文章,程序库评论 - 页 69

新文章 策略优化。一些简单的想法 已发布: 即使你借助MQL5的云计算网络来进行优化工作,仍就需要消耗大量的计算机资源。本文由我对MetaTrader 5策略测试器一些简单的改进想所法组成。这些想法来自于MQL社区的相关技术文档、论坛和文章。 当发现一个稳定的EA策略,我们往往是将它加载在EURUSD图上进行交易的,不是吗?那么这个策略能在其他货币对上获利更多吗?此策略是否能在无需几何倍增交易量的前提下,在其他货币对上能有更佳的表现呢? 如果我们对于EURUSD 1H 下的运行结果不满意要怎么办呢?换到EURJPY H4 ?
新文章 10 款趋势策略的比较分析 已发布: 本文简要概述了十款趋势跟随策略, 及其测试结果和比较分析。基于所获结果, 我们得到相关趋势跟随交易之优缺点的一般性结论。 图例. 10 趋势跟随策略的入场点示例。 ‌ 图例. 10. 趋势策略 #9 的入场条件 作者: Alexander Fedosov
统计特征 : 指标显示条形图的统计特征: 平均值, 方差, 偏度和峰度 作者: Vladimir Karputov
  程序库: AccurateTimer  (32   1 2 3 4)
AccurateTimer : 提高了标准计时器的精确度。 作者: fxsaber
Hikkake 形态 (内嵌日级假突破) : Hikkake 形态 (内嵌日级假突破) 指标是基于虚假突破的交易策略。 将 Dan Chesler 于 2004 年 4 月发表在活跃交易者杂志 "Hikkake 形态的交易假动作" 的文章转换为 MQL5 代码,。 作者: Minions Labs
新文章 神经网络变得轻松(第四十三部分):无需奖励函数精通技能 已发布: 强化学习的问题在于需要定义奖励函数。 它可能很复杂,或难以形式化。 为了定解这个问题,我们正在探索一些基于行动和基于环境的方式,无需明确的奖励函数即可学习技能。 为了测试训练模型的性能,我们采用 2023 年 5 月前两周的数据,这些数据不包括在训练集中,但紧随训练区间。 这种方式令我们能够在新数据上评估模型的性能,同时数据保持可比性,因为训练集和测试集之间没有时间间隔。 为了进行测试,我们使用了改编后的 “DIAYN\Test.mq5” EA。 所做的修改仅影响根据模型体系结构准备数据的算法,和源数据准备过程。
成交量交易员 : 基于柱线逐笔报价交易量的交易系统。 作者: Vladimir Karputov
新文章 开发回放系统 — 市场模拟(第 12 部分):模拟器的诞生(II) 已发布: 开发模拟器可能比看起来有趣得多。 今天,我们将朝着这个方向再走几步,因为事情变得越来越有趣。 尽管该系统看起来更加用户友好,但在柱线结构显示模式下运行时,您可能会注意到一些奇怪的事情。 这些不寻常的事情可以在下面的视频中看到。 不过,由于它们需要对代码中的某些地方进行修改,并且我不想让您认为这些东西是凭空出现的,因此我决定留下“漏洞”。 但也许主要原因是,在下一篇文章中,我将展示如何令系统更适合作为模拟器。 我不希望任何人来质疑我,为什么把已编好的模拟器放在下一篇文章中展示。 现在观看视频。
  指标: GMMA  (15   1 2)
GMMA : Guppy 多重均线 (GMMA) 是一款基于均线组之间关系的指标,可供洞察两个市场主导群体的行为 - 交易者和投资者。 作者: Nikolay Kositsin
新文章 神经网络变得轻松(第四十二部分):模型拖延症、原因和解决方案 已发布: 在强化学习的背景下,模型拖延症可能由多种原因引起。 本文研究了模型拖延症的一些可能原因,以及克服它们的方法。 模型拖延症的主要原因之一是训练环境不足。 模型也许会遇到访问训练数据受限,或资源不足的情况。 解决这个问题涉及创建或更新数据集,增加训练样本的多样性,并应用额外的训练资源 ,例如算力、或预训练模型进行转移训练。 模型拖延症的另一个原因也许出于它欲解决任务的复杂性,或者用到需大量计算资源的训练算法。 在这种情况下,解决方案也许是简化问题或算法,优化计算过程,并采用更高效的算法、或分布式学习。
新文章 开发回放系统 — 市场模拟(第 11 部分):模拟器的诞生(I) 已发布: 为了依据数据形成柱线,我们必须放弃回放,并开始研发一款模拟器。 我们将采用 1-分钟柱线,因为它们所需的难度最小。 我们应该始终优先考虑易于阅读和理解的代码,而不是当需要调整或修改时,迫使我们花费数小时来弄清楚其行为的代码。 本文到此结束。 下面的视频展示了当前开发阶段的成果,它是用文章所附的内容创建的。 不过,我想提请注意使用模拟票据时出现的问题。 这涉及位移系统,或者搜索位置与回放服务所处位置不同。 仅当您使用模拟票据时,才会出现此问题。 在下一篇文章中,我们将解决和修复此故障,并进行其它改进。 作者:
New article 交易策略 has been published: 各种交易策略的分类都是任意的,下面这种分类强调从交易的基本概念上分类。 Author: Collector
New article 新手在交易中的10个基本错误 has been published: 新手在交易中会犯的10个基本错误: 在市场刚开始时交易, 获利时不适当地仓促, 在损失的时候追加投资, 从最好的仓位开始平仓, 翻本心理, 最优越的仓位, 用永远买进的规则进行交易, 在第一天就平掉获利的仓位,当发出建一个相反的仓位警示时平仓, 犹豫。 Author: Collector
MA 群的云 : 由不同周期均线的群形成的云。 作者: klbeei
