新文章 神经网络变得轻松（第二十二部分）：递归模型的无监督学习 已发布： 我们继续研究无监督学习算法。 这次我建议我们讨论自动编码器应用于递归模型训练时的特性。 模型测试参数相同：EURUSD，H1，过去 15 年。 默认指标设置。 把最近 10 根蜡烛的数据输入到编码器。 已经过训练的解码器，可以解码最后 40 根蜡烛。 测试结果如下图所示。 在每根新形成的蜡烛完毕后，数据被输入编码器。 正如您在图表中所看到的，测试结果证实了这种方法对于递归模型的无监督预训练的可行性。 在模型的测试训练过程中，经过 20 个学习世代，模型误差几乎稳定下来，亏损率小于 9%。 此外，有关至少 30
新文章 学习如何基于交易量设计交易系统 已发布： 这是我们系列文集中的新篇章，介绍如何基于最流行的技术指标设计交易系统。 本文将专门讨论交易量指标。 作为一个概念，交易量是金融市场交易中非常重要的因素之一，我们必须予以关注。 贯穿本文，我们将学习如何基于交易量指标设计一款简单的系统。 在这一部分中，我们将为每个策略设计一个蓝图，设计蓝图的原因是帮助我们规化我们想要做的事情，从而创建一个交易系统。 这一步对于安排我们的思路非常重要且有必要，能够辨别我们每一步想要做什么。 首先，我们将创建一个简单交易系统的蓝图，该系统仅生成交易量指标的当期值，作为图表上的注释。
新文章 开发回放系统（第33部分）：订单系统（二） 已发布： 今天，我们将继续开发订单系统。正如您将看到的，我们将大规模重用其他文章中已经展示的内容。尽管如此，你还是会在这篇文章中获得一点奖励。首先，我们将开发一个可以与真实交易服务器一起使用的系统，无论是从模拟账户还是从真实账户。我们将广泛使用MetaTrader 5平台，该平台将从一开始就为我们提供所有必要的支持。
新文章 神经网络实验（第 7 部分）：传递指标 已发布： 传递指标至感知器的示例。本文讲述了一般概念，并展示了最简单的现成智能交易系统，后随其优化和前向验算结果。 阅读大量这个主题的文章，我持续观察到一个悲伤的场面，那就是基于神经网络的交易系统的直接结果。许多好的思路和算法却并未带来期待的结果。 在传递输入参数时，始终会观察到相同的画面。例如，振荡器值的直接传递，以我的观点，这与资产价格没有任何共通之处。振荡器有一个众所周知的问题 —
新文章 群体优化算法：随机扩散搜索（SDS） 已发布： 本文讨论了基于随机游走原理的随机扩散搜索（Stochastic Diffusion Search，SDS）算法，它是一种非常强大和高效的优化算法。该算法允许在复杂的多维空间中找到最优解，同时具有高收敛速度和避免局部极值的能力。 有趣的事实： 1. 随机扩散搜索（SDS）是第一个群智能元启发式算法，属于群智能和自然搜索优化算法的家族。这种算法的其他例子是蚁群优化、粒子群优化和遗传算法。 2. 与基于柱头能量通信的蚁群优化不同，SDS使用代理之间的直接通信，类似于细齿蚁使用的串联呼叫机制。
风险管理器 : 此 EA 控制并限制账户的总体亏损, 以及每笔交易的亏损。它含有账户的尾随停止。 作者： Анатолий Сергеев
新文章 神经网络变得简单（第 60 部分）：在线决策转换器（ODT） 已发布： 最近两篇文章专门介绍了决策转换器方法，其在期望奖励的自回归模型境况下针对动作序列进行建模。在本文中，我们将研究该方法的另一种优化算法。 在线决策转换器算法对决策转换器进行了关键修改，从而确保高效的在线训练。第一步是泛化概率训练目标。在这种境况下，目标是训练一个随机政策，取最大化重复轨迹的概率。 在线 RL 算法的主要属性是它能够平衡探索和开发。即使采用随机政策，传统的 DT 公式也并未考虑探索。为了解决这个问题，ODT
新文章 神经网络变得轻松（第十一部分）：自 GPT 获取 已发布： 也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。 当然，我们不打算在家用 PC 上创建如此庞然之物。 然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。 在同一数据集上测试了新的神经网络类，该数据集在之前的测试中曾经用过：神经网络馈入 EURUSD，时间帧为 H1，最后 20 根烛条的历史数据。 测试结果证实了这个假设，即更多的参数需要更长的训练时间。 在第一个训练迭代，参数较少的智能交易系统展现出的结果更稳定。
