文章，程序库评论 - 页 63

新文章 神经网络变得简单（第 75 部分）：提升轨迹预测模型的性能 已发布： 我们创建的模型变得越来越大，越来越复杂。这不光提高了它们的训练成本，还有操作成本。不过，做出决定所需的时间往往很关键。有关于此，我们来研究在不损失品质的情况下优化模型性能的方法。 预测即将到来的价格走势的轨迹，或许在为所需规划范围构建交易计划的过程中扮演关键角色之一。这种预测的准确性至关重要。为了提高轨迹预测的品质，我们把轨迹预测模型复杂化。

新文章 数据处理的分组方法：在MQL5中实现组合算法 已发布： 在本文中，我们将继续探索数据处理家族分组算法，在MQL5中实现组合算法（Combinatorial Algorithm）及其优化版本——组合选择算法（Combinatorial Selective Algorithm）。 GMDH（Group Method of Data Handling）的 组合算法

新文章 如何构建和优化基于波动率的交易系统（Chaikin volatility-CHV） 已发布： 在本文中，我们将介绍另一个基于波动率的指标——蔡金波动率（Chaikin Volatility）。在了解到蔡金波动率的使用方法和构建方式之后，我们将学习如何构建自定义指标。我们将分享一些可用的简单策略，并对其进行测试，以了解哪个策略更优。 在本文中，我们将探讨这些衡量波动率的技术指标之一——蔡金波动率（Chaikin

新文章 开发回放系统（第 44 部分）：Chart Trader 项目（三） 已发布： 在上一篇文章中，我介绍了如何操作模板数据以便在 OBJ_CHART 中使用。在那篇文章中，我只是概述了这一主题，并没有深入探讨细节，因为在那个版本中，这项工作是以非常简单的方式完成的。这样做是为了更容易解释内容，因为尽管很多事情表面上很简单，但其中有些并不那么明显，如果不了解最简单、最基本的部分，就无法真正理解全局。 在上一篇文章 开发回放系统（第 43 部分）：Chart Trader 项目 (二) 中，我解释了如何操作模板数据以便在 OBJ_CHART

新文章 构建K线图趋势约束模型（第一部分）：针对EA和技术指标 已发布： 本文面向初学者和专业的MQL5开发者。它提供了一段代码，用于定义并限制信号生成指标仅在较长的时间框架的趋势中运行。通过这种方式，交易者可以通过融入更广泛的市场视角来增强他们的策略，从而可能产生更稳健和可靠的交易信号。

新文章 练习开发交易策略 已发布： 在本文中，我们将尝试开发自己的交易策略。任何交易策略都必须以某种统计优势为基础。而且，这种优势应该长期存在。 交易策略 是一种固定计划，旨在通过做多或做空市场来实现盈利回报。通过组合各种想法，交易者可以制定自己的策略，以满足他们的特定需求和风格偏好。 可能的交易策略数量如此之多，甚至连对它们进行分类都成了一项艰巨的任务。不过，大多数交易策略通常都包含一定的要素。 工作交易品种和时间框架。, 指标、过滤器等。, 开仓和平仓规则。, 资金和风险管理。 除这些要素外，交易策略还可能包括其他参数。交易策略可能有交易时间限制，例如，允许在上午 9 点至下午 1

新文章 种群优化算法：人工多社区搜索对象（MSO） 已发布： 这是上一篇研究社群概念文章的延续。本文使用迁徙和记忆算法探讨社群的演化。结果将有助于理解社区系统的演化，并将其应用于优化和寻找解。 在 上一篇文章 中，我们研究了社群的演变，它们在搜索空间中可自由移动。然而，在此，我提议我们改变一下概念，并假设群在地区间移动，从一个地区跳到另一个地区。所有群都有自己的中枢，这些中枢在算法的每次迭代中都会更新。此外，我们还为整个群和其中的每个份子引入了记忆的概念。依据这些变化，我们的算法现在允许群基于有关最佳解的信息从一个地区移动到另一个地区。

