GreenTrade : 智能交易系统基于 iMA 和 iRSI 信号进行交易。比较四根柱线的 iMA 值。这些柱线的索引可以优化。 作者： Vladimir Karputov
CheckHistory - 检查并加载历史功能 : 历史加载功能, 由 MetaQuotes 的版本稍加修改 作者： Andrey Khatimlianskii
真正随机的机器人 : 这个机器人使用随机数生成器模拟以投硬币的方式决定每个交易的方向. 它提供了一个使用面向对象方式编程的最简单EA交易的实例. 它也提供了使用替代入场方式的基础. 作者： Jim Hunt
新文章 从头开始开发智能交易系统（第 28 部分）：面向未来（(III） 已发布： 我们的订单系统有一项任务仍然尚未完成，但我们终将把它搞定。 MetaTrader 5 提供了一个允许创建和更正订单参数值的单据系统。 该思路是拥有一个智能系统，可令相同的票据系统更快、更高效。 最终，经历若干篇文章以来，我们达至高潮，现在我们拥有一个几乎完整的订单系统，并且能对各种情况和市场条件具备相当的适应性。 从现在开始，我们能够使用鼠标和键盘基于全图形系统进行交易，并可进行市场分析，以便入场交易或离场。 对于那些刚刚入行的人，他们若想看看当前开发阶段的系统行为或外观，请观看下面的视频。
CloseOrdersBySymbol : 本脚本程序关闭当前交易品种的所有挂单。 作者： Nikolay Kositsin
新文章 学习如何基于牛市力量设计交易系统 已发布： 欢迎来到我们的关于学习如何基于最流行的技术指标设计交易系统系列的新篇章，这一篇学习如何基于牛市力量技术指标设计交易系统。 策略一: 牛市力量走势 我们需要计算机检查每次跳价时的两个数值，这些值在创建之后就会确定，它们是当期牛市力量和前期牛市力量。 我们要求程序检查这些数值，来了解每一个的位置。 如果当期牛市力量值大于前期，我们要求程序或智能系统在图表上的注释里返回以下信号，每个值占据单独一行： 牛市力量正在上升, 牛市力量值, 牛市力量前期值 我们还需要考虑另一种场景。
ATRStops_v1.1_Alert : 实现为 NRTR 的趋势指标，并且有功能可以生成提醒，发送电子邮件或者推送通知。 作者： Nikolay Kositsin
新文章 神经网络变得轻松（第十三部分）：批次常规化 已发布： 在上一篇文章中，我们开始研究旨在提高神经网络训练品质的方法。 在本文中，我们将继续这个主题，并会研讨另一种方法 — 批次数据常规化。 在神经网络应用实践中运用了多种数据常规化方法。 然而，它们的作用均是为了令训练样本数据和神经网络隐藏层的输出保持在一定范围内，并具有某些样本统计特征，如方差和中位数。 这一点很重要，因为网络神经元在训练过程中利用线性变换将样本朝逆梯度偏移。 参考一个含有两个隐藏层的全连接感知器。 在前馈验算过程中，每一层都会生成一个特定的数据集，作为下一层的训练样本。 输出层的结果与参考数据进行比较。
TrendСontinuation : 创建本指标的目的是用来判断趋势和它的方向。 作者： Nikolay Kositsin
新文章 神经网络变得轻松（第十四部分）：数据聚类 已发布： 我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。 如您所见，无监督学习算法可用于解决各种问题。 但如何在交易中运用它们呢？ 我们来思考一下。 图形分析方法几乎总是涉及某些图表形态：双顶/双底、头和肩、旗帜、各种谐波形态、等等。 甚而，还有许多由 1-3 根烛条组成的较小形态。 但是当我们试图用数学语言描述一个特定的形态时，我们必须处理大量的约定和冗余。
新文章 神经网络变得轻松（第十九部分）：使用 MQL5 的关联规则 已发布： 我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。 我已创建了一个智能系统（assocrules.mq5），并基于实际数据来测试这个类。 EA 的测试完全兼容之前测试中所用的所有参数。 我不能说这个方法能判定所有的分形，且无错误。 但创建的 EA 展现出有趣的结果，如下面的屏幕截图所示。 作者： Dmitriy Gizlyk