导出仓位历史 : 从一个对冲账户里导出已平仓位的历史记录至 .csv 文件。 要导出整个交易历史记录,请将 Start date 和 End date 保留为默认值 (1970.01.01 00:00:00)。 作者: amrali
iStochasticOfOsc : 所有的随机振荡器类指标, 包含于 MetaTrader 5 客户终端中。 作者: Dmitry Fedoseev
Divergence_Candles : 烛条背离指标。 作者: Scriptor
  指标: Yaanna  (5)
Yaanna : Yaanna 十足简单的超买 / 超卖状态指标。 作者: Nikolay Kositsin
新文章 开发回放系统 — 市场模拟(第 10 部分):仅用真实数据回放 已发布: 在此,我们将查看如何在回放系统中使用更可靠的数据(交易跳价),而不必担心它是否被调整。 在下面的视频中,您可以看到本文讲解的工作结果。 虽然有些东西也许还不可见,但观看视频会令您清楚地了解所有这些文章中回放/模拟系统的实现进度。 只需观看视频,并比较从一开始到现在的变化。 在下一篇文章中,我们将继续开发该系统,因为还有一些真正必要的功能需要实现。 作者: Daniel Jose
使用ONNX模型识别手写数字的示例 : 此EA不用于交易。使用标准Canvas库实现的简单面板允许您用鼠标绘制数字。经过测试的mnist.onnx模型用于识别数字。 作者: Slava
  专家: ElliottWaveMaker 3.0  (23   1 2 3)
ElliottWaveMaker 3.0 : ElliottWaveMaker 3.0 是一款半自动工具, 用来分析艾略特波浪和安德鲁草叉, 此版本是 2.0 版的逻辑扩展。在 3.0 版中修复了一些小错误, 并添加了绘制安德鲁草叉以及其它一些功能。 作者: Roman Martynyuk
DayOfWeekLabels : 指标在价格图表上显示周内中的日线信息。 作者: Scriptor
适应市场当前状态自动变参数的MA指标: 将箱体价格信息转为时间参数, 根据市场状态自适应绘制MA Author: okwh
蜡烛计时器 : 蜡烛计时器显示直到收盘的剩余时间。 作者: Mladen Rakic
新文章 在一张图表上的多个指标(第 02 部分):首次实验 已发布: 在前一篇文章“在一张图表上的多个指标”中,我介绍了如何在一张图表上加载多个指标的概念和基本知识。 在本文中,我将提供源代码,并对其进行详解。 这两个函数与我上面解释过的完全一样:它强制执行数据完整性验证,防止类的内部数据不一致。 它们接收一个命令行,并按照预定义的语法对其进行解码。 然而,它们并不会反馈收到的命令有错误,因为这不是它们的目的。 其目的是确保不一致的数据不会进入对象,也不会导致难以检测和修复的副作用。 最终结果如下: 作者: Daniel Jose
新文章 MQL5 中的范畴论 (第 7 部分):多域、相对域和索引域 已发布: 范畴论是数学的一个多样化和不断扩展的分支,直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理,其总体目标是建立一个开放的函数库,提供洞察力,同时也希望进一步在交易者的策略开发中运用这个非凡的领域。 形式上, 相对域在 N 上的映射 ,表示为 f: (E,π) à (E’,π’),函数是 f: E àE’ 如此以下三角形互通 为了向交易者阐这一点,我们把上面所用的态射 f,修改其平方互通为没有 D 域的简单三角形。 在运用 f 时,我们将在两个域 E & E'
新文章 神经网络变得轻松(第四十部分):在大数据上运用 Go-Explore 已发布: 本文讨论 Go-Explore 算法覆盖长周期训练的运用,因为随着训练时间的增加,随机动作选择策略也许不会导致可盈利验算。 Go-Explore 算法随着训练周期的增加,浮现出一定的困难。 其中一些包括: 维度诅咒:随着训练周期的增加,代理者可以访问的状态数量呈指数级增长,这令查找最优策略变得更加困难。 , 环境变化:随着训练周期的增加,环境也许会发生变化,而这也许会影响代理者的学习成果。 这会导致以前成功的策略变得无效,甚至不可能。
Parabolic SAR EA : 这个EA使用了 iSAR (抛物线 SAR) 指标。 作者: Vladimir Karputov
新文章 神经网络变得轻松(第三十九部分):Go-Explore,一种不同的探索方式 已发布: 我们继续在强化学习模型中研究环境。 在本文中,我们将见识到另一种算法 — Go-Explore,它允许您在模型训练阶段有效地探索环境。 Go-Explore 的主要思想是记忆并回归至更有前途的状态。 这是奖励数量有限时有效操作的基础。 这个思路是如此灵活和广泛,以至于可以经由多种途径实现。 与大多数强化学习算法不同,Go-Explore 并不专注于直接解决目标问题,而是专注于在状态空间中寻找可以导致达成目标状态的相关状态和动作。 为了达成这一点,该算法有两个主要阶段:搜索和重用。
新文章 开发回放系统 — 市场模拟(第 09 部分):自定义事件 已发布: 在此,我们将见到自定义事件是如何被触发的,以及指标如何报告回放/模拟服务的状态。 在下面的视频中,我将演示当前开发阶段的系统。 我希望您喜欢这一系列文章,并希望它们能帮助您更好地研究 MetaTrader 5 平台,以及 MQL5 语言提供的能力。 作者: Daniel Jose