在单一窗口中显示若干 CChartObject 对象 : 这段脚本在单一图表窗口中显示若干子图表，子图表数量则是市场观察菜单中的货币对数量。 作者： Automated-Trading

新文章 利用Python进行季节性过滤并为EA的ONNX深度学习模型选择时间周期 已发布： 在利用Python构建深度学习模型时，我们能否从季节性因素中获益？为ONNX模型过滤数据是否有助于获得更好的结果？我们应该使用哪个时间周期？本文将全面探讨这些问题。 在阅读了 《利用外汇市场季节性因素获利》 一文后，我决定撰写另一篇文章，对比加入季节性因素与未加入季节性因素的交易策略（Expert Advisor，简称EA），以探究季节性因素是否能带来优势。

新文章 种群优化算法：鲸鱼优化算法（WOA） 已发布： 鲸鱼优化算法（WOA）是一种受座头鲸行为和捕食策略启发的元启发式算法。该算法的核心思想在于模仿所谓的“气泡网”捕食方法，即鲸鱼在猎物周围制造气泡，然后以螺旋运动的方式攻击猎物。 鲸鱼优化算法（WOA）是由Mirjalili和Lewis于2016年提出的一种元启发式优化算法。该算法的灵感来源于鲸鱼的狩猎行为。 鲸鱼采用多种狩猎策略，包括“气泡网”（bubble net）和“螺旋穿透”（spiral

新文章 开发多币种 EA 交易 (第 5 部分):可变仓位大小 已发布： 在前面的部分中，我们正在开发的智能交易系统 (EA) 只能使用固定的仓位大小进行交易。这对于测试来说是可以接受的，但在真实账户交易时并不建议这样做。让我们能够使用可变的仓位大小进行交易。 在上一 部分 中，我们添加了重启后恢复 EA 状态的功能。无论原因是什么 - 重新启动终端、使用 EA 更改图表上的时间框架、启动较新版本的 EA - 在所有情况下，恢复状态都允许 EA 不从头开始工作并且不会丢失已经打开的仓位，而是继续处理它们。 然而，在整个测试期间，该策略的每个实例的开仓大小保持不变。其大小是在 EA

新文章 自动搜索背离和趋合 已发布： 本文研究各种类型背离: 简单, 隐藏, 扩展, 三重, 四重, 收敛, 以及 A, B 和 C 种类的背离。还开发了在图表上搜索并显示的通用指标。 最大值/最小值要高于/低于指标中线 。此方法比其它方法使用频率更低。它也取决于所应用的指标, 因为并非所有指标的平均值都为 0 (例如, RSI 的平均值为 50)。但其主要缺点是过于滞后 (图例. 9)。 图例. 9。利用中线穿越定义顶部和底部。只有中线在柱线 2 上穿越之后 我们才会确认顶部 1。在柱线 4 穿越后 我们才会确认底部 3 作者： Dmitry Fedoseev

新文章 利用 MQL5 向导和 Hlaiman EA 生成器创建神经网络 EA 已发布： 本文讲述的是利用 MQL5 向导和 Hlaiman EA 生成器自动创建神经网络 EA 的一种方法。向您展示如何轻松开始神经网络的使用，且无需学习整体的理论知识，也不必编写自己的代码。 几乎每一位交易者都知道神经网络的存在。但对于大多数人来讲，它还是一个“黑盒子”，仅为外界所知的，就是神经网络识别形态、生成解决方案的联想搜 索和学习能力，以及有效预测市场行为和自动交易的事实。通常侧重神经网络应用的许多信息来源都大谈其难度，强调必须投入大量的时间和精力才能学好这门学 科，才能在未来很好地使用神经网络。

i-CAiChannel : 使用 i-CAi 指标算法的轨道线(Envelopes)指标。 作者： Nikolay Kositsin

新文章 MQL5 酷宝书 – 财经日历 已发布： 本文着重于财经日历的编程特性，并研究创建一个类来简化访问日历属性和接收事件值。 运用 CFTC（商品期货交易委员会）的非商业净持仓规则来开发指标作为一个实际例子。 我们会在下面的示例中处理时间序列结构。 Test_TS.mq5 脚本接收自 2016 年 1 月 1 日到 2021 年 11 月 1 日之间的美国非农就业数据，并将其显示在特殊的图表上。 所以可令图表产生两条曲线 - 实际值和预测值。 我们将采用事件报告区间作为时间线。 脚本启动后，我们首先在日志里显示时间序列数值，然后在图表上绘制图表（图例 2）。 图例 2. 美国非农就业

