新文章 您应当知道的 MQL5 向导技术（第 16 部分）：配合本征向量进行主成分分析 已发布： 本文所见的主成分分析，是数据分析中的一种降维技术，文中还有如何配合本征值和向量来实现它。一如既往，我们瞄向的是开发一个可在 MQL5 向导中使用的原型专业信号类。 SVD 能够将矩阵数据集拆分为 3 个单独的矩阵来达成降维，其中这 3 个矩阵之一，即 Σ 矩阵，标识数据中最重要的方差方向。这个矩阵也称为对角矩阵，包含奇异值，这些值表示沿每个预先确定的方向的方差量级（记录在 3 个矩阵中的另一个矩阵中，通常称为 U）。奇异值越大，在解释数据可变性时的相应方向就越重要。这导致了含有最高奇异值的 U
新文章 开发Python交易机器人（第三部分）：实现基于模型的交易算法 已发布： 让我们继续阅读关于使用Python和MQL5开发交易机器人系列的文章。在本文中，我们将用Python中创建一个交易算法。 为了实现基于我们模型的交易算法，我们将采用以下方法。基本算法是根据模型生成的标签，以预设的止损和止盈水平开设交易。如果模型预测资产价格上涨，我们将开设一个多头仓位，并设定止损和止盈水平。如果模型预测资产价格下跌，我们将开设一个空头仓位，并设置类似的止损和止盈参数。 MetaTrader
新文章 开发回放系统（第 51 部分）：事情变得复杂（三） 已发布： 在本文中，我们将研究 MQL5 编程领域最困难的问题之一：如何正确获取图表 ID，以及为什么对象有时不会绘制在图表上。此处提供的材料仅用于教学目的，在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。 如果您阅读了上一篇文章（我建议您阅读），您就会知道我们已经开始直接通过服务使用控制指标。此后，该指标不再可自由放置在任何图表上。
新文章 MQL5 初学者：EA 交易技术指标使用指南 已发布： 为在EA 交易中获得内置或自定义指标的值，首先应使用相应函数创建指标的处理函数。本文中的示例说明了在创建自己的程序时如何使用技术指标。在本文中说明的指标使用 MQL5 语言构建。本文的目标受众是那些在交易策略开发上不具备太多经验的读者，并旨在通过使用提供的函数库提供简单明了的指标使用方式。 很少有“EA 交易”或指标未在代码中使用标准技术指标。无论是对交易策略的初学者还是高级开发人员，这些标准技术指标的使用都十分普遍。指标创建的各种细节并不难理解；本文的目的即是帮助理解。我们将考虑使用内置标准 技术指标 的函数的使用。 作者：
Exp_XOSignal_ReOpen : Exp_XOSignal_ReOpen 交易系统是基于 XOSignal 指标信号的，并且有跟随趋势的仓位缩放。 作者： Nikolay Kositsin
新文章 开发回放系统（第 50 部分）：事情变得复杂 (二) 已发布： 我们将解决图表 ID 问题，同时开始为用户提供使用个人模板对所需资产进行分析和模拟的能力。此处提供的材料仅用于教学目的，不应被视为除学习和掌握所提供概念以外的任何目的的应用。 在上一篇文章的末尾，我报告了一个导致控制指示器不稳定的问题。因此，可能会发生一些不应该发生的事情。这些问题并不严重，不会导致平台崩溃，但有时会导致意外的服务故障。因此，我没有在上一篇文章中附加任何文件，否则您将在当前开发阶段访问该系统。 在本文中，我们将修复或尝试修复现有问题，至少其中之一。
新文章 神经网络变得简单（第 85 部分）：多变元时间序列预测 已发布： 在本文中，我愿向您介绍一种新的复杂时间序列预测方法，它和谐地结合了线性模型和转换器的优点。 客户端 的主要思路是从关注随时间变化，转移到分析变量之间的依赖关系，并将线性模块集成到模型中，从而更好地分别利用变量依赖关系、和趋势信息。 客户端 方法的作者以创造性的方式解决了时间序列预测问题。一方面，所提议算法并入了已熟悉的方式。另一方面，它摒弃了一些久负盛名的方法。在算法中包含或排除的每个单独模块，都要伴随着一连串测试。这些测试从模型有效性的视角证明了所做决策的可行性。
