新文章 开发回放系统（第 49 部分）：事情变得复杂 (一) 已发布： 在本文中，我们将把问题复杂化。通过前面文章中展示的内容，我们将开始打开模板文件，以便用户可以使用自己的模板。不过，我将逐步进行修改，因为我还将改进指标，以减少 MetaTrader 5 的负载。 本文将采用 开发回放系统（第 48 部分）：理解和思考的概念 一文中的讨论内容。所以，如果您还没有读过这篇文章，请阅读一下，因为这篇文章的内容对于理解我们在这里要做的事情非常重要。 在撰写前几篇文章时，最让我困扰的一件事是，回放/模拟系统包含一个指标，MetaTrader 5
新文章 获取市场优势的秘诀（第二部分）：预测技术指标 已发布： 你知道吗？与预测交易标的的基础价格相比，我们预测某些技术指标时能获得更高的准确性。加入我们，一起探索如何利用这一想法来制定更好的交易策略。 在电子交易环境中应用机器学习的投资者面临着诸多挑战，而现实情况是，许多投资者并未能实现他们预期的结果。本文旨在强调在我看来，为什么有志于成为算法交易者的人可能无法实现与他们策略复杂性相匹配的满意回报。我将展示为什么预测金融证券的价格往往难以超过50%的准确性，以及如何通过转而预测技术指标值来提高准确性至约70%。本指南将提供时间序列分析最佳实践的分步指导。
新文章 数据科学与机器学习（第23部分）：为什么LightGBM和XGBoost能超越许多AI模型？ 已发布： 这些先进的梯度提升决策树技术提供了卓越的性能和灵活性，使其成为金融建模和算法交易的理想选择。了解如何利用这些工具来优化您的交易策略、提高预测准确性，并在金融市场中获得竞争优势。 梯度提升决策树（GBDT）是一种强大的机器学习技术，主要用于回归和分类任务。它们将多个弱学习器（通常是决策树）的预测结果结合起来，以创建一个强大的预测模型。 核心思想是顺序构建模型，每个新模型都试图纠正前一个模型所犯的错误。 这些提升树，如： 极限梯度提升（XGBoost）
新文章 数据科学与机器学习（第22部分）：利用自编码器神经网络实现更智能的交易——从噪声中提炼信号 已发布： 在瞬息万变的金融市场中，从噪音中分离出有意义的信号对于成功交易至关重要。通过采用复杂的神经网络架构，利用自动编码器发掘市场数据中的隐藏模式，将嘈杂的输入转化为可操作的类型。本文探讨了自动编码器如何改变交易实践，为交易者提供了一个强大的工具，以改善决策制定，并在当今瞬息万变的市场中获得竞争优势。 让我们剖析一下自动编码器，看看它们是由什么构成的，以及它们有什么特别之处。 自动编码器的核心是一个由三部分组成的人工神经网络。 编码器 嵌入向量/潜在层 解码器
新文章 MQL5.community的支付系统已发布：
MQL5.community内置的各种服务，不但为MQL5程序开发者，也为没有任何编程经验的普通交易者，提供了非常广阔的实践机会。但是所有这些功能的实现，不能没有一个安全的支付系统，来为买家和卖家提供一种便捷的交互手段。在这篇文章中，我们向你将展示MQL5.community的支付系统是如何运作的。
作者：MetaQuotes
新文章 研究烛条分析技术(第二部分)：自动搜索新形态已发布： 在前一篇文章中，我们分析了从多种现有烛条样式中选择出的 14 种形态。 由于不可能逐一分析所有形态，所以找到了另一种解决方案。 新系统根据已知的烛条类型搜索和测试新的烛条形态。 为了开发新的烛条形态生成算法，我们需要定义关键规则： 新形态将由一根、两根或三根简单的烛条类型组成。, 简单的烛条类型有：长烛条，短烛条，尖顶，十字星，marubozu 和锤子。, 烛条类型将基于方向划分：多头和空头。 十字星烛条除外。, 简单的烛条类型可以反复。 示例：两个空头长烛条的形态。 创建新形态的一般规则如图例 1 所示。 图例1...