XWPR_Histogram_Vol_Direct : XWPR_Histogram_Vol 指标用柱线上的彩色图标来显示直方图的走势方向 作者： Nikolay Kositsin
XWPR_Histogram_Vol : WPR_Histogram_Vol 指标，针对结果直方图进行额外均化 作者： Nikolay Kositsin
新文章 群体优化算法：思维进化计算（MEC）算法 已发布： 本文探讨了MEC家族的算法，称为简单思维进化计算（Simple Mind Evolutionary Computation, Simple-MEC，SMEC）算法。该算法以其思想之美和易于实现而著称。 在解决复杂的高维问题时，进化计算中使用的群体算法比经典算法具有许多优势。它们可以更有效地找到与最优解足够接近的次优解，这在实际优化问题中通常是可以接受的。 进化计算中一种有趣的方法是Chengai和他的合著者于1998年提出的思维进化计算（Mind Evolutionary
新文章 神经网络变得简单（第 59 部分）：控制二分法（DoC） 已发布： 在上一篇文章中，我们领略了决策变换器。但是，外汇市场复杂的随机环境不允许我们充分发挥所提议方法的潜能。在本文中，我将讲述一种算法，旨在提高在随机环境中的性能。 控制二分法是斯多葛学派（Stoicism）的逻辑基础。它意味着一种思辨，即我们周围的一切存在都可以分为两部分。第一个受制于我们，完全在我们的控制之下。我们无法全面控制第二个，无论我们采取什么动作，事件都会发生。 我们正在操控第一个领域，同时认为第二个是理所当然的。 “控制二分法”方法的作者在他们的算法中实现了类似的假设。DoC
新文章 数据科学与机器学习（第 11 部分）：朴素贝叶斯（Bayes），交易中的概率论 已发布： 概率交易就像走钢丝一样 — 它需要精确、平衡和对风险的敏锐理解。 在交易世界中，概率就是一切。 这是成功与失败、盈利与亏损的区别。 通过利用概率的力量，交易者可以做出明智的决策，有效地管理风险，并实现他们的财务目标。 故此，无论您是经验丰富的投资者还是交易新手，了解概率都是解锁您的交易潜能的关键。 在本文中，我们将探索令人兴奋的概率交易世界，并向您展示如何将您的交易博弈提升到一个新的水平。 朴素贝叶斯分类器是一种概率算法，用于机器学习中的分类任务。
新文章 神经网络变得轻松（第四十八部分）：降低 Q-函数高估的方法 已发布： 在上一篇文章中，我们概述了 DDPG 方法，它允许在连续动作空间中训练模型。然而，与其它 Q-学习方法一样，DDPG 容易高估 Q-函数的数值。这个问题往往会造成训练代理者时选择次优策略。在本文中，我们将研究一些克服上述问题的方式。 在利用 DQN 方法及其衍生品训练各种模型时，经常会出现高估 Q-函数值的问题。这是具有离散动作的两种模型在连续动作空间求解的特征。这种现象的原因，以及消除其后果的方法会因人而异。故此，解决这个问题的一套综合方式很重要。2018 年 2 月发表的文章“
新文章 群体优化算法：混合蛙跳算法（SFL） 已发布： 本文详细描述了混合蛙跳（Shuffled Frog-Leaping，SFL）算法及其在求解优化问题中的能力。SFL算法的灵感来源于青蛙在自然环境中的行为，为函数优化提供了一种新的方法。SFL算法是一种高效灵活的工具，能够处理各种数据类型并实现最佳解决方案。 混合蛙跳（SFL）算法是由M.Eusuff 和其他一些作者在2003年提出的。该算法结合了模因算法和粒子群算法的原理，其设计灵感来自一群青蛙在觅食过程中的行为。 SFL算法最初是作为一种求解组合优化问题的元启发式方法而开发的。它是基于数学函数和启发式搜索的使用。
TradeStatisticsPanel : 这个面板用来显示基于交易历史的统计计算参数。 作者： Andrey Voytenko
显示点值 : 以紧凑和方便的形式显示当前货币对信息, 包括利润, 点数, 百分比, 点差, 当前时间帧柱线收盘的剩余时间。 作者： Roman Podpora
新文章 为 Metatrader 5 开发MQTT客户端：TDD方法——第4部分 已发布： 本文是一系列文章的第四部分，介绍了我们为 MQTT 协议开发本机 MQL5 客户端的步骤。在这一部分中，我们将描述什么是 MQTT v5.0 属性，它们的语义，以及我们如何阅读其中的一些属性，并提供一个如何使用属性来扩展协议的简短示例。 属性是MQTT v5.0中添加的“可扩展性机制”的一部分。它们在之前的v3.1.1中不存在，这是此次重大升级之前的最新版本。它们在MQTT v5.0中无处不在。但是，什么是MQTT属性？究竟是什么东西的属性呢？ 答案是应用程序消息（Application
