文章，程序库评论 - 页 45

新文章 开发多币种 EA 交易（第 6 部分）：自动选择实例组 已发布： 在优化交易策略后，我们会收到一组参数。我们可以使用它们在一个 EA 中创建多个交易策略实例。以前，我们都是手动操作。在此，我们将尝试自动完成这一过程。 在上一篇 文章 中，我们实现了选择策略选项的功能 - 固定仓位大小和可变仓位大小。这样，我们就可以根据最大回撤率对策略的工作结果进行归一化处理，并将最大回撤率在规定范围内的策略合并为一组。为了演示，我们从单个策略实例的优化结果中手动选择了几个最有吸引力的输入参数组合，并尝试将它们组合成一组，甚至是三组三策略的组合。我们在后一种情况下取得了最好的结果。

新文章 构建一个用于实现带约束条件的自定义最大值的通用优化公式（GOF） 已发布： 在这篇文章中，我们将介绍一种在MetaTrader 5终端的设置选项卡中选择“自定义最大值”时，实现具有多个目标和约束的优化问题的方法。举例来说，优化问题可以是：最大化利润因子、净利润和恢复因子，同时满足以下条件：回撤小于10%，连续亏损次数少于5次，每周交易次数多于5次。

新文章 走势延续模型 - 搜索图表和执行统计 已发布： 本文提供了一种走势延续模型的程序化定义。 主要思路是定义两个波浪 — 主浪和修正浪。 对于极值点，我应用分形以及“潜在”分形 - 尚未形成分形的极值点。 文章中所述的走势延续模型由两个波浪组成：主浪和修正浪。 图例 1 是该模型的示意性描述。 AB 是主浪，BC 是校正浪，而 CD 是走势主趋势的延续。 图例 1. 走势延续模型 在图表上，这看起来如下: 图例 2. AUDJPY H4 上的走势延续模型 在本文中，我们分析了以编程方式确定走势延续模型的方法之一。 该方法的关键思路是在不采用任何指标的情况下搜索修正走势高/低极值。

KeyFinder : 这款脚本搜索 DeMark 的轴点, 并在图表上显示它们, 同时指示它们的尺度。 作者： Pavel Trofimov

新文章 了解使用MQL5下单 已发布： 在创建任何交易系统时，我们都需要有效地处理一项任务。这项任务是下单，或者让创建的交易系统自动处理订单，因为它在任何交易系统中都至关重要。因此，您将在本文中找到您需要了解的关于这项任务的大多数主题，以有效地创建您的交易系统。 订单： 是交易服务器收到的以特定价格打开特定手数或交易量的买卖交易的请求。订单有两种类型，市场订单和挂单。 市场订单： 可以立即以当前市场价格执行的订单。, 挂单： 在预定条件下执行交易的订单，该条件涉及在其水平上执行交易的价格和执行交易的时间。 这些挂单可以是以下其中一种： 止损买入（Buy stop）：

新文章 Python中的虚假回归（伪回归） 已发布： 虚假回归通常发生在两个时间序列之间仅因偶然因素而展现出高度相关性时，这会导致回归分析产生误导性的结果。在这种情况下，尽管变量之间可能看似存在关联，但这种关联仅仅是巧合，模型可能并不可靠。 在深入机器学习算法交易领域之前，确认模型输入与我们想要预测的变量之间是否存在有意义的关系至关重要。本文阐述了在单位根测试中对模型残差的应用，以验证我们的数据集中是否存在这种关系的实用性。 遗憾的是，使用没有真正关系的数据集构建模型是有可能的。这些模型可能会产生令人印象深刻的低误差指标，从而营造出一种虚假的控制感和过于乐观的前景。

新文章 基于预测的统计套利 已发布： 我们将探讨统计套利，使用Python搜索具有相关性和协整性的交易品种，为皮尔逊（Pearson）系数制作一个指标，并编制一个用于交易统计套利的EA，该系统将使用Python和ONNX模型进行预测。 统计套利是一种复杂的金融策略，它通过数学模型，利用相关金融工具之间的价格低效性交易获利。该策略通常应用于股票、债券或衍生品，要求深刻理解相关性、协整性以及皮尔逊系数，这些是识别和利用市场机会的关键工具。 在金融领域， 相关性

新文章 用于时间序列挖掘的数据标签（第 6 部分）：使用 ONNX 在 EA 中应用和测试 已发布： 本系列文章介绍了几种时间序列标注方法，可以创建符合大多数人工智能模型的数据，根据需要进行有针对性的数据标注可以使训练好的人工智能模型更符合预期的设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！ 在上一篇文章中，我们讨论了如何使用套接字（websocket）在 EA 和 python 服务器之间进行通信，以解决回测问题，还讨论了我们采用这种技术的原因。在本文中，我们将讨论如何使用 mql5 原生支持的 onnx 对我们的模型进行推理，但这种方法有一些局限性。如果您的模型使用了 onnx