新文章 MQL5 简介（第 7 部分）：在 MQL5 中构建 EA 交易和使用 AI 生成代码的初级指南 已发布： 在我们的综合文章中，了解使用 MQL5 构建 EA 交易的终极初学者指南。逐步学习如何使用伪代码构建 EA，并利用 AI（人工智能）生成代码的强大功能。无论你是算法交易的新手，还是想提高自己的技能，本指南都为你提供了创建有效 EA 的清晰路径。 一下子学习 MQL5
新文章 开发多币种 EA 交易 (第 10 部分):从字符串创建对象 已发布： EA 开发计划包括几个阶段，中间结果保存在数据库中，它们只能作为字符串或数字而不是对象再次从那里读取。因此，我们需要一种方法来根据从数据库读取的字符串重新创建 EA 中的所需对象。 在上一篇 文章 中，我概述了开发 EA 的总体计划，其中包括几个阶段，每个阶段都会生成一定量的信息以供后续阶段使用。我决定将这些信息保存在数据库中，并在其中创建一个表，我们可以在其中放置各种 EA 策略测试器单次通过的结果。
新文章 数据科学和机器学习（第 21 部分）：解锁神经网络，优化算法揭秘 已发布： 深入神经网络的心脏，我们将揭秘神经网络内部所用的优化算法。在本文中，探索解锁神经网络全部潜力的关键技术，把您的模型准确性和效率推向新的高度。 看似如今每个人都对人工智能感兴趣，它无处不在，openAI 背后如谷歌和微软等科技行业的大佬们正在推动人工智能在不同层面和行业的适配，譬如娱乐、医疗保健行业、艺术、创意、等等。 我在 MQL5 社区中也看到了这种趋势，随着 矩阵和向量 、以及 ONNX 引入 MetaTrader5， 为什么不呢
新文章 开发回放系统（第 48 部分）：了解服务的概念 已发布： 学习些新知识怎么样？在本文中，您将了解如何将脚本转换为服务，以及为什么这样做很有用。 在这一系列关于回放/模拟系统的文章开头，我花了一些时间尝试让服务能够在图表上放置一个控制指标。虽然一开始没有成功，但我没有放弃，并且一直在努力。尽管我多次尝试，但在这件事上我始终未能成功。但由于这个项目再也无法停止，那一刻我决定另辟蹊径。 这真的很困扰我，我可以用脚本做点什么，但当我试图用服务做同样的事情时，我无法让它正常工作。 你可能会想：“那又怎样？你能用脚本做些什么并不意味着什么。“不过，如果您真的这么想，恐怕是因为缺乏 MQL5
新文章 构建K线趋势约束模型（第5部分）：通知系统（第一部分） 已发布： 我们将会把关键的MQL5代码分解成特定的代码段，以展示如何在本系列文章中创建的“趋势约束”指标中集成Telegram和WhatsApp来接收信号通知。这将帮助交易者，无论是新手还是经验丰富的开发者，都能更容易地理解这一概念。首先，我们将介绍MetaTrader 5的通知设置及其对用户的重要性。这将有助于开发者提前做好笔记，以便在他们的系统中做进一步应用。 MetaTrader
新文章 开发交易机器人：Python与MQL5结合（第二部分）：模型选择、创建与训练，以及Python自定义测试器 已发布： 我们继续关于使用Python和MQL5开发交易机器人的系列文章。今天我们将解决模型选择、训练、测试、交叉验证、网格搜索以及模型集成的问题。 在 上篇文章
新文章 您应当知道的 MQL5 向导技术（第 14 部分）：以 STF 进行多意向时间序列预测 已发布： “时空融合”就是在数据建模中同时使用“空间”和“时间”度量值，主要用在遥感，和一系列其它基于视觉的活动，以便更好地了解我们的周边环境。归功于一篇已发表的论文，我们通过验证它对交易者的潜力，采取一种新颖的方式来运用它。 这篇关于 时空融合 （STF）的 论文 激起了我对这个主题的兴趣，这要归功于它的双边预测方式。作为复习者，该论文的灵感来自于解决一个基于概率的预测问题，譬如 Uber 和 Didi 等打车平台的供需双边如何协调。协调供需关系在各种双边市场中很常见，例如
新文章 如何成为MetaTrader4和MetaTrader5的信号提供者已发布：
你想提供你的交易信号并赚取额外收入吗？快到MQL5.com网站注册成为卖家，并指定你的交易帐户，为交易者提供信号吧。记住，你只能为一个交易账户创建一个信号。
另外，所有收费的信号都必须通过一个月的测试。在测试期间，他们将被检查是否符合若干要求（当然，对于免费信号没有测试期）。如果通过测试，那么你就能向所有MetaTrader 4和MetaTrader 5用户出售信号了。你将可以直接接近你信号的潜在订阅者。
你的交易成绩好吗？加入MQL5.community...
