新文章 价格走势角度分析：用于预测金融市场的混合模型 已发布： 什么是金融市场角度分析？如何利用价格变动角度和机器学习实现准确率达 67% 的精准预测？如何将回归和分类模型与角度特征相结合，并获得一个可运行的算法？这与江恩理论有什么关系？为什么价格走势角度是机器学习的良好指标？ 货币对、股票和期货图表上每天都会产生成千上万根 K 线。它们构成形态，形成趋势，并产生阻力和支撑。然而，在这些熟悉的图表背后，隐藏着一个我们很少注意到的数学实体，即连续价格点之间的角度。 请查看常规的 EURUSD
新文章 基于Python的CFTC数据挖掘与AI预测模型构建 已发布： 让我们尝试挖掘CFTC数据，通过Python下载COT和TFF报告，将其与MetaTrader 5行情数据及AI模型相结合，并生成预测。外汇市场中的COT报告是什么？如何利用COT和TFF报告进行行情预测？ 想要在外汇市场中实现稳定交易表现，不仅需要技术分析，还必须结合基本面因素。有一类极具价值却常被忽视的数据来源，就是CFTC报告（COT和TFF），能够披露市场主力持仓结构，帮助我们研判机构投资者的交易行为。
新文章 神经网络在交易中的应用：基于频域的异常检测 (CATCH) 已发布： CATCH 框架结合了傅里叶变换和频率修补技术，能够准确识别传统方法无法发现的市场异常。让我们来探讨这种方法是如何揭示金融数据中隐藏的模式。 时间序列分析的核心挑战之一是异常检测。价格突然飙升、流动性急剧变化或可疑交易活动可能表明存在市场操纵或内幕交易。如果这些信号被忽视，后果可能十分严重 — 从重大损失到整个金融机构的崩溃。 异常通常分为两类：点异常和子序列异常。点异常是明显的异常值，例如某只股票交易量的突然激增。使用标准方法，这些相对容易检测。子序列异常更为微妙 —
新文章 学习如何基于 Stochastic 设计交易系统 已发布： 在本文中，我们继续我们的研究系列 — 这次，我们将学习如何基于最流行的技术指标之一 Stochastic 振荡器指标设计交易系统。 在这一部分中，我们将为前面提到的策略设计蓝图，这将有助于我们轻松创建一个交易系统。 该蓝图将一步步地提供指导，来辨别我们需要该程序具体做什么。 策略之一: 上行趋势策略 %K, %D < 50 --> %K > %D = 做多信号 我们首先需要程序检查（%K，%D），并决定它是否低于或高于 50 级，然后若是低于 50 级，它就等待...什么都不做，直到 %K 线上穿 %D 线，才会给出做多信号。
新文章 图形界面 X: 多行文本框中的字词回卷算法 (集成编译 12) 已发布： 我们继续开发多行文本框控件。这次我们的任务是实现一个自动的文字回卷, 以防发生文本框宽度溢出, 或者如果出现机会, 将文本逆卷到上一行。 行的所有重新排列步骤, 正向和逆向字词卷绕在循环过程中均无法看到: 下图展示的粗略示例即为操纵图形界面时用户之所见: 图例. 8. 通过文本编辑器的示例演示字词卷绕算法。 作者： Anatoli Kazharski
CTradeStatistics : 计算 ENUM_STATISTICS 枚举参数的类 作者： Andrey Voytenko
新文章 MQL5中的ARIMA预测指标 已发布： 在这篇文章中，我们将在 MQL5 环境中实现一个 ARIMA 预测指标。文章深入探讨了 ARIMA 模型生成预测的机制，并分析了其在外汇市场乃至整个证券市场的适用性。此外，文章还详细阐释了什么是 AR 自回归模型，如何利用自回归模型进行预测，以及自回归机制的具体运作原理。 模型的第一部分称为“自回归”。这个专业术语的含义很简单：今天的价格取决于昨天、前天，甚至更早之前的价格。这就好像市场拥有记忆，并基于过去构建未来。 如果 EUR/USD
新文章 MQL5 酷宝典 - 创建的环形缓存用于快速计算滑动窗口中的指标 已发布： 在滑动窗口中执行计算时, 环形缓存是排布数据最简单和最有效的方式。本文描述其算法, 并展示它如何简化滑动窗口中的计算, 以令其更有效率。 在计算伊始, 指标只是将新的数值添加到移动平均的环形缓存当中。您不必控制添加值的数量。所有过时元素的计算和清除都会自动进行。如果在更改最后一根柱线的价格时调用此指标, 则最后一个移动平均值应由新数值替换。ChangeValue 方法为此负责。 指标的图形显示与标准版移动平均值等效: 图例. 1. 在环形缓存中计算的简单移动平均值 作者： Vasiliy Sokolov
新文章 挖掘央行资产负债表数据，描绘全球流动性全貌 已发布： 挖掘各国央行资产负债表数据，能够厘清外汇市场与主要币种的全球流动性现状。我们整合美联储、欧洲央行、日本央行、中国人民银行的数据构建综合指数，并借助机器学习挖掘潜藏规律。该方法融合基本面与技术分析，将原始数据转化为可落地的交易信号。 本文不只是央行资产负债表的分析教程，更深入讲解了如何搭建量化系统 ——