新文章 一种采用纯MQL5语言实现的基于能量学习的特征选择算法 已发布： 本文介绍了一种在学术论文《FREL：一种稳定的特征选择算法》中描述的特征选择算法的实现，该算法被称为基于正则化能量的特征加权学习。 在算法交易的领域中，机器学习的广泛应用，促使数据挖掘技术被用来发掘金融数据中的隐藏模式。在这一背景下，从业人员经常面临挑战，即如何从众多变量中筛选出最有可能对实现特定目标或解决特定问题有用的变量。本文探讨了特征选择算法的实现，该算法旨在评估一组候选变量在给定预测任务中的相关性。 Yun Li, Jennie Si, Guojing Zhou, Shasha Huang, and

新文章 MQL5 简介（第 6 部分）：MQL5 中的数组函数新手指南 (二) 已发布： 开始我们 MQL5 旅程的下一阶段。在这篇深入浅出、适合初学者的文章中，我们将探讨其余的数组函数，揭开复杂概念的神秘面纱，让您能够制定高效的交易策略。我们将讨论 ArrayPrint、ArrayInsert、ArraySize、ArrayRange、ArrarRemove、ArraySwap、ArrayReverse 和 ArraySort。利用这些基本的数组函数，提升您的算法交易专业知识。加入我们的精通 MQL5 之路吧！ 欢迎来到我们 MQL5 之旅的第六部分！我们将继续探讨 MQL5

新文章 您应当知道的 MQL5 向导技术（第 12 部分）：牛顿多项式 已发布： 牛顿多项式，其依据一组少量点创建二次方程，是一种古老但有趣的时间序列观察方式。在本文中，我们尝试探讨这种方式在哪些方面对交易者有用，并解决其局限性。 时间序列分析不仅在支持基本面分析方面扮演着重要角色，并且在像外汇这样流动性很强的市场中，它也成为决定如何在市场中定位的主要驱动力。传统的技术指标往往远远滞后于市场，这令它们不受大多数交易者的青睐，导致替代品的兴起，其中最主要的大概就是目前盛行的神经网络。但是多项式插值呢？

EES 对冲 : 该实用工具跟踪手工或由另一个 EA 所开的当前品种持仓，并开一笔相反仓位。 在 OnTradeTransaction中 跟踪开仓。 作者： Vladimir Karputov

X-bars 分形 : X-bars 分形指标用于设置分形左右的柱数. 它对局部或者全局的极值都很有帮助 作者： Serhii Ivanenko

包围圈大师 : 智能交易系统使用突破买入 (Buy Stop) 和突破卖出 (Sell Stop) 挂单。 马丁格尔。 作者： Vladimir Karputov

新文章 可视化策略构建工具. 无需编程即可创建交易机器人 已发布： 本文展示了一个可视化的策略构建工具，它演示了任何用户如何不必编程就能创建交易机器人和相关工具。创建出的 EA 交易是完整功能的，并且可以在策略测试器中测试，通过云计算来优化或者实时运行于图表之上。 EA 的交易逻辑已经完成了，现在我们需要确认的是交易手数大小，交易注释和止损/获利值可以通过 EA 交易的输入参数来进行调整，为此，我们又一次需要来自 Input Parameters(输入参数) 组的元件。 交易手数是一个 小数 , 交易注释是一个 字符串 , 而幻数、止损和获利都是 整数

新文章 群体优化算法：抵抗陷入局部极值（第二部分） 已发布： 我们将继续我们的实验，它的目标是研究群体优化算法在群体多样性较低时有效摆脱局部最小值并达到全局最大值的能力。提供了研究的结果。 灰狼优化器（ GWO ） C_AO_GWO:50;10 ============================= 5 Hilly's; Func runs:10000; result：0.5385541648909985 25 Hilly's；Func runs：10000; result：0.33060651191769963 500 Hilly's；Func runs：10000;

新文章 算法交易中的风险管理器 已发布： 本文的目标是证明在算法交易中使用风险管理器的必要性，并在一个单独的类中实现控制风险的策略，以便每个人都可以验证标准化的风险管理方法在金融市场日内交易和投资中的有效性。在本文中，我们将为算法交易创建一个风险管理类。本文是上一篇文章的延续，在前文中我们讨论了为手动交易创建风险管理器。 在本文中，我们将开发一个风险管理器类来控制算法交易中的风险。本文的目的是将控制风险的原则应用于算法交易，并在一个单独的类中实现它们，以便每个人都可以验证风险标准化方法在日内交易和金融市场投资中的有效性。本文将使用和补充上一篇文章" 《手动交易风险管理器》

垂直线 : 本指标会画出一条垂直线 (OBJ_VLINE)，然后把它移动到制定的时间 (小时和分钟)。 作者： Vladimir Karputov

简单的均线EA: 维加斯通道给方向，15EMA，50SMA交叉进出场。 作者： Jinhui Gao

新文章 群体优化算法：抵抗陷入局部极值（第一部分） 已发布： 本文介绍了一个独特的实验，旨在研究群体优化算法在群体多样性较低时有效逃脱局部最小值并达到全局最大值的能力。朝着这个方向努力将进一步了解哪些特定算法可以使用用户设置的坐标作为起点成功地继续搜索，以及哪些因素会影响它们的成功。 这项研究的想法和理念源自我对这个主题的深入研究和对科学研究的热情。我相信这项工作可能会成为算法优化领域的重要贡献，吸引研究人员和从业者的关注。