新文章 神经网络变得简单（第 81 部分）：上下文引导运动分析（CCMR） 已发布： 在以前的工作中，我们总是评估环境的当前状态。与此同时，指标变化的动态始终保持在“幕后”。在本文中，我打算向您介绍一种算法，其允许您评估 2 个连续环境状态数据之间的直接变化。
新文章 在MQL5中开发马丁格尔（Martingale）区域恢复策略 已发布： 本文详细探讨了创建基于区域恢复交易算法的EA需要实施的步骤。这有助于自动化该系统，从而为算法交易者节省时间。 基于市场分析，区域恢复交易方法始于开设初始头寸。假设一位交易者因认为市场会上涨而开设了一个买入头寸。从上涨趋势中获利是其首要目标。如果市场走势积极，价格上涨到预定的盈利目标，交易者会平仓并锁定利润。通过这种简单的策略，交易者就能从有利的市场走势中获利，而无需使用更复杂的策略。
新文章 可视化交易图表（第二部分）：数据图形化展示 已发布： 接下来，我们将从头开始编写一个脚本，以简化交易订单截图的加载过程，便于分析交易入场点。所有关于单个交易的必要信息都将方便地显示在一个图表上，并且该图表具备绘制不同时间框架的能力。 因此，在使用该脚本后，图表文件将如图3所示。 图例 3. 脚本运行后展示交易数据的结果 我们可以看到，所有关于交易的信息都以概括的形式呈现在一个图表上，这使得用户分析和评估所进行的交易操作变得更加方便。该脚本将这些文件整理到相应的文件夹中，这也使用户能够随时在账户历史记录中找到任何交易操作所需的信息。 作者： Aleksandr Seredin
新文章 改编版 MQL5 网格对冲 EA（第 III 部分）：优化简单对冲策略（I） 已发布： 在第三部分中，我们重新审视了早前开发的简单对冲和简单网格智能系统（EA）。我们的重点转移到通过数学分析和蛮力方式完善简单对冲 EA，旨在实现最优策略用法。本文深入探讨了该策略的数学优化，为在日后文章中探索未来基于编码的优化奠定了基础。 欢迎来到我们的“优化简单对冲策略”系列的第三部分。在本段落中，我们先简要回顾我们迄今为止的进展。到目前为止，我们已经开发了两个关键组件：简单对冲智能系统（EA）和简单网格 EA。本文将专注于进一步完善简单对冲
新文章 如何利用 MQL5 创建简单的多币种智能交易系统（第 7 部分）：依据动量振荡器指标的之字折线 已发布： 本文中的多货币智能系统是利用之字折线（ZigZag）指标的自动交易系统，该指标依据动量振荡器过滤、或彼此过滤信号。 如前几篇文章所示，多货币交易可以借助 MQL5 交易终端和策略测试器的强立功能、和设施。为了满足交易者寻求高效和有效自动交易的需求，我们来依靠 MQL5 提供的可靠强力功能、和设施。我们的目标是创建一个简单的多币种智能系统，可运用各种思路和策略。本文将专注于使用之字折线指标，其依据动量振荡器进行过滤、或者过滤彼此的信号。 MetaTrader 5
新文章 为 Metatrader 5 开发 MQTT 客户端：TDD 方法 - 第 6 部分 已发布： 本文是介绍我们针对 MQTT 5.0 协议的本地 MQL5 客户端的开发步骤的系列文章的第六部分。在本部分中，我们会讨论我们第一次重构中的主要变化，我们如何为我们的数据包构建类得出可行的蓝图，我们如何构建 PUBLISH 和 PUBACK 数据包，以及 PUBACK 原因代码背后的语义。
新文章 神经网络实践：最小二乘法 已发布： 在本文中，我们将探讨一些想法，包括数学公式在外观上怎么会比用代码实现时更复杂。此外，我们还将考虑如何设置图表的象限，以及 MQL5 代码中可能出现的一个有趣问题。不过，说实话，我还是不太明白该如何解释。总之，我会告诉你如何用代码解决这个问题。 大家好，欢迎阅读关于神经网络的新文章。 在上一篇文章 神经网络实践：割线
