新文章 手工制图表和交易工具箱（第三部分）。 优化和全新工具 已发布： 在本文中，我们将深入开发利用键盘快捷键在图表上绘制图形对象的设想。 全新工具已被加到函数库当中了，包括一条贯穿任意顶点绘制的直线，以及一组能够评估逆转时间和价位的矩形。 此外，本文还展示了优化代码从而提高性能的可能性。 实现示例已经重写，能够使用其它交易程序的快捷方式。 所需的代码知识水平：略高于初学者。 首先提供的是在较小时间帧上指标线偏移效应有关。 如果以常规方式画线，则在时间帧之间切换时会出现类似的情况： 与 D1 上的极值完全重合的直线左边缘在 H4 上向左偏移了，因此它并未与极值重合。
新文章 开发回放系统（第 36 部分）：进行调整（二） 已发布： 让我们的程序员生活举步维艰的原因之一就是做出假设。在本文中，我将向您展示假设是多么危险：例如在 MQL5 编程中假设类型将具有某个特定值，或是在 MetaTrader 5 中假设不同服务器的工作方式相同。 当 EA 位于图表上时，它会通知它所检测到的账户类型。这对于了解 EA 应如何行动非常重要。不过，尽管这样做效果很好，但当系统在真实账户或模拟账户的图表上运行时，系统不会使用控制重放/模拟系统的控制功能，也不会报告资产所属的账户类型，而是报告平台运行的账户类型。这个问题虽然不大，但确实给我们带来了一些不便。
新文章 神经网络变得简单（第 65 部分）：距离加权监督学习（DWSL） 已发布： 在本文中，我们将领略一个有趣的算法，它是在监督和强化学习方法的交叉点上构建的。 行为克隆方法，大部分基于监督学习的原理，展现出相当良好的结果。但它们的主要问题仍然是寻找偶像般的模型，而这些有时很难收集。反之，强化学习方法能够依据非最优原数据工作。同时，它们可以找到次优政策来达成目标。然而，在寻找最优政策时，我们时常会到一个优化问题，其与高维和随机环境更多关联。 为了弥合这两种方式之间的间隙，一群科学家提出了 距离加权监督学习（DWSL） 方法，并在文章 《离线交互数据的距离加权监督学习》
新文章 利用 Donchian 通道进行交易 已发布： 在本文中, 我们开发并测试若干种基于 Donchian 通道和各种指标滤波器的策略。我们还对其操作进行了比较分析。 我不会重新发明车轮, 也不会再创建此指标的另一个程序。我决定使用其 Donchian 通道系统 改编版, 它完美地体现了基于此系统的交易风格。在图例.1 中, 粉红色和蓝色的蜡烛条显示了通道边界被突破的区域, 在此位置预计入场。 图例1. 基于 Donchian 通道的操作原理和入场点。 作者： Alexander Fedosov
新文章 开发回放系统（第 35 部分）：进行调整 (一) 已发布： 在向前迈进之前，我们需要解决几个问题。这些实际上并不是必需的修正，而是对类的管理和使用方式的改进。原因是系统内的某些相互作用导致了故障的发生。尽管我们试图找出这些故障的原因以消除它们，但所有这些尝试都没有成功。其中有些情况完全不合理，例如，当我们在 C/C++ 中使用指针或递归时，程序就会崩溃。 在上一篇文章 《开发回放系统》（第 34 部分）中：订单系统 (三)
新文章 开发回放系统（第 34 部分）：订单系统 (三) 已发布： 在本文中，我们将完成构建的第一阶段。虽然这部分内容很快就能完成，但我将介绍之前没有讨论过的细节。我将解释一些许多人不理解的问题。你知道为什么要按 Shift 或 Ctrl 键吗？
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
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 机器学习中的量化（第 2 部分）：数据预处理、表格选择、训练 CatBoost 模型 已发布： 本文探讨了量化在树模型构建中的实际应用。探讨了选择量化表和数据预处理的方法。没有使用复杂的数学方程。 让我们使用描述 Q_Error_Selection 脚本功能的示例来探讨我已经实现的数据预处理方法。
新文章 神经网络变得简单（第 64 部分）：保守加权行为克隆（CWBC）方法 已发布： 据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。 该方法的作者提出了一种新的保守性正则化器，用于回报条件化的行为克隆方法，显式鼓励政策停留在接近原始数据分布。该思路是当条件化回报位于大量分布之外时，为了停留在接近分布内的动作，而强制执行预测动作。这是通过往拥有高回报轨迹里的 RTG 添加正值噪声，并惩罚预测动作与地面实况之间的 L2
新文章 神经网络变得简单（第 63 部分）：决策转换器无监督预训练（PDT） 已发布： 我们将继续讨论决策转换器方法系列。从上一篇文章中，我们已经注意到，训练这些方法架构下的转换器是一项相当复杂的任务，需要一个大型标记数据集进行训练。在本文中，我们将观看到一种使用未标记轨迹进行初步模型训练的算法。 至于优调期间，我需要连续数十次下游训练和测试迭代，这也需要时间和精力。 然而，学习结果并不那么乐观。作为训练的结果，我得到了一个模型，其按最小手数交易，并取得了不同的成功率。在历史的某些部分，余额曲线展示出明显的上升趋势。在另一些部分，则明显下降。泛泛来说，依据训练数据和新集合，模型的结果都接近于
新文章 模式搜索的暴力方法（第六部分）：循环优化 已发布： 在这篇文章中，我将展示改进的第一部分，这些改进不仅使我能够使MetaTrader 4和5交易的整个自动化链闭环，而且还可以做一些更有趣的事情。从现在起，这个解决方案使我能够完全自动化创建EA和优化，并最大限度地降低寻找有效交易配置的劳动力成本。 整个想法中最重要的元素是终端和我的程序之间的交互系统。事实上，它是一个具有高级优化标准的循环优化器。上一节介绍了最重要的问题。为了使整个系统正常工作，我们首先需要一个报价来源，这是MetaTrader
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
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