PA_Oscillator : 一款简单的振荡器, 显示 MACD 指标的变化速度, 以彩色直方图的形式实现。 作者： Nikolay Kositsin
RSICandleV2 : 指标 RSI 以蜡烛形式实现, 可明示超买超卖区域的突破。 作者： Nikolay Kositsin
新文章 DoEasy. 控件（第 15 部分）：TabControl WinForms 对象 — 多行选项卡标题、选项卡处理方法 已发布： 在本文中，我将继续工作于 TabControl WinForm 对象 — 我将创建一个选项卡字段对象类，令选项卡标题排列几行成为可能，并添加处理对象相应选项卡的方法。 编译 EA，并在图表上启动它： 对象的创建要花费相当长的时间。 很快，在批量创建对象期间，有必要更改显示对象的逻辑。 我将很快处置这个问题。 当选项卡标题选择固定大小，并根据字体宽度调整大小时，我们可以看到选项卡的大小是不同的。 选中所需选项卡，并重新排列选项卡行，工作正常。
新文章 从头开始开发智能交易系统（第 27 部分）：面向未来（(II） 已发布： 我们迈进更完整的图表上的直接订单系统。 在本文中，我将展示一种修复订单系统的方法，或者更确切地说，令其更直观。 下一个视频展示了新订单系统的工作原理。 我专注于挂单，因为它们可以进一步修改，而持仓指标无法更改。 它们只会显示服务器提供的有关该笔持仓的数据。 在实盘账户上试用之前，请仔细查看它是如何工作的，因为该系统很实用，但您需要熟悉它才能充分利用其功能。 作者： Daniel Jose
价格通道信号 : 该指标是从 Igorad 的著名指标 PriceChannel_Signal_v1 转换而来, 具有重入功能。 作者： Sergey Golubev
新文章 群体优化算法 已发布： 这是一篇关于优化算法（OA）分类的介绍性文章。 本文尝试创建一个测试基台（一组函数），用于比较 OA，并可识别所有广为人知的算法中最通用的算法。 在优化交易系统时，最令人兴奋的是启发式优化算法。 它们不需要了解正在优化的函数公式。 它们的收敛性与全局最优值的关联并未得到证实，但它已由实验性建立，在大多数情况下，它们给出了一个相当优良的方案，这对于一定数量的问题来说已经足够了。 许多优化算法都是从自然社会中借取的模型。 这样的模型也被称为行为、种群或群体，例如鸟群中鸟类的行为（粒子群算法），或蚁群行为原理（蚂蚁算法）。
新文章 DoEasy. 控件 (第 14 部分): 命名图形元素的新算法。 继续操控 TabControl WinForms 对象 已发布： 在本文中，我将创建一个新算法来为构建自定义图形的所有图形元素命名，并继续开发 TabControl WinForms 对象。 在上一篇文章中，在开发 TabControl WinForms 对象时，我们遭遇了图形元素名称长度的限制，这阻碍了我们完整地创建对象。 每个子图形元素的名称（包含在父图形元素中），拥有其父元素的引用，以及所有相关图形控件的整个层次结构。 该链条中每个后续对象的名称都比前一个对象的名称更长。 结果就是，我触及了图形资源名称长度 63
新文章 神经网络变得轻松（第二十三部分）：构建迁移学习工具 已发布： 在本系列文章中，我们已经不止一次提到了迁移学习。 然而，都只是提及而已。 在本文中，我建议填补这一空白，并仔细研究迁移学习。 如以，我看到了三个清晰的模块。 在第一个模块中，我们将操控供体模型。 在此，我们要能够选择含有已训练模型的文件。 从文件加载模型后，该工具必须提供已加载模型的体系结构的说明。 这是因为用户应当了解加载了哪个模型，以及将要复制哪些神经层。 我们还要通知工具有关复制图层的数量。 如上所述，我们将从源数据层开始按顺序复制神经层。 在第二个模块当中，将添加神经层。
新文章 数据科学与机器学习 — 神经网络（第 01 部分）：前馈神经网络解密 已发布： 许多人喜欢它们，但却只有少数人理解神经网络背后的整个操作。 在本文中，我尝试用淳朴的语言来解释前馈多层感知，解密其封闭大门背后的一切。 双曲正切函数。 给出它的公式: 其图形如下所示： 作者： Omega J Msigwa
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