新文章 构建K线图的趋势约束模型（第四部分）：为各个趋势波段自定义显示样式 已发布： 在本文中，我们将探讨强大的MQL5语言在MetaTrader 5上绘制各种指标样式的能力。我们还将研究脚本及其在模型中的应用。 在本系列文章的前几篇（ 第一部分 、 第二部分 、和 第三部分
新文章 您应当知道的 MQL5 向导技术（第 13 部分）：智能信号类 DBSCAN 已发布： 《基于密度的空间聚类参与噪声应用》是一种无监督的数据分组形式，除 2 个参数外，几乎不需要任何输入参数，比之其它方式，譬如 k-平均，这是一个福音。我们深入研究使用由向导组装的智能系统如何在测试、及最终交易时起到建设性作用。 这些关于 MQL5 向导的系列文章，是关于现实中其它领域的数学抽象概念何为何常常令交易系统充满活力，并在据其做出任何严肃承诺之前进行测试或验证。采取简单、且未完全实现、或设想中的思路，来探索它们作为交易系统潜力的能力，是由 MQL5
新文章 突破结构（BoS）交易策略分步指南 已发布： 基于结构突破（Break of Structure, BoS）策略的自动化交易算法开发综合指南在MQL5中创建交易顾问并在MetaTrader 5中进行测试的全方位详解——从分析价格支撑与阻力到风险管理 我们将深入探讨BoS的定义、类型、交易策略应用以及基于 MetaQuotes Language 5 （简称MQL5）为 MetaTrader 5
新文章 开发多币种 EA 交易（第 9 部分）：收集单一交易策略实例的优化结果 已发布： 让我们来概述一下 EA 开发的主要阶段。首先要做的一件事就是优化所开发交易策略的单个实例。让我们试着在一个地方收集优化过程中测试器通过的所有必要信息。 从本质上讲，我们需要存储和使用的主要类型的数据是多个 EA 的优化结果。如您所知，策略测试器会将所有优化结果记录在以 *.opt 为扩展名的独立缓存文件中，然后可以在测试器中重新打开，甚至可以在另一个 MetaTrader 5 终端的测试器中打开。文件名是根据优化后的 EA
新文章 在MetaTrader 5中集成隐马尔可夫模型 已发布： 在本文中，我们将展示如何将使用Python训练的隐马尔可夫模型（Hidden Markov Models, HMMs）集成到MetaTrader 5应用程序中。HMM是一种强大的统计工具，用于对时间序列数据进行建模，其中被建模的系统以不可观察（隐藏）的状态为特征。HMM的一个基本前提是，在特定时间处于给定状态的概率取决于该过程在前一个时间点的状态。
新文章 如何不通过翻找历史交易记录直接在图表上查看交易情况 已发布： 在本文中，我们将创建一个简单的工具，通过按键导航方式方便地直接在图表上查看持仓和交易。这将使交易者能够直观地检查每笔交易，并当场获取有关交易结果的所有信息。 本文的目的是提供一种解决方案，使人们能够更轻松地了解和分析交易历史。我们将开发一个机制，用于逐步展示已平仓头寸并改进交易信息的显示方式。这将使交易者能够专注于每一笔交易，并更深入地了解他们的交易操作。 我们将实现以下功能： 使用导航键逐一查看已平仓头寸。 通过提供有关每笔交易的更详细信息来改进提示条。 将图表置于中央，以便最重要的元素始终可见。
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