导出仓位历史 : 从一个对冲账户里导出已平仓位的历史记录至 .csv 文件。 要导出整个交易历史记录，请将 Start date 和 End date 保留为默认值 (1970.01.01 00:00:00)。 作者： amrali
iStochasticOfOsc : 所有的随机振荡器类指标, 包含于 MetaTrader 5 客户终端中。 作者： Dmitry Fedoseev
新文章 开发回放系统 — 市场模拟（第 10 部分）：仅用真实数据回放 已发布： 在此，我们将查看如何在回放系统中使用更可靠的数据（交易跳价），而不必担心它是否被调整。 在下面的视频中，您可以看到本文讲解的工作结果。 虽然有些东西也许还不可见，但观看视频会令您清楚地了解所有这些文章中回放/模拟系统的实现进度。 只需观看视频，并比较从一开始到现在的变化。 在下一篇文章中，我们将继续开发该系统，因为还有一些真正必要的功能需要实现。 作者： Daniel Jose
使用ONNX模型识别手写数字的示例 : 此EA不用于交易。使用标准Canvas库实现的简单面板允许您用鼠标绘制数字。经过测试的mnist.onnx模型用于识别数字。 作者： Slava
ElliottWaveMaker 3.0 : ElliottWaveMaker 3.0 是一款半自动工具, 用来分析艾略特波浪和安德鲁草叉, 此版本是 2.0 版的逻辑扩展。在 3.0 版中修复了一些小错误, 并添加了绘制安德鲁草叉以及其它一些功能。 作者： Roman Martynyuk
适应市场当前状态自动变参数的MA指标:
将箱体价格信息转为时间参数, 根据市场状态自适应绘制MA
Author: okwh
新文章 在一张图表上的多个指标（第 02 部分）：首次实验 已发布： 在前一篇文章“在一张图表上的多个指标”中，我介绍了如何在一张图表上加载多个指标的概念和基本知识。 在本文中，我将提供源代码，并对其进行详解。 这两个函数与我上面解释过的完全一样：它强制执行数据完整性验证，防止类的内部数据不一致。 它们接收一个命令行，并按照预定义的语法对其进行解码。 然而，它们并不会反馈收到的命令有错误，因为这不是它们的目的。 其目的是确保不一致的数据不会进入对象，也不会导致难以检测和修复的副作用。 最终结果如下： 作者： Daniel Jose
新文章 MQL5 中的范畴论 (第 7 部分)：多域、相对域和索引域 已发布： 范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。 形式上， 相对域在 N 上的映射 ，表示为 f: (E,π) à (E’,π’)，函数是 f: E àE’ 如此以下三角形互通 为了向交易者阐这一点，我们把上面所用的态射 f，修改其平方互通为没有 D 域的简单三角形。 在运用 f 时，我们将在两个域 E & E'
新文章 神经网络变得轻松（第四十部分）：在大数据上运用 Go-Explore 已发布： 本文讨论 Go-Explore 算法覆盖长周期训练的运用，因为随着训练时间的增加，随机动作选择策略也许不会导致可盈利验算。 Go-Explore 算法随着训练周期的增加，浮现出一定的困难。 其中一些包括： 维度诅咒：随着训练周期的增加，代理者可以访问的状态数量呈指数级增长，这令查找最优策略变得更加困难。 , 环境变化：随着训练周期的增加，环境也许会发生变化，而这也许会影响代理者的学习成果。 这会导致以前成功的策略变得无效，甚至不可能。
Parabolic SAR EA : 这个EA使用了 iSAR (抛物线 SAR) 指标。 作者： Vladimir Karputov
新文章 神经网络变得轻松（第三十九部分）：Go-Explore，一种不同的探索方式 已发布： 我们继续在强化学习模型中研究环境。 在本文中，我们将见识到另一种算法 — Go-Explore，它允许您在模型训练阶段有效地探索环境。 Go-Explore 的主要思想是记忆并回归至更有前途的状态。 这是奖励数量有限时有效操作的基础。 这个思路是如此灵活和广泛，以至于可以经由多种途径实现。 与大多数强化学习算法不同，Go-Explore 并不专注于直接解决目标问题，而是专注于在状态空间中寻找可以导致达成目标状态的相关状态和动作。 为了达成这一点，该算法有两个主要阶段：搜索和重用。