新文章 神经网络在交易中的应用：市场异常的自适应检测（终篇） 已发布： 我们继续构建构成 DADA 框架基础的算法，该框架是检测时间序列异常的高级工具。这种方法能够有效区分随机波动和显著偏差。与经典方法不同，DADA 能够动态适应不同的数据类型，在每种特定情况下选择最佳的压缩级别。 为了进行训练，我们使用 MetaTrader 5 策略测试器，基于 2024 年 的历史 EURUSD 数据（ M1 时间周期）生成了一个随机运行数据集。数据是使用标准指标设置收集的，以保证实验条件尽可能干净，并减少外部因素干扰。 然后，使用 2025 年 1 月至 2
新文章 并行粒子群优化 已发布： 本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。 从算法的角度来看，PSO方法相对简单。其主要思想是在EA交易的输入参数空间中生成一组虚拟“粒子”。然后，粒子移动并根据EA在空间中相应点的交易度量改变其速度。该过程重复多次，直到性能停止改善。该算法的伪代码如下： 粒子群优化伪码
新文章 外汇套利交易：汇率关系评估面板 已发布： 本文介绍了在 MQL5 中开发套利分析面板的过程。如何通过不同方式在外汇交易中获得公允的汇率？制定一个指标，以获取市场价格与公允汇率之间的偏差，并评估一种货币兑换为另一种货币的套利方式（如三角套利）的收益。 今天我想分享我的作品，这是一个用于分析公允货币价格的系统，附带套利评估功能，使用 MetaTrader 5 的 MQL5 语言编写。这一切都始于一个让我彻夜难眠的简单问题：如果我们能计算出“正确”的汇率 —
新文章 神经网络在交易中的应用：市场异常的自适应检测（DADA） 已发布： 我们诚邀您了解 DADA 框架，这是一种用于检测时间序列异常的创新方法。它有助于区分随机波动和可疑偏差。与传统方法不同，DADA 具有灵活性，能够适应不同的数据。它没有采用固定的压缩级别，而是提供了多种选项，并为每种情况选择最合适的选项。 基于深度学习的现代异常检测方法已取得显著成功，但它们也存在局限性。大多数情况下，这些方法需要对每个新数据集进行单独训练，这阻碍了它们在现实世界中的应用。金融数据瞬息万变，其历史模式并非总是重现。 主要问题之一是不同市场中的数据结构各不相同。由于异常情况很少发生，现代算法通常使用
新文章 数据科学与机器学习（第四十二部分）：使用Python中的ARIMA模型进行外汇时间序列预测 —— 您需要了解的一切 已发布： ARIMA，全称为自回归积分移动平均模型，是一种效果出色的传统时间序列预测模型。该模型能够捕捉时间序列数据中的突增与波动，可对后续数值做出精准预测。在本文中，我们将了解什么是ARIMA、如何运行，以及如何利用它高精度预测市场下一期价格，还有更多相关实用内容。 时间序列预测，是利用历史数据预测按时间排序的数据点未来取值的过程。这类数据通常按时间顺序排列，因此被称为 时间序列 。
新文章 MQL5交易策略自动化（第十二部分）：实现缓解型订单块（MOB）策略 已发布： 在本文中，我们将构建一个MQL5交易系统，可针对“聪明资金”（Smart Money）交易自动检测订单块。我们将阐述该策略的规则，在MQL5中实现其逻辑，并融入风险管理以实现有效的交易执行。最后，我们将对该系统进行回测，以评估其表现，并对其进行优化以获得最优结果。 为了实现 缓解型订单块策略
Easy Canvas : 本开发库以及 iCanvas 类简单使用了 Canvas 来开发程序。 作者： Nikolai Semko
新文章 神经网络在交易中的应用：多元时间序列的双重聚类（终篇） 已发布： 我们继续实现 DUET 框架作者提出的方法，该框架提供了一种创新的时间序列分析方法，结合时间和通道聚类来揭示分析数据中的隐藏模式。 对于模型训练，我们使用 2024 年全年 EURUSD 货币对 M1 时间周期的历史数据集。在数据采集过程中，指标参数保持默认值。 模型训练分两个阶段进行。首先，批量大小设置为 1，以便在每次迭代时从训练数据集中随机选择一个状态。这有助于模型适应不同的条件。然而，这并不足以确保风险管理模块的正常运作。因此，在第二阶段，批处理大小增加到 60，从而可以考虑 60 个环境状态序列和相应的
新文章 你应该了解的 MQL5 向导技巧（第67部分）：使用 TRIX 和威廉百分比范围的形态 已发布： 三重指数平滑摆动指标（TRIX）与威廉百分比指标，是另一组可在 MQL5 智能交易系统（EA）中搭配使用的技术指标。和我们此前介绍的指标组合一样，这组指标同样具备互补性：TRIX 用于判断趋势，威廉百分比指标则确认支撑位与阻力位。按照惯例，我们借助 MQL5 向导，测试这两个指标组合的实战可行性。 我们继续本系列内容，探究各类技术指标组合形成的交易信号形态。上一期，我们介绍了分形自适应移动平均线搭配强力指数摆动指标的应用。本篇将讲解三重指数平滑摆动指标（TRIX） 与另一款摆动指标 ——
