新文章 在任何市场中获得优势（第三部分）：Visa消费指数 已发布： 在大数据的世界里，有数以百万计的备选数据集，它们有可能提升我们的交易策略。在这一系列文章中，我们将帮助您识别最有信息量的公开数据集。 VISA是一家美国跨国支付服务公司。它成立于1958年，如今该公司运营着世界上最大的交易处理网络之一。VISA非常适合成为可靠的备选数据来源，因为它们几乎渗透了发达世界的每一个市场。此外，圣路易斯联邦储备银行也从VISA收集部分宏观经济数据。
使用函数指针进行 Introsort（内省排序 : 一种混合排序算法，可为简单类型、结构或对象指针数组的排序提供快速性能。 Author: amrali
创建加密卷配置文件的基本库 : 在图表上创建 Volume Profiles 的基本库。 Author: Yashar Seyyedin
MT4 订单快速报告 : fxsaber 报告库的 JavaScript 快速版本，用于通过 MT4Orders 或 Virtual 实现 MT4 风格的交易指令。 运行速度提高 10 倍，NTML 文件更小，可上传和显示多达 540 万行报告。 Author: Forester
iCHO 趋势 CCIDualOnMA 过滤器 : 基于标准指标 iCHO（柴金振荡器，CHO）和自定义指标 "CCIDualOnMA "的策略 Author: Vladimir Karputov
手动位置跟踪面板 : 基于 CDialog 类的面板。对当前符号进行操作。删除、设置止盈、设置一组头寸的盈亏平衡点 Author: Vladimir Karputov
针对控制台类型的图表文本输出进行了优化显示 : 通过该库，您可以创建显示屏，以最理想的速率向图表轻松输出文本信息 Author: Mihail Matkovskij
Pan PrizMA 第 72 号杠杆 : 用 4 度的多项式构造一条移动线。外推正弦及其轴线。所构建的线在每一小节上删除一个值，并构建一条外推值的滑动线，该滑动线不会重新绘制。 Author: Aleksey Panfilov
新文章 MetaTrader 中的 Multibot（第二部分）：改进的动态模板 已发布： 在开发上一篇文章的主题时，我决定创建一个更灵活、功能更强大的模板，该模板具有更大的功能，可以有效地用于自由职业，也可以作为开发多货币和多时段 EA 的基础，并能够与外部解决方案集成。 基于之前的 EA，让我们回顾一下创建这样一个模板的原因。主要目标是能够为每个“工具 - 周期”对启动一个具有不同设置的 EA。为了避免在每个图表上单独启动 EA，这是必要的。这简化了这种系统及其配置的管理，因为一个终端中相同 EA 的副本越多，潜在用户出错的可能性就越高。此外，由于例如幻数顺序或基于人为因素的其他原因，这些
检测新柱状或蜡烛的开始 : 在智能交易系统的 OnTick() 事件处理程序中检测新柱状图或蜡烛图的开始。 Author: Fernando Carreiro
新文章 您应当知道的 MQL5 向导技术（第 28 部分）：据入门学习率重新审视 GAN 已发布： 学习率是许多机器学习算法在训练过程期间，朝向训练目标迈进的步长。我们检验了其众多调度和格式对于生成式对抗网络性能的影响，该神经网络类型我们在早前文章中已检验过。 本文的格式将与我们之前文章中曾用过的格式有所不同。在表述每种学习率格式时，会伴随其策略测试报告。略微对照我们之前所做，其时报告通常都出现在文章的末尾，在结束语之前。故此，这是一种探索性格式，对于学习率是否潜在影响机器学习算法（或者更具体地是
新文章 周期与外汇 已发布： 周期在我们的生活中具有极其重要的意义。昼夜交替、四季更迭、一周的七天以及许多其他不同性质的周期都存在于每个人的生活中。在本文中，我们将探究金融市场中的周期。 在交易中，周期可以与重复出现的市场趋势或模式相关联。例如，价格可能在一个给定的通道内波动。而这种行为可能会持续相当长的时间。 我们可以使用 频谱分析 三角多项式 周期图 自相关函数 和 周期检测 算法来从时间序列中提取周期成分。 我们也可以使用 简单移动平均线 来找到周期。这种方法是最简单且最直观的。假设我们有一个周期为 N
新文章 人工藻类算法（Artificial Algae Algorithm，AAA） 已发布： 文章探讨了基于藻类微生物特征的人工藻类算法（AAA）。该算法包括螺旋运动、进化过程和适应性，使其能够解决优化问题。本文深入分析了AAA的工作原理及其在数学建模中的潜力，强调了自然与算法解决方案之间的联系。