新文章 交易中的道义期望 已发布： 这篇文章是关于道义期望。 我们将看到在交易中运用它的若干示例，以及在它的帮助下可以达成的结果。 乍一看，具有固定止损和止盈（蓝线）的选项获胜。 但是，应该记住，我们用的是可能的最大止损和最小止盈。 如果我们稍微减少止损点数和增加止盈点数来远离这些界限会发生什么？ 那么情况也许会改变。 作者： Aleksej Poljakov

新文章 MQL5 细则手册：在 MQL5 中开发多交易品种波动指标 已发布： 本文将探讨如何开发多交易品种波动指标。对于 MQL5 开发新手来说，开发多交易品种指标可能有些难度，本文将帮他们理清开发过程。开发多交易品种指标的主要问题：其它交易品种的数据与当前交易品种之间的同 步；缺乏某些指标数据；以及确定既定时间表“真实”柱的起点。本文将密切关注以上所有问题。 我们将获得根据句柄已计算出的每个交易品种的 平均真实波幅

新文章 神经网络变得简单（第 76 部分）：配合多未来变换器探索不同的交互形态 已发布： 本文继续探讨预测即将到来的价格走势的主题。我邀请您领略多未来变换器架构。其主要思路是把未来的多模态分布分解为若干个单模态分布，这样就可以有效地模拟场景中个体之间互动的各种模态。 MFT 模型的核心是一个并行互动模块，它由并行结构中的多个互动模块组成，研究每种模式下个体走势的未来特征。这三个预测头部包括： 运动解码器，, 个体分数解码器，, 场景分数解码器。

新文章 构建一个K线图趋势约束模型（第二部分）：融合原生指标 已发布： 这篇文章的重点在于如何利用MetaTrader 5内置指标来筛选出逆势信号。在上一篇文章的基础上，我们将进一步探讨如何使用MQL5代码将我们的想法最终用代码实现。 以下是MetaTrader 5中常用的一些内置指标： Moving Averages, Bollinger Bands, Relative Strength index, MACD( Moving Average Convergence Divergence), Stochastic Oscillator, Average True Range

自定义最高价和最低价水平 : 最高价和最低价. 对于水平线，您可以设置一个偏移，您可以设置周期 (PERIOD_D1) 来搜索水平线. 作者： Vladimir Karputov

Volatility_Step_Channel : 指标基于波动率绘制步进通道。 作者： Nikolay Kositsin

新文章 龟壳演化算法（TSEA） 已发布： 这是一种受乌龟壳演化启发的独特优化算法。TSEA算法模拟了角质化皮肤区域的逐渐形成，这些区域代表了一个问题的最优解。最优解会变得更加“坚硬”，并位于更靠近外层表面的位置，而不太理想的解则保持“较软”的状态，并位于内部。该算法通过根据质量和距离对解进行聚类，从而保留了不太理想的选项，并提供了灵活性和适应性。

新文章 DoEasy.控件（第 33 部分）：垂直滚动条 已发布： 在本文中，我们将继续开发 DoEasy 库的图形元素，并添加表单对象控件的垂直滚动功能，以及将来需要的一些实用函数和方法。 编译 EA 并在图表上启动，同时事先指定面板自动大小为 "No"： We see that the vertical scrollbar works exactly the same as the horizontal one implemented in the previous article . 我们可以看到，垂直滚动条的工作原理与 上一篇文章中 实现的水平滚动条完全相同。 作者： Artyom

新文章 学习为什么、以及如何设计算法交易系统 已发布： 本文在介绍了 MQL5 的一些基础知识之后，通过设计一个简单的算法交易系统，向初学者展示了如何运用 MQL 的基础知识设计他们的算法交易系统（智能交易系统） 众所周知，在交易过程中，阻碍我们自律的最常见事情就是情绪，我们必须避免这些情绪，或者当避免这些情绪对交易决策产生影响时采取消极方式。 我想让大家想象一下，如果你们有一个系统，它能在不受人为干预的情况下，以预定的参数为你们工作。 那么，在此情况下，情绪对我们交易决策的负面影响就能被避免。 好消息是，我们有一个工具可以帮助我们做到这一点。 此处，我将为 MetaTrader 平台撰写关于

新文章 两样本Kolmogorov-Smirnov检验作为时间序列非平稳性的指标 已发布： 本文探讨了最著名的非参数同质性检验之一——两样本柯尔莫哥洛夫-斯米尔诺夫（Kolmogorov-Smirnov）检验。文章对模型数据和实际价格都进行了分析。此外，本文还给出了构建非平稳性指标（iSmirnovDistance）的一个示例。 在本研究中，我将使用经验分布函数来检验金融时间序列的狭义平稳性。概率论和数理统计作为前者的一个特定部分，都是基于平稳性假设的。分析平稳过程的方法有很多，包括回归分析、自相关分析、光谱分析方法以及使用神经网络等。然而，将这些方法应用于非平稳数据可能会导致显著的预测误差。