新文章 神经网络变得轻松（第五十一部分）：行为-指引的扮演者-评论者（BAC） 已发布： 最后两篇文章研究了软性扮演者-评论者算法，该算法将熵正则化整合到奖励函数当中。这种方式在环境探索和模型开发之间取得平衡，但它仅适用于随机模型。本文提出了一种替代方式，能适用于随机模型和确定性模型两者。 首先，我们谈谈研究环境的必要性。我想每个人都同意这个过程是必要的。但究竟是为了什么，在什么阶段？
新文章 强化学习中的随机决策森林 已发布： 使用 bagging 的随机森林(Random Forest, RF) 是最强大的机器学习方法之一， 它略微弱于梯度 boosting，这篇文章尝试开发了一个自我学习的交易系统，它会根据与市场的交互经验来做出决策。 之后，所有训练过的决策树被组合到一起，使用所有用本的平均误差来做简单投票。Bootstrap聚合的使用减少了均方误差，降低了训练分类器的方差。误差在不同的样本间不会相差太大。这样，根据作者的意见，模型将会较少有过度拟合的问题。bagging 方法的效果依赖于基本算法 (决策树)
新文章 开发回放系统 — 市场模拟（第 22 部分）：外汇（III） 已发布： 虽然这是关于这个主题的第三篇文章，但我必须为那些还不了解股票市场和外汇市场之间区别的人解释一下：最大的区别在于，在外汇中没有、或者更确切地说，我们得不到交易过程中有关一些实际发生关键处的信息。 为了找出我们是否应该使用模拟器来创建跳价，并且信息是用于外汇市场、亦或股票市场，我们可以使用 交易量 ！是的，确实是交易量！这正是它是如何做的。判定柱线文件是属于外汇（我们采用出价作为交易价格）、还是股票市场（我们采用最后成交价作为交易价格）的信息正是交易量。 如果您不明白这一点，我建议您查看下面的图像，您可以在其中看到含有
新文章 MQL5 中的范畴论 (第 14 部分)：线性序函子 已发布： 本文是更广泛关于以 MQL5 实现范畴论系列的一部分，深入探讨了函子（Functors）。我们实验了如何将线性序映射到集合，这要归功于函子；通过研究两组数据，典型情况下会忽略其间的任何联系。 海潮数据由美国国家海洋和大气管理局（NOAA）通过其网站发布并向公众提供，可在 此处 查看。该数据每天四次记录基准面的海潮高度。全年每天无间断记录每次潮汐时间和高度的全部数据。下面是一个预览： 所有海洋被划分为 4 个区域，每个区域内的潮汐值都来自许多观测站。例如，从南美洲智利一直到阿拉斯加的北美和南美西海岸，有 33
新文章 了解如何在MQL5中处理日期和时间 已发布： 这是一篇关于一个新的重要话题的新文章，这个话题是关于日期和时间的。作为交易工具的交易员或程序员，了解如何很好、有效地处理日期和时间这两个方面至关重要。因此，我将分享一些重要信息，关于我们如何处理日期和时间，以便顺利、简单地创建有效的交易工具。 金融市场领域的任何人都不会隐瞒时间的重要性，以及它如何影响交易决策和结果。MQL5（MetaQuotes Language
Exp_Slow-Stoch_Duplex : 两个相同的交易系统（针对多头和空头持仓）均基于 Slow-Stoch 指标信号，可以在一款智能交易系统中以不同方式配置 作者： Nikolay Kositsin
新文章 将您自己的LLM集成到EA中（第1部分）：硬件和环境部署 已发布： 随着人工智能的快速发展，大型语言模型（LLM）成为人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。 在本地部署LLM时，硬件配置是一个非常重要的部分。这里我们主要讨论主流PC，不讨论MacOS和其他小众产品。
LinearRegression : 在金融市场应用此种方法，通常是判断价格与 "标准" 级别的极端偏离。 作者： Nikolay Kositsin
新文章 MQL5 细则手册：保存基于指定标准的“EA 交易”的优化结果 已发布： 我们继续有关 MQL5 编程的系列文章。这一次，我们来看一看如何获得“EA 交易”参数优化期间传递的每个优化的结果。将完成实现，以确保如果外部参数中指定的条件得到满足，对应的传递值将被写入文件。除了测试值，我们还将保存带来这样的结果的参数。 要在优化过程中访问数据，您可以使用特殊 MQL5 函数： OnTesterInit() 、 OnTester() 、 OnTesterPass() 和 OnTesterDeinit() 。我们简单看一下每个函数： OnTesterInit() - 本函数用于决定优化开始。