新文章 种群优化算法：社群进化（ESG） 已发布： 我们将研究构造多种群算法的原理。作为该算法类别的一个示例，我们将查看新的自定义算法 — 社群进化（ESG）。我们将分析该算法的基本概念、种群互动机制和优势，并检查其在优化问题中的表现。 在优化领域，有范围广阔的种群算法，旨在寻找各种问题中的最优解。然而，尽管它们很重要，但多种群和多群体算法在我以前的文章中并未得到充分的涵盖。有鉴于此，我觉得有必要针对这个迷人而有前景的话题进行更详细的研究。

新文章 克服集成ONNX（Open Neural Network Exchange ）的挑战 已发布： ONNX是集成不同平台间复杂AI代码的强大工具，尽管它非常出色，但要想充分发挥其作用，就必须解决一些伴随而来的挑战。在本文中，我们将讨论您可能会遇到的一些常见问题，以及如何处理这些问题。 ONNX (Open Neural Network Exchange) 彻底改变了我们开发复杂的基于AI的MQL5程序的方式。对于MetaTrader

基础 CCI RSI : 基于两个振荡器的交易策略：iCCI（商品通道指数，CCI）和 iRSI（相对强弱指数，RSI）。 作者： Vladimir Karputov

新文章 MQL5 中的高级变量和数据类型 已发布： 不仅在 MQL5 编程中，在任何编程语言中，变量和数据类型都是非常重要的主题。MQL5 变量和数据类型可分为简单类型和高级类型。在这篇文章中，我们将识别并学习高级类型，因为我们在前一篇文章中已经提到过简单类型。 在本文中，我们将描述并深入了解 MQL5 中的变量和数据类型，以及它们如何在创建或构建 MQL5 交易软件时发挥作用。我们将学习更多关于变量和数据类型的高级概念，并将通过以下主题进行讲解： 常量 ：它们是其值不变的标识符。, 数组 ：它们是具有多个值的任何类型的变量。&nbsp, 枚举 ：它们是具有整数值的常量整数列表。, 结构

新文章 头脑风暴优化算法（第二部分）： 多模态 已发布： 在文章的第二部分，我们将继续讨论BSO算法的实际应用，对测试函数进行测试，并将BSO的效率与其他优化方法进行比较。 在文章的 第一部分

新文章 矩阵分解基础知识 已发布： 由于这里的目标是教学，我们将尽可能简单地进行。也就是说，我们将只实现所需的功能：矩阵乘法。今天您将看到，这足以模拟矩阵标量乘法。许多人在使用矩阵分解实现代码时遇到的最大困难是：与标量分解不同，在标量分解中，几乎所有情况下因子的顺序都不会改变结果，但使用矩阵时情况并非如此。 欢迎大家阅读我的新文章，其中包含的是教育内容。

新文章 头脑风暴优化算法（第一部分）：聚类 已发布： 在本文中，我们将探讨一种受自然现象“头脑风暴”启发的新型优化方法——头脑风暴优化（Brain Storm Optimization，简称BSO）。我们还将讨论BSO方法所应用的一种解决多模态优化问题的新方法。该方法能够在无需预先确定子种群数量的情况下，找到多个最优解。此外，我们还会考虑K-Means和K-Means++聚类方法。 头脑风暴优化算法（Brain Storm Optimization

