CTsLogger - Simple and Flexible Logger : 可记录特定模块或代码段的日志记录器 Author: Trefoter
Terminator_v2.0 : 根据指标信号开初始仓位。(这里有六个变种)。若持仓亏损, 交易量减少 作者： Dmitry Fedoseev
新文章 HTTP和Connexus（第2部分）：理解HTTP架构和库设计 已发布： 本文探讨了HTTP协议的基础知识，涵盖了主要方法（GET、POST、PUT、DELETE）、状态码以及URL的结构。此外，还介绍了Conexus库的构建起点，以及CQueryParam和CURL类，这些类用于在HTTP请求中操作URL和查询参数。 本文是该系列文章的延续，我们将构建一个名为Connexus的库。在 第一篇文章
新文章 基于MQL5的订单剥头皮交易系统 已发布： 这款MetaTrader 5 EA实现了基于订单流的剥头皮交易策略，并配备了高级风险管理功能。它使用多种技术指标，通过订单的不平衡性来识别交易机会。回测结果显示该策略具有潜在的盈利能力，但同时也突显了需要进一步优化的必要性，尤其是在风险管理和交易结果比率方面。该策略适合经验丰富的交易者，但在实际部署之前，需要进行彻底的测试和深入理解。 该EA通过使用多种技术指标和市场分析方法，基于订单流失衡寻找交易机会。它还包含高级风险管理功能，例如跟踪止损、部分平仓和动态仓位调整。此外，EA还引入了在重大新闻事件期间禁止交易的方法，并设置了连续亏损的限制。
新文章 掌握 MQL5：从入门到精通（第五部分）：基本控制流操作符 已发布： 本文探讨了用于修改程序执行流程的关键操作符：条件语句、循环和 switch 语句。利用这些操作符将使我们创建的函数表现得更加“智能”。 到目前为止，我们的程序相当有限，以严格的线性方式执行指令，没有决策能力。阅读本文后，您将能够创建更复杂的程序。 首先，我们将详细介绍布尔（逻辑）表达式，因为它们构成了理解其余内容的基础。 作者： Oleh Fedorov
新文章 重构MQL5中的经典策略（第三部分）：富时100指数预测 已发布： 在本系列文章中，我们将重新审视一些知名的交易策略，以探究是否可以利用AI来改进这些策略。在今天的文章中，我们将研究富时100指数，并尝试使用构成该指数的部分个股来预测该指数。 伦敦证券交易所（LSE）是发达世界中最古老的证券交易所之一。它成立于1801年，是英国的主要证券交易所。它被认为是除纽约证券交易所和东京证券交易所之外的“三大”交易所之一。伦敦证券交易所是欧洲最大的证券交易所，根据其官方网站，目前在该交易所上市的所有公司的总市值约为4.4万亿英镑。
新文章 MetaTrader 5 与 MQL5 提供的无限机遇 已发布： 本文中，我想举一个例子说明交易者的程序会是什么样子，以及如果从头到始学习 MQL5，9 个月内能达到什么程度。这个例子还会显示出对于一个交易者而言，这样一种程序在占用价格图表最小空间的同时，其功能多样性与信息翔实性如何。而且，我们也会看出，可以通过何种方式，得到颜色多样、清晰明快且对于用户而言直观明确的交易信息面板。以及许许多多的其它功能... 作者： Anatoli Kazharski
新文章 在MQL5中创建交互式图形用户界面（第1部分）：制作面板 已发布： 本文探讨了使用MetaQuotes Language 5（MQL5）设计和实施图形用户界面（GUI）面板的基本步骤。自定义实用面板通过简化常见任务并可视化重要的交易信息，增强了交易中的用户交互。通过创建自定义面板，交易者可以优化其工作流程，并在交易操作中节省时间。
EquiPeak Drawdown Tracker : EquiPeak Drawdown Tracker（EquiPeak缩水跟踪器）是一个用于实时监控和记录交易账户最大缩水的指标。它不仅能提醒您当前的缩水情况，还能直观地将您当前的缩水情况与您预期或之前记录的最大历史缩水情况进行比较，因此特别有用。 Author: Enrique Enguix
ICT_conceptsEA by Emil : 根据 ICT silverbullet 和 2022 模型进行交易，带跟踪止损和部分止损，也根据 OTE 保持入场，风险最小。 它在银弹的小时间窗口内工作，尤其是在纽约时段，如果没有找到交易，2022 模型和斐波那契 OTE 就会跳入以获得交易。但只有在确认这些模型存在后才会进入，因此交易量会减少，以实现最小的缩水和高胜率。要了解有关这些策略的更多信息，请访问 Inner Circle Trader YouTube 频道。 Author: Emil Paul Jacob