新文章 重温默里（Murrey）系统 已发布： 图形价格分析系统在交易者中当之无愧地广受欢迎。 在本文中，我将讲述完整的默里（Murrey）系统，包括其著名的级别，以及其它一些评估当前价格位置，并据其做出交易决策的实用技术。 级别 突破 是 价格越过水平并固定 在那里的情形。 例如，当价格收盘价低于第一根蜡烛的级别，高于第二根和第三根蜡烛的级别时，我们可以假设该级别已被突破。 或者当价格收于该级别上方，然后返回并收于该级别下方，然后，不超过八根蜡烛后，再次于该级别上方收盘。 通常在这种情况下，第一次突破后形成的极值，以及逆势指向不会达到先前的级别。
交易量平均百分比 : 这个版本是一个规范化的版本 - 因为它把交易量显示为选定时间段内与平均交易量的百分比。 作者： Mladen Rakic
新文章 开发回放系统 — 市场模拟（第 21 部分）：外汇（II） 已发布： 我们将继续构建一个在外汇市场工作的系统。为了解决这个问题，我们必须在加载以前的柱线之前首先声明加载跳价。这解决了问题，但同时迫使用户遵循配置文件中的某些结构，就个人而言，这对我来说没有多大意义。原因是，通过设计一个负责分析和执行配置文件中内容的程序，我们可以允许用户按任何顺序声明他需要的元素。 在上一篇文章“ 开发回放系统 — 市场模拟（第 20 部分）：外汇（I） ”中，我们开始装配，或者更确切地说，调整回放/模拟系统。这样做是为了允许使用市场数据，例如外汇，以便至少能够进行市场回放。
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 从外汇市场的季节性获益 已发布： 我们都熟悉季节性的概念，例如，我们都习惯于冬季新鲜蔬菜价格的上涨或严重霜冻期间燃料价格的上涨，但很少有人知道外汇市场也存在类似的模式。 季节性是指在每个日历年的同一时期，价格经历类似且可预测的变化的现象。这些变化可能发生在特定的气象季节、作物季节、季度、月份、假期或非高峰期。季节性分析是商品市场的特点。例如，取暖油的需求存在季节性趋势，当需求上升时价格会上涨，当需求下降时价格会下降。大豆供应存在季节性趋势（与种植、种植和收割相关），通过创造模式影响价格。
Expert_RSI_Stochastic_MA:
此 EA 使用三款指标: MA(150), RSI(3) 级别为 80 和 20, 随机振荡(6, 3, 3) 级别为 70 和 30。开单方向基于 MA。入场取决于 RSI 和随机振荡。离场取决于随机振荡。
作者： Oksana Berenko
新文章 神经网络变得轻松（第五十部分）：软性扮演者-评价者（模型优化） 已发布： 在上一篇文章中，我们实现了软性扮演者-评论者算法，但未能训练出一个可盈利的模型。在此，我们将优化先前创建的模型，以期获得所需的结果。 我们继续研究软性扮演者-评论者算法。在 上一篇文章 中，我们实现了该算法，但未能训练出一个可盈利的模型。今天，我们将研究可能的解决方案。在“ 模型拖延症，原因和解决方案 ”一文中已经提过类似的问题。我建议扩展我们在这一领域的知识，并以我们的软性扮演者-评论者模型为例研究新方式。
新文章 暴力方式搜素形态（第 V 部分）：全新视角 已发布： 在这篇文章中，我将展示一种完全不同的方式进行算法交易，我经历了很长一段时间后才最终遇到它。当然，这一切所作所为全靠我的暴力程序，其经历了许多更改，令其能够并发解决若干问题。尽管如此，这篇文章明面上仍然比较笼统和尽可能简单，这就是为什么它也适合那些对暴力一无所知的人。 我开始思考，当人们试图运用算法交易赚钱时，引导人们走向成功、或将人们带进死胡同的各种途径。理论上，已明示的就有若干路径： 正面交锋。, 美丽画面。, 现成的交易系统。, 现代化和混合化的公开可用算法。, 团队作战。