Cointegration : 本指标计算和显示了两个或者多个金融交易品种之间的线性关系。 作者： Maxim Dmitrievsky
新文章 使用Python和MQL5进行交易策略的自动参数优化 已发布： 有多种用于交易策略和参数自我优化的算法。这些算法基于历史和当前市场数据自动改进交易策略。在本文中，我们将通过Python和MQL5的示例来探讨其中一种算法。 想象一下，您花费大量精力开发了一个EA。您迫不及待地想看到它投入运行，但一开始没有进行适当的优化。初步的正向结果可能会让您误以为一切都很好，但很快就会出现变化和亏损。 一个未经优化的EA缺乏一致性，可能会对不相关数据做出反应，导致利润和亏损难以预测。它可能会基于错误信号做出决策，无法适应市场变化，并承担未预见的风险，从而造成重大亏损。优化可以确保更好的性能和可靠性。
新文章 《数据科学与机器学习（第25部分）：使用循环神经网络（RNN）进行外汇时间序列预测》 已发布： 循环神经网络（RNN）非常擅长利用过去的信息来预测未来的事件。它们卓越的预测能力已经在各个领域得到了广泛应用，并取得了巨大成功。在本文中，我们将部署RNN模型来预测外汇市场的趋势，展示它们在提高外汇交易预测准确性方面的潜力。 循环神经网络（RNNs）的核心是前馈神经网络，它们以这样一种方式相互连接，即下一个网络拥有来自前一个网络的信息，从而使简单的RNN能够基于先前的信息来学习和理解当前的信息。
新文章 开发多币种 EA 交易 (第 11 部分):自动化优化（第一步） 已发布： 为了获得一个好的 EA，我们需要为它选择多组好的交易策略实例参数。这可以通过对不同的交易品种运行优化然后选择最佳结果来手动完成。但最好将这项工作委托给程序，并从事更有成效的活动。 总的来说，我们的目标可以表述如下：我们希望获得一个在终端中运行的 EA，并使用一个交易策略实例在多个交易品种和时间框架内执行 EA 优化。假设这些交易品种为 EURGBP、EURUSD 和 GBPUSD，而时间框架是 H1、M30 和
双线MACD : 本指标MACD(2lines)是基于国内的股票软件通达信的MCAD改编。 作者： Ziheng Zhuang
新文章 创建多币种多系统 EA 交易 已发布： 我相信，很多交易人都会交易不止一个交易品种并使用多种交易策略。依靠高效的资金管理，这种方法不仅能帮你提高潜在利润，还能最大程度降低大笔资金亏损风险。创建 EA 交易时，检查程序策略是否有效的第一步就是优化，以确定最佳输入参数。 确认参数值后，便从技术上做好了 EA 交易准备。但是还存在一个重要问题尚未解决。如果交易人将所有策略都放在一个 EA 中，那么其测试结果如何？在一些交易品种或策略上亏损可能会在某种程度上同时发生并造成可怕的整体亏损，甚至要求追加预付款有时也会让人措手不及。 本文引入了创建多币种多系统 EA
Grr-al : 本EA仅当策略测试器使用“开盘价”或者“1分钟OHLC”模式才是盈利的。 作者： Igor Volodin
NeuroNirvamanEA 2 : 基于简单神经网络的交易系统。 作者： Vladimir Karputov
新文章 神经网络实践：直线函数 已发布： 在本文中，我们将快速了解一些方法，以获得可以在数据库中表示数据的函数。我不会详细介绍如何使用统计和概率研究来解释结果。让我们把它留给那些真正想深入研究数学方面的人。探索这些问题对于理解研究神经网络所涉及的内容至关重要。在这里，我们将非常冷静地探讨这个问题。 网络上有很多关于这个主题的材料，这些材料都解释得很好，很容易理解。但是，如果你的目标只是查看代码，那么欢迎你，因为我不会在本文中讨论数学部分。这个数学问题相当深奥，需要理解每一个细节和大量时间。大多数读者可能对这些方面不感兴趣。