新文章 非平稳过程和伪回归 已发布： 本文基于蒙特卡洛模拟，展示了回归分析非平稳过程时产生的伪回归现象。 在本文中，我将使用蒙特卡洛模拟来展示当违反平稳性假设时或错误设定平稳情况下的回归模型时，虚假回归是如何发生的。为此，我将使用标准的MQL5统计库来生成随机数，并计算正态分布和t分布的临界值，同时还将使用 图形 库来绘制所得到的结果。使用矩阵代数方法可以极大地简化回归模型的计算。 作者： Evgeniy Chernish

SymbolX_Candle : 该指标使用美元指数计算给定货币的指数。 它基于 SymbolX 指标，但用四个价格计算: 以一个收盘价替代 OHLC。 作者： Scriptor

BufferInspector : 您的指标使用了多少缓冲区?它们是计算什么的呢?它是否高效?如果您想知道后面的背景，您将可以做到了。 作者： Diogo Seca

外汇货币力度 : MetaTrader 5 能够创建合成品种。这些品种的价格可能取决于多种金融产品的当前价值。在交易中, 这些品种可以在早期阶段发现全球市场走势的开始和结束。在此示例中, 我们创建了合成品种来分析外汇货币 EUR, USD, GBP, JPY 和 CHF 的强度。 作者： Quantum

新文章 您应当知道的 MQL5 向导技术（第 11 部分）：数字墙 已发布： 数字墙（Number Walls）是线性回移寄存器的一种变体，其通过检查收敛性来预筛选序列来达到可预测性。我们看看这些思路如何运用在 MQL5。 对于少量时间序列，可以依据序列中出现的先前值为序列中的下一个值设计一个公式。数字墙允许遵照交叉规则以矩阵的形式，初步生成“数字墙”来达成这一点。在生成这个矩阵时，主要目标是确立问题中的序列是否收敛，且数字墙交叉规则算法能愉快地回答这个问题，如果在应用几行之后，矩阵中的后续行只是零。 在这篇 已发表论文 中，展示了这些概念，Laurent Power 级数又名形式化

新文章 交易中的数学：夏普（Sharpe）和索蒂诺（Sortino）比率 已发布： 投资回报率是投资者和萌新交易员用来分析交易绩效的最明显指标。 专业交易者会采用更可靠的工具来分析策略，比如夏普（Sharpe）比率和索蒂诺（Sortino）比率等。 示意图清楚地表明，年度夏普比率的值每个月都在变化。 这取决于 EURUSD 本月的变化。 另一方面，在所有时间帧内，每个月的年度夏普比率几乎没有变化。 因此，年度夏普比率可以在任何时间帧内计算，而结果值也取决于获得回报的柱线数量。 这意味着该算法可以用于实时测试、优化和监控。 唯一的先决条件是拥有足够大的回报数组。 作者： MetaQuotes

新文章 种群优化算法：鸟群算法（BSA） 已发布： 本文探讨了受自然界鸟类集群行为启发而产生的基于鸟群的算法（BSA）。BSA中的个体采用不同的搜索策略，包括在飞行、警戒和觅食行为之间的切换，使得该算法具有多面性。它利用鸟类集群、交流、适应性、领导与跟随等规则来高效地找到最优解。 鸟群算法（Bird Swarm Algorithm，简称BSA）是一种令人兴奋的受生物启发的进化算法，是基于鸟群社会互动和行为的群体智能。BSA由Meng及其同伴于2015年开发，是一种独特的优化方法，它结合了鸟类行为的三个关键方面： 飞行 、 觅食 和 警戒

新文章 神经网络实践：割线 已发布： 正如理论部分已经解释的那样，在使用神经网络时，我们需要使用线性回归和导数。为什么呢？原因是线性回归是现存最简单的公式之一。从本质上讲，线性回归只是一种仿射函数。然而，当我们谈论神经网络时，我们对直接线性回归的影响并不感兴趣。我们感兴趣的是生成这条直线的方程。我们对创建出的线并不感兴趣。你知道我们需要理解的主要方程吗？如果没有，我建议您阅读这篇文章来了解它。 亲爱的读者朋友们，欢迎你们阅读一个不会被当作系列文章处理的话题。