新文章 开发回放系统 — 市场模拟（第 09 部分）：自定义事件 已发布： 在此，我们将见到自定义事件是如何被触发的，以及指标如何报告回放/模拟服务的状态。 在下面的视频中，我将演示当前开发阶段的系统。 我希望您喜欢这一系列文章，并希望它们能帮助您更好地研究 MetaTrader 5 平台，以及 MQL5 语言提供的能力。 作者： Daniel Jose
人气意愿指标BRAR : 由人气指标(AR)和意愿指标(BR)两个指标构成。AR指标和BR指标都是以分析为手段的技术指标。 作者： tottiss
Aroon 震荡指标 - 动态区域 (levels) : Aroon 震荡指标 — 使用动态水平/区域，而不是固定水平来表示超买和超卖区域。 作者： Mladen Rakic
箭头和曲线 EA : 一个基于 "箭头和曲线" 指标的 EA 交易。 作者： Vladimir Karputov
新文章 如何在 MQL5 中集成 ONNX 模型的示例 已发布： ONNX（开放神经网络交换）是一种表现神经网络的开放格式。 在本文中，我们将展示如何在一个智能交易系统中同时使用两个 ONNX 模型。 为了稳定进行交易，通常建议采用多样化得交易工具和交易策略。 这同样是指机器学习模型：创建几个更简单的模型比创建一个复杂的模型更容易。 但是，将这些模型汇集到一个 ONNX 模型可能很困难。 不过，可以在一个 MQL5 程序中组合多个经过训练的 ONNX 模型。 在本文中，我们将研究融合方式之一，称为表决分类器。 我们将向您展示如何轻松地实现这样的融合。 第一个模型测试结果
自定义移动平均 : 自定义移动平均是用户自定义指标的例子，它用来计算和展现移动平均。 作者： MetaQuotes Software Corp
新文章 机器学习和交易中的元模型：交易订单的原始时序 已发布： 机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。 首先，我需要画个小重点。 由于研究人员在开发交易系统（包括应用机器学习的系统）时所作所为的不确定性，因此不可能严格正规化搜索对象。 它可以定义为多维空间中的一些或多或少稳定的依赖关系，这些依赖关系很难用人类甚或数学语言来解释。 我们从高度参数化的自我训练系统中，很难进行详细的分析。 这种算法需要交易者基于回测的结果给予一定程度的信任，但它们并没有阐明所发现形态的精髓，甚至是本质。
新文章 神经网络变得轻松（第六部分）：神经网络学习率实验 已发布： 我们之前已研究过各种类型的神经网络及其实现。 在所有情况下，训练神经网络时都使用梯度下降法，为此我们需要选择学习率。 在本文中，我打算通过示例展示正确选择学习率的重要性，及其对神经网络训练的影响。 第三个实验与本文的主题略有偏离。 其思路来自前两个实验。 因此，我决定与您分享。 在观察神经网络训练的同时，我注意到不存在分形的概率在 60-70％ 左右波动，且很少低于 50％。 无论买入或卖出，出现分形的可能性均约为 20％ 至 30％。 这是很自然的，因为图表上的分形比趋势内的烛条少得多。
Elite eFibo 交易者 : 具有恒定步长的网格。网格手数大小基于为斐波纳契级数。 作者： Vladimir Karputov
Choppy market index : Choppy market index 作者： Mladen Rakic
新文章 在类中包装 ONNX 模型 已发布： 面向对象编程可以创建更紧凑、易于阅读和修改的代码。 在此，我们将会看到三个 ONNX 模型的示例。 多数票的计算根据等式 <总票数>/2 + 1。 总共 3 票，多数票为 2 票。 这就是所谓的“硬投票”。 测试结果仍采用相同的设置。 我们分别回顾一下所有三个模型的工作，即盈利和无盈利交易的数量。 第一个模型 — 11：3；第二个模型 — 6：1；第三个模型 — 16：10。 看来，在硬投票的帮助下，我们改善了结果 — 16：4。 但是，当然，我们需要查看完整的报告和测试图表。 作者： MetaQuotes
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