新文章 数据科学与机器学习（第24部分）：使用常规AI模型进行外汇时间序列预测 已发布： 在外汇市场中，如果不了解过去的情况，就很难预测未来的趋势。很少有机器学习模型能够通过考虑过去的数据来做出未来预测。在本文中，我们将讨论如何使用经典（非时间序列）人工智能模型来战胜市场。 与我们之前文章中讨论的线性回归、支持向量机（SVM）、神经网络（NN）等其他经典机器学习模型不同，这些模型旨在确定特征变量之间的关系，并根据这些学习到的关系进行未来预测——时间序列模型则基于先前观察到的值来预测未来值。
新文章 构建K线图趋势约束模型（第5部分）：通知系统（第二部分） 已发布： 今天，我们将讨论如何使用MQL5与Python和Telegram Bot API相结合，为MetaTrader 5的指标通知集成一个实用的Telegram应用。我们将详细解释所有内容，确保每个人都不会错过任何要点。完成这个项目后，您将获得宝贵的见解，可以在自己的项目中加以应用。 本文的目标是全面指导我们完成每一步，直到实现预期结果。有了在前文中获得的基础知识，现在一切都清晰明了了。我将详细解释集成程序中的每一行代码。在这个项目中，与Telegram集成相关的四个关键组件需要始终牢记。 Telegram的API。
新文章 让新闻交易轻松上手（第二部分）：风险管理 已发布： 在本文，我们将把继承引入到我们之前的代码和新代码中。我们将引入一种新的数据库设计以提高效率。此外，还将创建一个风险管理类来处理容量计算。 简单回顾让新闻交易轻松上手系列的 前一篇文章
新文章 神经网络实践：伪逆（I） 已发布： 今天，我们将开始探讨如何在纯MQL5语言中实现伪逆的计算。即将展示的代码对于初学者来说可能比我预期的要复杂得多，我还在思考如何以简单的方式解释它。所以，现在请将其视为学习一些不寻常代码的机会。请保持冷静和专注。虽然它并不旨在高效或快速应用，但其目标是尽可能具有教育意义。 即使是创建最简单的神经网络，在许多情况下也是一项具有挑战性的任务。在这里，我想向你展示一些能够激励你更深入地探索这个主题的东西。神经网络至少是几十年来一直研究的主题。如前面三篇关于人工智能的文章所述，这个主题比许多人认为的要复杂得多。
新文章 为 MetaTrader 5 开发 MQTT 客户端：TDD 方法 - 最终篇 已发布： 本文是介绍我们针对 MQTT 5.0 协议的本机 MQL5 客户端的开发步骤系列文章的最后一部分。尽管该库尚未投入实际使用，但在此部分中，我们将使用我们的客户端来更新来自另一个经纪商的报价（或利率）的自定义交易品种。请参阅本文底部以获取有关该库的当前状态的更多信息、它与 MQTT 5.0 协议完全兼容所缺少的内容、可能的路线图以及如何关注和促进其发展。 最后，在这第七部分、也是最后一部分中，我们想与您分享一些工作代码，该代码旨在解决在构建用于 EA
新文章 您应当知道的 MQL5 向导技术（第 15 部分）：协同牛顿多项式的支持向量机 已发布： 支持向量机基于预定义的类，按探索增加数据维度的效果进行数据分类。这是一种监督学习方法，鉴于其与多维数据打交道的潜力，它相当复杂。至于本文，我们会研究进行价格行为分类时，如何运用牛顿多项式更有效地做到非常基本的 2-维数据实现。 支持向量机（SVM） 是一种机器学习分类算法。分类不同于我们之前在 这里 和 这里 文章中研究过的聚类，两者之间的主要区别在于，分类在 有监督 的情况下将数据分成预定义的集合，而聚类则寻求在 无监督 的情况下判定这些集合的内容和数量。 简言之，如果要向数据添加维度，SVM
