RSI_Histogram : 把经典的RSI指标实现为柱形图形式，并且使用颜色指示正进入超买和超卖区域。 作者： Nikolay Kositsin
新文章 项目可协助创建可盈利的交易机器人！ 或至少，看似可以 已发布： 大程序都是从小文件开始，然后随着您不断添加更多的函数和对象而增长。 大多数的机器人开发人员都采用包含文件来应对此问题。 然而，有一个更好的解决方案：在一个项目中开始开发任意交易应用程序。 这样做的原因有很多。 现在，编译项目，并在策略测试器里打开 MeanReversion EA。 在“输入”选项卡上，新的菜单项“从 EA 中加载”会出现在关联菜单里。 可以从此菜单访问所有可用的设置文件。 故此，智能交易系统的已编译 EX5 文件是一套含有全部参数集的完整产品。
sChartsSynchroScroll : 此脚本可同步翻卷客户终端内所有打开的图表。 作者： Dmitry Fedoseev
新文章 MQL4 语言入门。简介已发布：
本系列的文章主要针对的是完全不懂编程，但想要在最短的时间内花费最少的精力尽快了解 MQL4 语言的交易者。如果您看到"面向对象"或"三维数组"这类词语就觉得头痛，那么这篇文章正是您需要的良方。这些课程的设计旨在最快出成果。内容也通俗易懂。我们在理论方面不会有太深的研究，但从第一课起就已能获得实际的收益了。
作者：Antoniuk Oleg
新文章 面向初学者的 MQL4 语言。自定义指标(第 2 部分)已发布：
这是“面向初学者的 MQL4 语言”系列的第五篇文章。今天我们将学习使用图形对象，这是个非常强大的开发工具，可以大幅拓宽指标的应用范围。此外，它们可以用于脚本和 Expert Advisor。我们将学习创建对象，更改其参数以及检查错误。当然，我不可能详细地描述所有对象，那也太多了。但你会获得让你能够自主学习这些对象的所有必要知识。本文还包含一个逐步引导你创建复杂信号指标的示例。在这里示例中，很多参数都是可调整的，这样就能轻松更改指标的外观。
关于图形对象
使用 MetaTrader 4...
新文章 从头开始开发智能交易系统（第 22 部分）：新订单系统 (V) 已发布： 今天，我们将继续开发新订单系统。 实现一个新系统并非那么容易，因为我们经常会遇到各种问题令过程复杂化。 当这些问题出现时，我们必须停下来重新分析我们前进的方向。 下面的视频显示了系统的实际工作方式，因此请注意在图表和工具箱中的这些数值。 作者： Daniel Jose
新文章 开发跨平台网格EA(第二部分):在趋势方向上的基于范围的网格 已发布： 在本文中，我们将开发一个网格EA，用于在一个范围内的趋势方向上进行交易。这样，此EA主要适用于外汇和大宗商品市场，根据测试，我们的网格EA 自2018年以来显示盈利，不幸的是，这在2014-2018年期间并非如此。 使用基本设置，我们达到了大约2的恢复系数，也就是说，当使用 AUDUSD 的最终设置时，结果是相同的。 如果我们更改了 “Max orders at the same price” （相同价格下的最大订单数）参数，则可以进一步改进此结果，我们在文中还没有描述它，它的默认值是 33
T3Taotra_HTF : 指标 T3Taotra 在输入参数中有时间帧选项。 作者： Nikolay Kositsin
新文章 从头开始开发智能交易系统（第 21 部分）：新订单系统 (IV) 已发布： 最后，视觉系统将开始工作，尽管它尚未完工。 在此，我们将完成主要更改。 这只是它们当中很少一部份，但都是必要的。 嗯，整个工作将非常有趣。 以下视频显示了系统当前的工作方式。 还有一些我在文章中没有涉及的修改，因为这些次要修改不会影响解说。 作者： Daniel Jose
新文章 DoEasy. 控件 (第 9 部分): 重新编排 WinForms 对象方法、RadioButton 和 Button 控件 已发布： 在本文中，我将修复 WinForms 对象类方法的名称，并创建 WinForms 的对象 Button 和 RadioButton。 编译 EA，并在图表上启动它： 可以看出，按钮根据自动调整大小模式正确调整其大小以适配文本。 CheckBox 和 RadioButton 是普通亮度的复选框区域，而 CheckBox 本身现在具有一定的厚度。 我滚动鼠标滚轮，同时将鼠标悬停在一些控件上。 日志中显示了以下项目：
新文章 连续前行优化 (第四部分): 优化管理器（自动优化器） 已发布： 本文主要目的在于阐述运用我们的应用程序进行操控的机制及其能力。 因此，本文可视为有关如何运用该应用程序的指南。 它涵盖了所有可能的陷阱，以及应用程序用法的细节。 为继续分析所创建程序，我们首先需要定义该项目的初衷。 我们决定在交易中运用科学的方法，并着手创建清晰的程序化交易算法（无论我们与何种类型的机器人打交道，基于指标亦或是应用模糊逻辑和神经网络 — 所有这些都是执行特定任务的编程算法）。 因此，选择优化结果的方式也应形式化。 换言之，如果在交易过程中拒绝采用随机性，那么准备交易的过程也应该是自动化的。
T3 随机动量指数 : 这个版本进行的计算和最初的随机动量指数方法相同，除了一个非常重要的部分: 它没有使用 EMA (指数移动平均，Exponential Moving Average) 来计算，它使用的是 T3。这会使结果更加平滑，而不会增加任何延迟。 作者： Mladen Rakic