新文章 时间序列挖掘的数据标签（第3部分）：使用标签数据的示例 已发布： 本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！ 本文介绍了如何通过MetaTrader5交易平台使用PyTorch Lightning和PyTorch Forecasting框架来实现基于神经网络的金融时间序列预测。 在本文中，我们还将解释选择这两个框架的原因以及我们使用的数据格式。
MACD 清洁工 : 一款基于 iMACD（移动平均线收敛/发散，MACD）指标的智能交易系统 作者： Vladimir Karputov
Hans123_Trader v2 : Buy Stop 和 Sell Stop 的挂单。 EA 在指定的时间段内进行交易。 确定指定范围内的最高和最低价格。 持仓尾随。 作者： Vladimir Karputov
Urdala_Trol : EA 在两个方向上执行初始开仓。 然后它试图将剩下的一侧拉回盈利。 操作策略 如果尚未开仓 (由 EA 开仓), 则按 " Lots " 初始手数双向开仓，并按 " Stop Loss " 参数设置止损，未使用止盈。 使用尾随策略移动止损 (按照 " Trailing Stop " 和 " Trailing Step " 参数)。 尾随 持仓的第一次修改应可靠地将止损移至盈亏平衡甚或小额盈利的价位。 随后的止损修改则保证了利润增加。 作者： Vladimir Karputov
新文章 DRAKON可视化编程语言 - 面向MQL开发人员和客户的通信工具 已发布： DRAKON是一种可视化编程语言，旨在简化来自不同领域的专家（生物学家、物理学家、工程师…）与俄罗斯太空项目（例如，Buran可重复使用航天器项目）程序员之间的互动。在这篇文章中，我将讨论DRAKON如何使算法的创建变得容易和直观，即使你从未遇到过代码，以及客户在订购交易机器人时如何更容易解释他们的想法，以及程序员如何在复杂函数中减少错误。 这不会减少程序员的技术工作负荷，但至少他们会更好地理解你的想法，并且在第一个版本中出错的可能性更小。这些错误最终必须得到纠正，这可能需要额外的时间（和/或金钱）。
新文章 MQL5中的替代风险回报标准 已发布： 在这篇文章中，我们介绍了几种被称为夏普比率（Sharpe ratio）替代品的风险回报标准的实现，并检查了假设的权益曲线以分析其特征。 下图显示了一个Metatrader 5（MT5）应用程序，该应用程序被实现为专家顾问（EA 交易），显示了三条权益曲线。红色权益曲线是衍生蓝色和绿色权益曲线的基准。可以通过配置初始资本来更改基准。可根据应用进行调整。
新文章 价格走势模型及其主要规定。（第 3 部分）：计算股票证券博弈的最优参数 已发布： 在作者基于概率论开发的工程方式框架内，找到了开立盈利仓位的条件，并计算了最优（利润最大化）止盈和止损值。 在之前的文章（ 第 1 部分 和 第 2 部分
新文章 MQL5中的ALGLIB数值分析库 已发布： 本文简要介绍了ALGLIB 3.19数值分析库、它的应用以及可以提高金融数据分析效率的新算法。 为什么在处理金融数据时选择ALGLIB？ 以下是库的主要优点： 可移植性：ALGLIB使用各种编译器在各种平台上轻松编译，使不同背景的开发人员都可以访问它。, 易用性：支持多种编程语言，因此您可以选择最熟悉的语言，而无需学习新的语法。, 开源：ALGLIB是开源的，可以在GPL2+协议下使用。这使得科学研究和商业项目都可以使用它。, 商业用户支持：商业用户可以购买许可证，在使用ALGLIB时为他们提供法律保护。
新文章 用置信区间估计未来效能 已发布： 在这篇文章中，我们深入研究自举法技术的应用，作为评估自动化策略未来效能的一种手段。 当我们测试一个候选交易系统时，我们自然会得到各种效能指标的集合。这些数据会直观地告诉我们系统的利润潜力，但这种直觉可能还不够。一种在测试中产生大量利润的策略，在现场交易时获得的回报可能不太高。有没有办法更好地了解测试期间观察到的效能是否会继续保持在同一水平？如果没有，效能会有多差 这就是标准统计方法可以提供帮助的地方。需要注意的是，我们将要讨论的技术并不意味着它们的估计是准确的，它们永远不会是准确的。它们所做的是提供方法来识别产生很高或可接受利润的高概率策略
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