利用 MQL5 创建自定义指标（Heiken Ashi） 已发布： 在本文中，我们将学习如何根据我们的偏好利用 MQL5 创建自定义指标，在 MetaTrader 5 当中运用它来帮助我们读取图表，或在自动智能系统当中运用。 Heiken Ashi 图表类似于普通的烛台技术图表，但绘制这些蜡烛的计算方式是不同的。 也就是说，有两种不同的方法。 众所周知，普通烛台图表根据特定时期内的真实开盘价、最高价、最低价和收盘价计算价格，但 Heiken Ashi 在计算蜡烛时会考虑之前类似价格（开盘价、最高价、最低价和收盘价）的价格。 以下是 Heiken Ashi 的相关值如何计算的：
新文章 MQL5中的范畴论（第18部分）：自然性四边形 已发布： 本文通过介绍自然变换这一主题中的一个关键支柱，继续我们的范畴理论系列。我们研究看似复杂的定义，然后深入研究本系列“面包和黄油”的示例和应用程序；波动性预测。 自然变换（Natural transformations） 是范畴论中的一个关键概念，通常被视为 函子
价格通道止损 : 价格通道止损（Price Channel Stop）指标显示了根据通道周期数和预想的风险估计的趋势。它还显示了两个值的水平线，可以用于根据本指标开启订单的止损（使用趋势颜色改变可以用于开启新订单的信号以及关闭已有订单）。 作者： Mladen Rakic
MQL5向导 - 基于三条移动平均线的交易信号 : 基于两条指数平滑移动平均线交叉的交易信号（CSignalCrossEMA来自MQL5标准库)被考虑。基于该策略的EA交易的代码可以被MQL5向导自动生成 作者： MetaQuotes Software Corp
新文章 MQL 作为 MQL 程序图形界面的标记工具（第三部）。 窗体设计师 已发布： 在篇论文当中，我们将用 MQL 的结构完成构建 MQL 程序窗口界面的概念讲述。 专业的图形编辑器能够交互式地设置由 GUI 元素的基本类组成的布局，然后将其以 MQL 描述导出，从而可在您的 MQL 项目中使用。 此片论文介绍了编辑器的内部设计和用户指南。 附带源代码。 编辑器是为标准函数库界面元素类而设计的。 若要为其他函数库创建类似的工具，您必须依据提议的标记系统为所有抽象实体编写特定实现。 同时，您应该遵照标准库的标记类实现作为指导。
新文章 MQL5 中的范畴论 (第 16 部分)：多层感知器函子 已发布： 本文是我们系列文章的第 16 篇，继续考察函子以及如何使用人工神经网络实现它们。我们偏离了迄今为止在该系列中所采用的方式，这涉及预测波动率，并尝试实现自定义信号类来设置入仓和出仓信号。 不过，在这篇文章中，我们对标普 500 指数更感兴趣，不仅仅是因为它的波动性，就像上一篇文章的情况，还有它的趋势。我们希望对其短期（月度）趋势进行预测，并在我们的智能系统中使用这些预测开仓。这意味着我们与智能信号类打交道，而不是智能尾随类，就像该系列到目前为止的情况一样。那么，依据财经日历数据图形实现基于函子的变换将导致标普 500
新文章 利用 MQL5 矩阵的反向传播神经网络 已发布： 本文讲述在 MQL5 中利用矩阵来应用反向传播算法的理论和实践。 它还提供了现成的类，以及脚本、指标和智能交易系统的示例。 正如我们将在下面看到的，MQL5 提供了大量的内置激活函数。 函数的选择应基于特定问题（回归、分类）。 通常，可以选择几个函数，然后经由验正找到最优的一个。 流行的激活函数 激活函数可以具有不同的数值范围、有限或无限。 特别是，sigmoid(3) 将数据映射到范围 [0,+1]，这对于分类问题更好；而双曲正切将数据映射到范围 [-1,+1]，假设范围，推测这对于回归和预测问题更佳。 作者： Stanislav
Schaff 趋势循环 : Schaff 趋势循环(Schaff Trend Cycle, STC) 指标可以比 MACD 早很多就侦测到趋势的上下变化。它是通过使用相同的指数移动平均 (EMAs) 来做到这一点的, 只是加上了一个货币循环趋势因子组件。因为货币循环趋势的变化是基于一定的天数的，这个因素考虑到 STC 指标中会使它比 MACD 更加精确可靠。 作者： Mladen Rakic
新文章 在 MetaTrader 5 中测试和优化二元期权策略 已发布： 在本文中，我将在 MetaTrader 5 中检查并优化二元期权策略。 摊平操作测试结果。 最终，成功。 摊平操作优化结果: 作者： Roman Poshtar
新文章 如何利用 MQL5 创建简单的多币种智能交易系统（第 1 部分）：基于 ADX 指标的信号，并结合抛物线 SAR 已发布： 本文中的多币种智能交易系统是交易机器人，它只能在单一品种图表中运营，但可交易（开单、平单和管理订单）超过一个品种对。 本文中多币种智能交易系统的定义是交易机器人，它可从单一品种的图表中交易（开单、平单和管理订单）超过一个品种对。 当前对自动化交易系统、或多币种交易机器人系统的需求和兴趣非常高涨，但我们看到，在 MQL5 自动交易机器人上实现多币种系统程序尚未广泛发布，或也许仍被许多程序员保密。
新文章 神经网络变得轻松（第五十三部分）：奖励分解 已发布： 我们已经不止一次地讨论过正确选择奖励函数的重要性，我们通过为单独动作添加奖励或惩罚来刺激代理者的预期行为。但是关于由代理者解密我们的信号的问题仍旧悬而未决。在本文中，我们将探讨将单独信号传输至已训练代理者时的奖励分解。 我们继续探索强化学习方法。如您所知，机器学习领域中用于训练模型的所有算法都基于最大化环境奖励的范式。奖励函数在模型训练过程中起着关键作用。其信号往往非常模棱两可。
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