ColorXMA_Ishimoku_StDev - indicator for MetaTrader 5 : XMA_Ishimoku 指标使用基于标准偏差算法的彩色圆点显示额外的趋势强度。 附件链接中的原始代码在绘图方面存在问题。 Author: Betty Naliaka Barasa
新文章 交易中的神经网络：统一轨迹生成模型（UniTraj） 已发布： 理解个体在众多不同领域的行为很重要，但大多数方法只专注其中一项任务（理解、噪声消除、或预测），这会降低它们在现实中的有效性。在本文中，我们将领略一个可以适配解决各种问题的模型。
新文章 使用MQL5和Python构建自优化的EA（第四部分）：模型堆叠 已发布： 今天，我们将展示如何构建能够从自身错误中学习的AI驱动的交易应用程序。我们将展示一种称为堆叠（stacking）的技术，我们使用2个模型来做出1个预测。第一个模型通常是较弱的学习器，而第二个模型通常是更强大的模型，它学习较弱学习器的残差。我们的目标是创建一个模型集成，以期获得更高的准确性。 我们将关注新西兰元兑日元（NZDJPY）货币对的预测。我们希望从MetaTrader
新文章 您应该知道的 MQL5 向导技术（第 06 部分）：傅里叶（Fourier）变换 已发布： 约瑟夫·傅里叶（Joseph Fourier）引入的傅里叶变换是将复杂的数据波分解构为简单分量波的一种方法。 此功能对交易者来说可能更机敏，本文将对此进行关注。 在使用内置的 RSI 信号类，和内置的固定保证金资金管理进行编译时，我们确实得到了以下结果： EURJPY 覆盖此区间：2022.01.01 至 2023.01.01 时间帧：4 小时。 在运行这个测试时，我们既不设置盈利目标，也不使用默认止损设置，因此这两个输入均为零。 我们希望离场完全依据信号反转或触发尾随停止设置的止损来判定。
新文章 开发多币种 EA 交易（第 17 部分）：为真实交易做进一步准备 已发布： 目前，我们的 EA 使用数据库来获取交易策略单个实例的初始化字符串。然而，这个数据库相当大，包含许多实际 EA 操作不需要的信息。让我们尝试在不强制连接到数据库的情况下确保 EA 的功能。 在前面的一篇文章中，我们已经将注意力转向了处理真实账户所需的 EA 改进。到目前为止，我们的工作主要集中在在策略测试器中获得可接受的 EA 结果上。真实交易需要更多的准备。 除了在重启终端后恢复 EA
新文章 如何准备迁移至虚拟主机的交易账户 已发布： MetaTrader 客户端完美支持自动交易策略。它有交易机器人开发者所需的所有工具 ‒ 强劲的，基于 C++ 的 MQL4/MQL5 编程语言，便利的 MetaEditor 开发环境，以及支持在 MQL5 云网络中进行分布式计算的多线程策略测试器。在本文中, 您将发现如何将您的客户端连同所有定制元素一并移至虚拟环境。 如何让终端提供可靠的不间断运作？ 一个交易员可能需要在下述三种情况时，每天 24 小时保持终端运行: 交易员有自行努力开发的或 从其他程序员定购 的交易机器人, 交易员有 购自市场 的 EA, 交易员 订阅了一个信号 。
新文章 在任何市场中获得优势（第四部分）：CBOE欧元和黄金波动率指数 已发布： 我们将分析芝加哥期权交易所（CBOE）整理的替代数据，以提高我们的深度神经网络在预测XAUEUR货币对时的准确性。 我们将分析XAUEUR市场。该货币对跟踪以欧元计价的黄金价格。除了南极洲外，地球上每个大陆都开采黄金。全球相当一部分黄金由伦敦金银市场协会（LBMA）交易，以设定全球公认的黄金价格基准。芝加哥期权交易所（CBOE）是一家美国公司，提供全球市场基础设施。CBOE利用其网络创建跟踪全球主要市场的波动率指数。我们将分析CBOE的两个波动率指数，它们分别跟踪欧元和黄金市场。
新文章 您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入 已发布： 受限玻尔兹曼（Boltzmann）机是一种神经网络形式，开发于 1980 年代中叶，当时的计算资源非常昂贵。在其初创时，它依赖于 Gibbs 采样，以及对比散度来降低维度，或捕获输入训练数据集上的隐藏概率/属性。我们验证当 RBM 为预测多层感知器“嵌入”价格时，反向传播如何执行类似的操作。 在本文的上下文中，价格嵌入的用法非常类似于 单词嵌入 的过程；正如一些读者可能知道的那样，这是转换大型语言模型网络的先决条件。单词嵌入，可定义为单词的编号，当与 自注意
新文章 大气云模型优化（ACMO）：理论 已发布： 本文致力于介绍一种元启发式算法——大气云模型优化（ACMO）算法，该算法通过模拟云层的行为来解决优化问题。该算法利用云层的生成、移动和传播的原理，适应解空间中的“天气条件”。本文揭示了该算法如何通过气象模拟在复杂的可能性空间中找到最优解，并详细描述了ACMO运行的各个阶段，包括“天空”准备、云层的生成、云层的移动以及水的集中。