新文章 神经网络变得简单（第 83 部分）：“构象”时空连续关注度转换器算法 已发布： 本文介绍了最初是为天气预报而开发的“构象（Conformer）”算法，其变化多端之处可与金融市场相提并论。“构象（Conformer）”是一种复杂的方法。它结合了关注度模型和常微分方程的优点。 金融市场行为的不可预测性可与天气的波动性相提并论。然而，人类在天气预报领域已经做了很多工作。如此，我们现在可以非常信任气象学家提供的天气预报。我们能否利用它们的发展来预测金融市场的“天气”？在本文中，我们将领略“构象”时空连续关注度转换器的复杂算法，其是为天气预报而开发的，并在论文
新文章 神经网络变得简单（第 82 部分）：常微分方程模型（NeuralODE） 已发布： 在本文中，我们将讨论另一种模型类型，它们旨在研究环境状态的动态。 我们来领略一个新的模型家族：常微分方程。它们把隐藏状态的导数利用神经网络参数化，替代了指定隐藏层的离散序列。模型的结果是利用“黑匣子”计算的，即微分方程求解器。这些连续深度模型使用恒定的内存量，并针对每个输入信号适配其估测策略。这种模型最早是在论文 《神经常微分方程》 中引入的。在该篇论文中，方法的作者演示了使用任意常微分方程（ODE）求解器伸缩反向传播的能力，而无需访问其内部操作。这就能在较大的模型内对 ODE 进行端到端训练。 作者：
新文章 开发回放系统（第 49 部分）：事情变得复杂 (一) 已发布： 在本文中，我们将把问题复杂化。通过前面文章中展示的内容，我们将开始打开模板文件，以便用户可以使用自己的模板。不过，我将逐步进行修改，因为我还将改进指标，以减少 MetaTrader 5 的负载。 本文将采用 开发回放系统（第 48 部分）：理解和思考的概念 一文中的讨论内容。所以，如果您还没有读过这篇文章，请阅读一下，因为这篇文章的内容对于理解我们在这里要做的事情非常重要。 在撰写前几篇文章时，最让我困扰的一件事是，回放/模拟系统包含一个指标，MetaTrader 5
新文章 获取市场优势的秘诀（第二部分）：预测技术指标 已发布： 你知道吗？与预测交易标的的基础价格相比，我们预测某些技术指标时能获得更高的准确性。加入我们，一起探索如何利用这一想法来制定更好的交易策略。 在电子交易环境中应用机器学习的投资者面临着诸多挑战，而现实情况是，许多投资者并未能实现他们预期的结果。本文旨在强调在我看来，为什么有志于成为算法交易者的人可能无法实现与他们策略复杂性相匹配的满意回报。我将展示为什么预测金融证券的价格往往难以超过50%的准确性，以及如何通过转而预测技术指标值来提高准确性至约70%。本指南将提供时间序列分析最佳实践的分步指导。
新文章 数据科学与机器学习（第22部分）：利用自编码器神经网络实现更智能的交易——从噪声中提炼信号 已发布： 在瞬息万变的金融市场中，从噪音中分离出有意义的信号对于成功交易至关重要。通过采用复杂的神经网络架构，利用自动编码器发掘市场数据中的隐藏模式，将嘈杂的输入转化为可操作的类型。本文探讨了自动编码器如何改变交易实践，为交易者提供了一个强大的工具，以改善决策制定，并在当今瞬息万变的市场中获得竞争优势。 让我们剖析一下自动编码器，看看它们是由什么构成的，以及它们有什么特别之处。 自动编码器的核心是一个由三部分组成的人工神经网络。 编码器, 嵌入向量/潜在层, 解码器
Lyapunov_HP : 基于 Lyapunov 稳定性理论，并带有霍德里克 - 普雷斯科特 (Hodrick-Prescott) 滤波器的振荡器指标 作者： Scriptor
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