新文章 组合趋势和盘整策略 已发布： 有多种多样的交易策略，它们中的一些要寻找趋势，而其它的一些会定义价格波动的范围而在其中进行交易。有没有可能把这两种方法组合到一起来增加获利呢? 从价格图表上可以看到不断变化的趋势，大的变化后通常是盘整的阶段，这时价格会开始在一个狭窄的范围内变化。交易者通常根据当前市场的条件来选择他们的交易策略，但是我们怎样才能确定这个时候应该选择哪个策略呢?是趋势策略还是盘整策略呢? 有一些文章 [ 1 ] 和 [ 2 ]
新文章 非广延统计分布结构化分析的本征坐标法应用 已发布： 应用统计的主要问题是接受统计假设的问题。长期以来它被视为一个无法解决的问题。随着本征坐标法的出现，这种情形出现了改变。它是对信号进行结构化研究的一款优秀且强大的工具，使用现代应用统计方法，能够精准预测可能的走势。本文着重于此方法的具体运用并以 MQL5 语言编程。它还使用 Hilhorst 和 Schehr 介绍的分布作为一个例子，处理函数识别问题。 作者： MetaQuotes Software Corp
DSS Bressert : 双重平滑随机指标由 William Blau 和 Walter Bressert 提出。计算 DSS 数值与随机指标类似, 不同之处在于使用双重指数平滑。 作者： Nikolay Kositsin
Nevalyashka : 我们建立一个新的与之前方向相反的仓位，输入参数只包含止损，获利和最小手数。 作者： Vladimir Karputov
新文章 多层感知机与反向传播算法 已发布： 这两种方法的普及性日益增加，因此在 Matlab、R、Python、C++ 等领域开发了大量的库，它们接收到一个训练集作为输入，并自动为问题创建合适的网络。让我们试着理解基本的神经网络类型是如何工作的（包括单神经元感知机和多层感知机）。我们将探讨一个令人兴奋的算法，它负责网络训练 - 梯度下降和反向传播。现有的复杂模型往往基于这样简单的网络模型。 梯度下降是在成本函数的梯度方向上最小化函数的过程。 这意味着要知道成本形式，以及导数，这样我们就可以知道从某个点开始的梯度，并且可以朝这个方向移动，例如向下，朝着最小值移动。
VR Alert МТ5 轻量版 : VR Alert NT5 指标会提醒交易者价格达到了指定的水平。 作者： Vladimir Pastushak
新文章 神经网络变得轻松（第十八部分）：关联规则 已发布： 作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。 这种问题类型首先用于零售业，即超市等，来分析市场篮子。 在本文中，我们将讨论这些算法在交易中的适用性。 该算法从消除随机项开始。 为了做到这一点，与前面的算法一样，我们对整个训练集合执行第一遍，并计算每项的支持率。 之后，删除频率小于 MinSup 的所有项。 其余项按其支持率的降序排列。 上述示例产生以下序列： D (0.8) -> C (0.7) -> B (0.6) -> E(0.4) 接下来，我们将拔高 FP 树。 为此，针对训练样本执行第二次验算。
新文章 EA 遥控方法 已发布： 交易机器人的主要优势在于能够在远程 VPS 服务器上每天 24 小时不间断工作。 但有时候有必要干预它们的工作，而此刻可能无法直接访问服务器。 是否可以遥控管理 EA？ 本文提出了一种通过外部命令控制 EA 的选项。 我们处于数字时代，各种用于金融市场交易的自动化系统已经变得非常普遍。 电子智能交易系统（EA）的主要优点一般认定为能够完美无瑕的执行算法，并可一天 24 小时不间断工作。 虚拟主机允许全天候自动运行 EA。 不幸的是，并非所有的 EA 在任何市场情况下都能同样有效。 在这些情况下，交易者通常需要手动启用和禁用它们。
新文章 数据科学和机器学习（第 05 部分）：决策树 已发布： 决策树模仿人类的方式针对数据进行分类。 我们看看如何构建这棵树，并利用它们来分类和预测一些数据。 决策树算法的主要目标是将含有杂质的数据分离成纯节点或靠近节点。 决策树运用多种算法来决定将一个节点拆分为两个或多个子集节点。 子节点的创建提升了子节点合量的均匀性。 换言之，我们可以说节点的纯度随着目标变量的增加而增加。 决策树算法把所有可用变量上的节点拆分，然后选择拆分最均匀的子节点。 算法选择基于目标变量的类型。 以下是决策树中采用的算法： ID3 > D3 扩展, C4.5 > ID3 继承者, CART > 分类和回归树
Dealers Trade v 7.91 ZeroLag MACD : 代码 "Dealers Trade v 7.74 MACD" (https://www.mql5.com/zh/code/19535) 的进一步发展。使用了 "零滞后 MACD" (https://www.mql5.com/zh/code/170)。当开仓数量增加时, 以下内容也会增加: 仓位之间的增量, 手数, 止盈 (马丁格尔)。 作者： Vladimir Karputov
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