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。
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
新文章 您应该知道的 MQL5 向导技术（第 02 部分）：Kohonen 映射 已发布： 这些系列文章所提议的是，MQL5 向导应作为交易员的支柱。 为什么呢？ 因为交易员不仅可以利用 MQL5 向导装配他的新想法来节省时间，还可以大大减少重复编码带来的错误；他最终可把精力投向自我交易哲学中的几个关键领域。 这些映射的一个常见误解是 functor 数据应该是图像或二维。 下面的图片都是作为 Kohonen 映射的代表而被分享的。 虽然没有错，但我想强调 functor 可以且也许应该（对于交易者）有一个单一维度。 因此，我们不会将高维数据降维到 2D 映射，而是将其映射到一条直线上。
新文章 在 MQL5 中使用 AutoIt 已发布： 简述。 在本文中，我们将探索采用 MetraTrader 5 终端里以集成的 MQL5 编写 AutoIt 脚本。 在其中，我们将覆盖如何操纵终端的用户界面来自动完成各种任务，并介绍一个采用 AutoItX 库的类。 AutoIt 附带一个名为 AutoIt Window Info Tool 的应用程序，用于获取有关应用程序窗口的信息。 拖拽 Finder 工具覆盖到目标应用程序的任何部分，我们就可以获得特定组件的属性。 这些组件被称为控件。 控件可以是按钮、下拉菜单或选项卡。 这些仅是少数几个例子，还有许多类型的控件用于构建应用程序。
iStochKomposter : 信号量箭头指标, 基于经典随机振荡器远离超买和超卖区域。 作者： Nikolay Kositsin
新文章 学习如何基于奥森姆（Awesome）振荡器设计交易系统 已发布： 在我们系列的这篇新文章中，我们将学习一种也许对我们的交易有用的新技术工具。 它是奥森姆（Awesome）振荡器（(AO）指标。 我们将学习如何基于该指标设计交易系统。 策略一: AO 零轴交叉 根据这个策略，我们需要创建一个交易系统，该系统能够连续比较两个值，并有基于此生成看涨或看跌信号，它们是当期 AO 值和 AO 指标的零轴，以便判定每个值的位置，并决定市场的状态。 如果 AO 值大于零轴，我们要求交易系统在图表上生成含有以下值的注释： 看涨, AO 值 在另一种场景下，如果当期 AO
新文章 MQL5 中的范畴论 (第 8 部分)：幺半群（Monoids） 已发布： 本文是以 MQL5 实现范畴论系列的延续。 本期，我们引入幺半群作为域（集合），通过包含规则和幺元，将范畴论自其它数据分类方法分离开来。 为了描绘幺半群在交易者中的可能应用，我们要考虑 5 个决定，都是某些或大多数交易者在执行交易之前也许会面临的。 这些是： 要考虑回溯期的长度。, 要使用的图表时间帧。, 要使用的应用价格。, 要选择的指标。, 以及，这些给定信息，是否采取区间或趋势进行交易。 对于这些决定中的每一个，我们将跟进： 一组可供选择的可能数值, 一种二元运算，可在任意两个元素之间进行选择。
Exp_WeightOscillator : 最简单的 EA, 基于 WeightOscillator 加权振荡器。 作者： Nikolay Kositsin
有颜色参数的自定义移动平均 : 对"自定义移动平均"指标的修改: 现在，线的颜色可以通过输入参数来传入了， 作者： Vladimir Karputov
Exp_JBrainSig1_UltraRSI : 此 Exp_JBrainSig1_UltraRSI 自动交易程序使用 JBrainTrend1Sig 和 UltraRSI 指标的数值来分析市场状态 作者： Nikolay Kositsin
Shadow_True_Strength_Index : 影子真实强弱指数 作者： Scriptor
新文章 作为技术分析工具的 MTF 指标 已发布： 大多数交易者都同意，当前的市场状态分析从评估更高的图表时间框架开始。该分析向下执行，以缩短执行交易的时间范围。这种分析方法似乎是成功交易的专业方法的强制性部分。在本文中，我们将讨论多时间段指标及其创建方法，并提供MQL5代码示例。除了对优缺点进行综合评价外，我们还将提出一种采用MTF模式的新指标方法。 多时间段指标分类 这些指标在所有标准类中都有介绍，而大多数是复杂的类型，即结合计算和图形元素。指标组如下所示： 1. 信息类：此类指标显示数据和附加信息，无信号或图形。典型的例子是 MultiTimeFrame
各位先進大大好 : OnCalculate() 與 OnTick() 不能同時使用???? 目前我有自行研究出了 #property indicator_chart_window 可以繪出2條不同週期的AMA， 目前想要用計算出的最新的 AMA週期9的與週期12的進行交叉比對再OnTick() 判斷線型趨勢再開單， 但是 我只要用了 OnCalculate() 再執行時候都會變成 這個模式(只有顯示自訂指標)只有指標顯示無法進行演算法交易??? 再而不是這個 模式可以同時顯示跟交易，請問大大有甚麼樣的解決方式