新文章 神经网络变得简单（第 58 部分）：决策转换器（DT） 已发布： 我们继续探索强化学习方法。在本文中，我将专注于一种略有不同的算法，其参考智能体政策构造一连串动作的范式。 在本系列中，我们已验证了相当广泛的不同强化学习算法。它们都使用基础方式： 智能体分析环境的当前状态。, 采取最优动作（在学习的政策 — 行为策略的框架内）。, 转入环境的新状态。, 从环境中获得完全过渡到新状态的奖励。 该序列基于马尔可夫（Markov）过程的原理。假设起点是环境的当前状态。摆脱这种状态只有一种最优方法，它不依赖以前的路径。 我想讲述另一种替代方式，它是由谷歌团队在文章
新文章 MQL5 Cookbook: 处理 BookEvent 已发布： 本文研究 BookEvent - 一个市场深度事件，以及它的处理原理。一个处理市场深度状态的 MQL 程序，作为例程。它采用面向对象方法编写。处理结果作为面板显示在屏幕上，还有市场深度级别。 正如众所周知的那样， MetaTrader 5 交易终端是一个多市场的平台，便于外汇，股市，期货和差价合约的交易。根据 自由职业 版块统计，交易者的交易数量不光在外汇市场增长。 在这篇文章中我希望给 MQL5 编程新手介绍 BookEvent 处理。这个事件与市场深度连接 -
maximus_vX lite : 利用等级进行交易的智能系统。 每种类型 (买入和卖出) 它可以最多有两笔持仓。 作者： Vladimir Karputov
Expert NEWS : Expert NEWS - MetaTrader 5 EA交易。设置止损买入和止损卖出订单。 作者： Vladimir Karputov
新文章 机器学习中的量化（第1部分）：使用 CatBoost 的理论、示例代码和实现分析 已发布： 本文探讨了量化在树模型构建中的理论应用，并展示了使用 CatBoost 实现的量化方法。不使用复杂的数学方程。 那么什么是量化，为什么要使用量化呢？让我们来弄清楚！
新文章 开发回放系统 — 市场模拟（第 28 部分）：智能交易系统项目 — C_Mouse 类 （II） 已发布： 当人们开始创建第一个拥有计算能力的系统时，一切都需要工程师的参与，他们必须非常熟知该项目。我们谈论的是计算机技术的曙光，那个时代甚至没有用于编程的终端。随着它的发展，越来越多的人对能够创造一些东西感兴趣，涌现出新的思路和编程方式，取代了旧式风格的改变连接器位置。这就是第一个终端出现的时刻。 对于那些曾长期编程的人来说，我们在下面展示的内容也许并无太多意义。为什么要费尽心思让编程更接近自然语言呢？答案很简单： 您不是在为机器编程，而是在为其他程序员编程
波动性调节的 WPR : 波动性调节的 WPR (Williams Percent Range，威廉姆斯百分比范围) 作者： Mladen Rakic
新文章 让图表更有趣：添加背景 已发布： 许多工作站包含一些代表性的图片用以显示用户的一些信息。 这些图片令工作环境更加优美和令人兴奋。 我们来看看如何通过添加背景令图表更有趣。 许多工作站包含一些代表性的图片用以显示用户的一些信息。 这些图片使工作环境更加美丽和愉悦身心，因为人们总是试图选择贴心和最漂亮的图片作为壁纸。 但当我们打开交易平台时，我们发现它有点无趣。 我们所拥有的只是数字数据的图形表示。 即使看很长一段时间的图片和照片您也不会感到疲倦，但观察价格图表哪怕是几分钟也会很累。 所以，我们如此做，就可以观察和分析图表，而背景中的图片能激励我们，提醒我们一些美好的东西。 作者：
新文章 神经网络变得简单（第 57 部分）：随机边际扮演者-评论者（SMAC） 已发布： 在此，我将研究相当新颖的随机边际扮演者-评论者（SMAC）算法，该算法允许在熵值最大化的框架内构建潜在变量政策。 在构建自动交易系统时，我们开发了制定后续决策的算法。强化学习方法正是为了解决这些问题。强化学习的关键问题之一是如同智能体学习与环境交互那般的探索过程。在这种前后呼应情况下，经常运用最大熵原理，这促使智能体按最大随机度执行动作。然而，在实践中，这种算法只能训练简单的智能体学习单个动作周围的局部变化。这是因为需要计算智能体政策的熵值，并将其用作训练目标的一部分。 同时，
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