新文章 数据科学与机器学习（第 20 部分）：算法交易洞察，MQL5 中 LDA 与 PCA 之间的较量 已发布： 在剖析 MQL5 交易环境中这些强大的降维技术的应用程序时，让我们揭示它们背后的秘密。深入探讨线性判别分析（LDA）和主成分分析（PCA）的细微差别，深入了解它们对策略开发和市场分析的影响。 LDA 是一种 监督 泛化机器学习算法，旨在找到最佳地分离数据集中类别的特征的线性组合。 就像 主成分分析（PCA） 一样 ，它是一种降维算法，这些算法是降维的常见选择，在本文中我们将对它们进行比较，并观察每种算法在什么情况下效果最好。我们在本系列的前几篇文章中已经讨论过
跨周期均线指标 : MT4跨周期均线指标，在当前图表上显示大周期的均线，比如在M30上显示日线的均线。 作者： Ziheng Zhuang
新文章 重塑经典策略（第六部分）：多时间框架分析 已发布： 在这一系列文章中，我们重新审视经典策略，看看是否可以利用人工智能（AI）对其进行改进。在本文中，我们将研究流行的多时间框架分析策略，以判断该策略是否可以通过人工智能得到增强。 在本文中，我们将重新审视一个广为人知的多时间框架分析策略。全球许多成功的交易者都坚信，在做出投资决策之前，分析多个时间框架是有益的。这种策略有许多不同的变体。然而，它们都倾向于坚持一个普遍的理念，即在较高时间框架上识别出的趋势，将在所有较低的时间框架上持续存在。
新文章 数据科学和机器学习（第 27 部分）：MetaTrader 5 中训练卷积神经网络（CNN）交易机器人 — 值得吗？ 已发布： 卷积神经网络（CNN）以其在检测图像和视频形态方面的出色能力而闻名，其应用涵盖众多领域。在本文中，我们探讨了 CNN 在金融市场中识别有价值形态，并为 MetaTrader 5 交易机器人生成有效交易信号的潜力。我们来发现这种深度机器学习技术如何能撬动更聪明的交易决策。
MACD Sample:
Classical MACD Sample.
Author: MetaQuotes Software Corp.
新文章 数据科学和机器学习（第 26 部分）：时间序列预测的终极之战 — LSTM 对比 GRU 神经网络 已发布： 在上一篇文章中，我们讨论了一个简单的 RNN，尽管它对理解数据中的长期依赖关系无能为力，却仍能制定可盈利策略。在本文中，我们将讨论长-短期记忆（LSTM）、门控递归单元（GRU）。引入这两个是为了克服简单 RNN 的缺点，并令其更聪慧。 LSTM（长-短期记忆）和 GRU（门控递归单元）神经网络都是强力工具，为交易者寻求先进的时间序列预测模型。而 LSTM 提供了更复杂的架构，擅长捕获市场数据中的长期依赖关系，GRU
新文章 交易中的神经网络：一种复杂的轨迹预测方法（Traj-LLM） 已发布： 在本文中，我想向您介绍一种为解决自动驾驶领域问题而开发的有趣的轨迹预测方法。该方法的作者结合了各种架构解决方案的最佳元素。 预测金融市场未来价格走势在交易者的决策过程中起着关键作用。高质量的预测使交易者能够做出更明智的决策并最小化风险。然而，由于市场的混沌和随机性质，预测未来价格轨迹面临着诸多挑战。即使是最先进的预测模型，也常常无法充分考虑影响市场动态的所有因素，例如参与者行为的突然转变或意外的外部事件。 近年来，随着人工智能的发展，特别是在大型语言模型（ LLMs ）领域，为解决各种复杂任务开辟了新的途径。
分形自适应移动平均线(FrAMA) : FRAMA的优点是能跟随强趋势运动并能在价格合并时刻突然减缓。 作者： MetaQuotes Software Corp
新文章 威廉·江恩（William Gann）方法（第二部分）：创建江恩宫格指标 已发布： 我们将基于“江恩九宫格”创建一个指标，该指标通过时间和价格方格构建而成。我们将提供指标代码，并在平台上针对不同的时间区间，对该指标进行测试。 在本文中，我们将深入探索江恩的“九宫格”，并尝试将其概念带入数字时代，通过使用 MQL5 编程语言为 MetaTrader 5 平台创建一个指标。我们的目标是开发一个工具，使交易者能够在交易中可视化并应用“九宫格”的原理，将江恩的智慧与现代技术相结合。
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