新文章 开发回放系统 — 市场模拟（第 08 部分）：锁定指标 已发布： 在本文中，我们将亲眼见证如何在简单地利用 MQL5 语言锁定指标，我们将以一种非常有趣和迷人的方式做到这一点。 正如我早前提及的，我可以跳过这些信息，当有人问我为什么他们不能让系统工作时，我可以装作自己是一个更好的程序员。 但我不喜欢吹牛。 我希望人们学习、理解、并有动力去寻找解决方案。 只要有可能，分享您的知识，因为这就是我们为如何进化做出贡献。 隐瞒知识不是优越感的标志，而是恐惧或缺乏信心的标志。 我已经克服了这个阶段。 这就是我解释如何工作的原因。 我希望更多人能受到启发，去做同样的事情。 拥抱大家，下一篇文章见。
新文章 MQL5 Cookbook: 处理 TradeTransaction 事件 已发布： 在本文中，我打算介绍一种使用 MQL5 的手段来控制交易事件的方法。我要指出的是，有些文章已经专门讨论过这个话题。 "EA 交易中采用 OnTrade() 函数处理交易事件" 即是其一。我不想重复其他作者，并将使用另一个处理器 - OnTradeTransaction ()。 我想提请读者注意以下几点。在 MQL5 语言的当前版本，客户终端里包含 14 个正式的事件处理器。此外，程序员有可能利用 EventChartCustom () 创建自定义事件，并利用 OnChartEvent ()
新文章 峰谷指标：新鲜的方法、新颖的解决方案 已发布： 本文会验证创建一种高级峰谷指标的可能性。识别节点的概念是以使用轨道线指标为基础的。我们假设可以找到一系列轨道线输入参数的一种特定组合，所有峰谷节点均可借此处于轨道线带的界限之中。因此，我们可以尝试预测新节点的坐标。 当然，每位交易者都清楚，峰谷指标旨在对给定或更大幅度的价格波动进行分析。峰谷线是一条折线，节点分别位于价格图表的最高价和最低价处。 该指标有许多变体。然而，也有大量的 MQL5 程序开发者热衷于创建自己的“理想”峰谷。 我们将设定一个目标：找到两个节点的坐标 - 当前与预测节点（图
新文章 数据科学与机器学习（第 09 部分）：K-最近邻算法（KNN） 已发布： 这是一种惰性算法，它不是基于训练数据集学习，而是以存储数据集替代，并在给定新样本时立即采取行动。 尽管它很简单，但它能用于各种实际应用。 K-最近邻算法是一种非参数监督学习分类器，它运用邻近度对单个数据点的分组进行分类或预测。 虽然此算法主要用于分类问题，但它也可解决回归问题。 它通常作为分类算法，由于它假设数据集中的相似点可以在彼此的附近找到。 k-最近邻算法是监督机器学习中最简单的算法之一。 我们将在本文中构筑我们的算法作为分类器。 作者： Omega J Msigwa
新文章 开发回放系统 — 市场模拟（第 07 部分）：首次改进（II） 已发布： 在上一篇文章中，我们针对复现系统进行了一些修复并加入了测试，以确保可能的最佳稳定性。 我们还着手为这个系统创建和使用配置文件。 这里的问题是读取和写入变量之间会有很小的时差。 尽管它很短暂，但若服务在指标之前将数值写入全局终端变量时，它就存在。 发生此类事件时，服务在访问全局终端变量时所期望的值将与变量中的实际值不同。 有很多方法可以绕过这个缺陷，但在这个与市场回放配套工作的系统中，这并不重要。 故此，我们可以忽略此缺陷。
MQL5向导 - 基于价格交叉移动平均线并由ADX确认的交易信号 : 基于价格交叉移动平均线指标并由ADX确认的交易信号(CSignalADX_MA来自MQL5标准库)被考虑. 基于该策略的EA交易的代码可以被MQL5向导自动生成 作者： MetaQuotes Software Corp
Waddah Attar Win : 限价买入 (BuyLimit) 和限价卖出 (SellLimit) 订单。使用 OnTradeTransaction()。 作者： Vladimir Karputov
新文章 神经网络变得轻松（第三十八部分）：凭借分歧进行自我监督探索 已发布： 强化学习中的一个关键问题是环境探索。 之前，我们已经见识到基于内在好奇心的研究方法。 今天我提议看看另一种算法：凭借分歧进行探索。 基于分歧的探索是一种强化学习方法，允许代理者在不依赖外部奖励的情况下探索环境，但更倾向于使用模型融汇寻找新的、未探索的区域。 在“ 凭借分歧进行自我监督探索 ”一文中，作者讲述了这种方式，并提出了一个简单的方法：训练前向动态模型的融汇，并鼓励代理者探索动作空间，其在融汇当中模型预测之间存在最大不一致或方差。
新文章 价格直方图（市场概况）及其在 MQL5 中的实施 已发布： “市场概况”由真正才华横溢的思想家 Peter Steidlmayer 所提出。他建议使用有关“水平”和“垂直”市场动态信息的替代表示法，从而给出一套完全不同的模型。他认为存在市场深层次的摆动或称之为平衡和失衡周期的基本模式。在本文中，我将会探讨价格直方图（市场概况的一种简化模型）以及它在 MQL5 中的实施。 作者： Dmitry
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