新文章 确定性振荡搜索（DOS） 已发布： 确定性振荡搜索（DOS）算法是一种创新的全局优化方法，它结合了梯度算法与群体算法的优点，且不使用任何随机数。适应度振荡与斜率机制使得DOS能够以确定性方式探索复杂的搜索空间。 本文介绍确定性振荡搜索（DOS）—— 这是一种新型元启发式算法，它结合了传统基于梯度方法的优势与群体算法的高效性，同时完全不使用随机数。
新文章 基于马尔可夫状态转移矩阵的神经网络自学习型EA 已发布： 基于状态矩阵与神经网络的自训练智能交易系统（EA）我们将马尔可夫链与基于ALGLIB MQL5库开发的多层感知器（MLP）神经网络相结合。马尔可夫链与神经网络如何结合应用于外汇预测？ 想象一下，这不仅仅是一个执行内置算法的程序，更是一个持续进化、自适应、且能理解市场波动复杂规律的“数字有机体”。本文将详细介绍这样一套系统 —— 新一代交易EA。 这一突破性成果的核心，融合了三大知识领域的精华：马尔可夫过程的概率数学、神经网络的直觉式模式识别能力，以及对冲策略的实战逻辑。当这三者结合，便诞生了超越单一技术叠加的全新系统 ——
新文章 MQL5 交易工具包（第 8 部分）：如何在代码库中实现和使用历史管理 EX5 库 已发布： 在本系列的最后一篇文章中，我们将探讨如何轻松地将历史管理 EX5 库导入到 MQL5 源代码中，以处理 MetaTrader 5 账户中的交易历史记录。通过 MQL5 中简单的单行函数调用，可以高效管理和分析交易数据。此外，您还将学习如何创建不同的交易历史分析脚本，并开发基于价格的 EA 交易，作为实际用例示例。该示例 EA 利用价格数据和历史管理 EX5 库做出明智的交易决策、调整交易量，并根据先前已平仓的交易实施恢复策略。 在之前的文章中，我向大家介绍了如何开发一个强大而全面的历史管理
新文章 您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态 已发布： 分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。
新文章 神经网络在交易中的应用：多元时间序列的双重聚类（DUET） 已发布： DUET 框架提供了一种创新的时间序列分析方法，该方法结合了时间和通道聚类，以揭示分析数据中的隐藏模式。这使得模型能够随着时间的推移而适应变化，并通过消除噪声来提高预测质量。 现有的数据处理方法可以分为三类。第一种方法是独立分析每个通道，但这忽略了变量之间的关系。第二种方法将所有通道结合起来；但是，这可能会引入冗余信息并降低准确性。第三种方法是变量聚类，但它限制了模型的灵活性。 为了解决这些问题，论文 " DUET:Dual Clustering Enhanced Multivariate Time Series
Swing High Low and Fibonacci Retracement Indicator : 该指标结合了波段高/低点和斐波那契回调，可识别潜在的买入区域。 Author: Minh Hieu Hoang
新文章 数据科学与机器学习（第四十一部分）：基于YOLOv8的外汇与股票市场图表形态检测 已发布： 金融市场的形态检测极具挑战性，因为它需要“看懂图表画面”，而MQL5受限于图像处理能力，很难实现这一点。本文将介绍一个基于Python构建的合适的模型，它能让我们轻松高效地检测图表上的各类形态。 在机器学习与人工智能（AI）领域，金融市场形态检测是一项极具挑战性的任务。尽管对人类而言这看似轻而易举，但要让机器自动检测并解读这些形态，却需要大量工作。这是因为交易中常用的是表格型二维数据，而形态检测需要处理二维图像数据（如.png、.jpg等格式）。
新文章 MQL5 编程基础：时间 已发布： 本文着重于讲述处理时间的标准 MQL5 函数，以及创建 EA 交易和指标时所需的处理时间的编程技巧和实用函数。更格外注意时间测量的一般性理论。本文面对的主要是 MQL5 编程新手。 作者： Dmitry Fedoseev
Heiken Ashi 平滑 : Heiken Ashi 平滑指标使用平滑/过滤/平均价格，替代了 "原始" 价格进行计算。 作者： Mladen Rakic
新文章 神经网络在交易中的应用：将混沌理论融入时间序列预测（终篇） 已发布： 我们继续将 Attraos 框架的作者提出的方法整合到交易模型中。让我提醒您，这个框架利用混沌理论的概念来解决时间序列预测问题，将其解释为多维混沌动态系统的投影。 测试使用了 2025 年 1 月至 2 月的数据。选择这一时期是为了确保对之前未见的数据进行严格评估。所有其他实验参数均保持不变，以确保实验的可重复性和公平比较。这种方法消除了随机因素，能够客观评估算法性能。 测试结果如下所示。 在测试期间，该模型执行了 287 笔交易，其中近 39%
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