新文章 使用PSAR、Heiken Ashi和深度学习进行交易 已发布： 本项目探索深度学习与技术分析的融合，用于在外汇市场测试交易策略。使用Python脚本进行快速实验，结合ONNX模型和传统指标（如PSAR、SMA和RSI）来预测欧元/美元（EUR/USD ）的走势。之后，MQL5脚本将此策略引入实时环境，利用历史数据和技术分析帮助交易者做出明智的交易决策。回测结果表明，该策略秉持保守且稳健的运作理念，始终将风险管控置于首位，追求持续稳定的收益增长模式，摒弃激进逐利的行为。
新文章 您应当知道的 MQL5 向导技术（第 33 部分）：高斯（Gaussian）进程核心 已发布： 高斯（Gaussian）进程核心是正态分布的协方差函数，能够在预测中扮演角色。我们在 MQL5 的自定义信号类中探索这种独特的算法，看看它是否可当作主要入场和离场信号。 高斯过程核心是高斯过程中使用的 协方差函数 ，用于衡量数据点之间的关系，例如在时间序列之中。这些核心生成捕获数据内部关系的矩阵，从而允许高斯过程假设数据遵循正态分布来进行投影或预测。由于本系列旨在探索新思路，同时也研究如何践行这些想法，因此高斯过程（GP）核心正在成为我们构建自定义信号的主题。
新文章 从基础到中级：WHILE 和 DO WHILE 语句 已发布： 在本文中，我们将对第一个循环语句进行实用且非常直观的介绍。尽管许多初学者在面对创建循环的任务时感到害怕，但知道如何正确安全地完成它只能通过经验和练习来实现。但谁知道呢，也许我可以通过向你展示在代码中使用循环时的主要问题和预防措施来减少你的麻烦和痛苦。
新文章 您应当知道的 MQL5 向导技术（第 32 部分）：正则化 已发布： 正则化是一种在贯穿神经网络各层应用离散权重，按比例惩罚损失函数的形式。我们来考察其重要性，对于一些不同的正则化形式，能够在配合向导组装的智能系统运行测试。 正则化 是机器学习算法的另一面，它为神经网络的性能带入了一些敏感性。在网络过程中，常有以牺牲其它参数为代价，只为某些参数过度分配权重的倾向。当依据样本之外数据执行测试时，这种对特定参数（网络权重）的“倾向”可能会阻碍网络的性能。这就是开发正则化的原因。
新文章 开发回放系统（第 62 部分）：玩转服务（三） 已发布： 在本文中，我们将开始解决在使用真实数据时可能影响应用程序性能的分时报价过量问题。这种过量通常会干扰在相应窗口构建一分钟柱形所需的正确时间。 在上一篇文章， 开发重播系统（第 61 部分）：玩转服务（二） 中 ，我解释了我们目前在系统中使用模拟模式时面临的一个问题。这个问题不一定源于我们正在开发的应用程序中的灾难性故障。相反，这是由于系统的整体响应速度。响应时间不足，应用程序无法正确处理所有传入数据。因此，我们必须做出一些调整。即使我们的服务与理想场景不完全一致，我们也认识到在实践中很少存在这样的理想场景。
新文章 构建蜡烛图趋势约束模型（第8部分）：EA开发（II） 已发布： 构思一个独立的EA。之前，我们讨论了一个基于指标的EA，它还与一个独立脚本配合，用于绘制风险与收益图形。今天，我们将讨论一个整合了所有功能的MQL5 EA的架构。 构思一个独立的EA。之前，我们讨论了一个基于指标的EA，它还与一个独立脚本配合，用于绘制风险与收益图形。今天，我们将讨论一个整合了所有功能的MQL5 EA的架构。
新文章 交易中的神经网络：状态空间模型 已发布： 到目前为止，我们审阅的大量模型都是基于变换器架构。不过，在处理长序列时，它们或许效率低下。在本文中，我们将领略一种替代方向，即基于状态空间模型的时间序列预测。 最段时间，大型模型适配新任务的范式变得越来越普遍。这些模型依据广泛的数据集进行预训练，其中包含来自各种领域的任意原生数据，包括文本、图像、音频、时间序列、以及更多。 尽管这个概念与任何特定的架构选择无关，但大多数模型都基于单一架构 — 变换器 及其核心层 自注意力 。 自注意力
SetSellStopOrder : 该脚本开发用来在当前价位放置 SellStop 挂单，固定触发位，止损和止盈点数。 作者： Nikolay Kositsin
新文章 如何在MQL5的EA中实现自优化 已发布： MQL5中EA自优化的分步指南。我们将涵盖稳健的优化逻辑、参数选择的最佳实践，以及如何通过回测重构策略。此外，还将讨论诸如分步优化等高级方法，以增强您的交易方法。 准备好进入自优化外汇交易算法的奇妙世界。它可以让您的EA根据交易完成后市场条件的变化，为下一轮交易进行自我调整。 将您的EA视为一个通过移动平均线观察趋势的精明交易者。虽然它确实有效，但是如果它是一个能够随着时间学习调整策略的市场感知型黑箱，那会怎样？这就是自优化的过程。
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