|
1 年
经验
|
0
产品
|
0
演示版
|
|
1
工作
|
0
信号
|
0
订阅者
|
Quant Researcher with 3+ years of trading experience
Currently managing 5+ trading systems
Specializes in CTA strategy development
Github: https://github.com/CodyOutcast
It's about LLM integration in intraday trading.
Keep in mind that I'm still a noob at research, but I would say this is a good first step.
Link: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5246516
Download the demo and test it yourself: https://www.mql5.com/en/market/product/139184
开盘区间突破（ORB）策略基于这样一种理念：市场开盘后不久确立的初始交易区间，反映了买卖双方就价格价值达成共识的重要水平。通过识别突破某一特定区间上方或下方的走势，交易者可以把握随之而来的市场契机——当市场方向愈发明朗时，这种契机往往会进一步显现。本文将探讨三种源自康克瑞图姆集团（Concretum Group）改良的ORB策略。
拉里·康纳斯（Larry Connors）是知名交易员与量化交易领域权威作家，其最著名的成果之一是2周期相对强弱指数（RSI2）策略。该指标通过捕捉短期超买超卖信号，辅助判断市场反转时机。在本文中，我们将首先阐述研究契机，随后在MQL5中复现康纳斯的三大经典策略，并应用于标普500指数差价合约（CFD）的日内交易场景。
达瓦斯箱体突破策略由尼古拉斯·达瓦斯（Nicolas Darvas）提出，是一种技术交易方法：当股价突破预设的"箱体"区间上沿时，视为潜在买入信号，表明强劲的上升动能。本文将以该策略为例，探讨三种高级机器学习技术的应用。其中包括：利用机器学习模型直接生成交易信号（而非仅过滤交易）；采用连续型信号（而非离散型信号）；使用基于不同时间框架训练的模型进行交易验证。
卡尔曼滤波器是一种递归算法，在算法交易中用于通过滤除价格走势中的噪声来估计金融时间序列的真实状态。它能够根据新的市场数据动态更新预测，这使得它在均值回归等自适应策略中极具价值。本文首先介绍卡尔曼滤波器，涵盖其计算方法和实现方式。接下来，我们以外汇领域一个经典的均值回归策略为例，应用该滤波器。最后，我们通过将卡尔曼滤波器与移动平均线（MA）在外汇不同货币对上进行比较，开展各种统计分析。
在策略开发中，有许多错综复杂的细节需要考虑，对于初学交易者其中许多都未予重视。如是结果，众多交易者，包括我自己，都不得不历经苦难来学习这些教训。本文基于我观察到的大多数初学交易者在 MQL5 上开发策略时常见的陷阱。它将提供一系列提示、技巧、和示例，帮助辨别不合格的 EA，并以一种易于实现的方式来测试我们自己 EA 的稳健性。目标是教导读者，帮助他们未来购买 EA 时避免遭遇骗局，以及预防他们自己开发策略时的错误。
长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），其设计初衷是通过有效捕捉数据中的长期依赖关系，并解决传统RNN存在的梯度消失问题，从而实现对时序数据的高效建模。本文将系统阐述如何利用LSTM进行未来趋势预测，进而提升趋势跟踪策略的实战表现。具体内容涵盖这些模块：LSTM关键概念介绍与发展契机、从MetaTrader 5平台提取数据、在Python中构建并训练模型、将机器学习模型嵌入MQL5中、基于统计回测的结果分析与改进方向。
当价格回到先前确定的公允价值缺口位置，且未表现出预期的支撑或阻力反应，而是无视该缺口时，便出现了逆公允价值缺口（IFVG）。这种“无视”现象可能预示着市场方向的潜在转变，并为反向交易提供优势。在本文中，我将介绍自己开发的量化方法，以及如何将IFVG作为一种策略，应用于MetaTrader 5智能交易系统（EA）中。
重大经济数据发布前后市场波动率通常显著上升，为突破交易策略提供了理想的环境。在本文中，我们将阐述基于经济日历的突破策略的实现过程。我们将全面覆盖从创建用于解析和存储日历数据的类，到利用这些数据开发符合实际的回测系统，最终实现实盘交易执行代码的完整流程。
流动性攫取交易策略是智能资金概念（SMC）的核心组成部分，旨在识别并利用市场中机构投资者的操作行为。该策略聚焦于高流动性区域（如支撑位或阻力位），在这些区域，大额订单可引发价格波动，随后市场恢复原有趋势。本文将详细阐释流动性攫取的概念，并概述如何在MQL5中开发流动性攫取交易策略的智能交易系统（EA）。
隐马尔可夫模型（HMMs）是强大的统计工具，可通过分析可观测的价格波动来识别潜在的市场状态。在交易领域，隐马尔可夫模型通过建模和预测市场状态的转变，可提升波动率预测的准确性，并为趋势跟踪策略提供依据。在本文中，我们将完整介绍一种趋势跟踪策略的开发流程，该策略利用隐马尔可夫模型预测波动率，并将其作为交易信号的过滤条件。
几十年来，交易员们一直使用凯利准则公式来确定投资或赌注的最优资本配置比例，其目标是在最大化长期增长的同时，最小化破产风险。然而，对于个人交易者而言，盲目地依据单次回测的结果来遵循凯利准则往往是危险的，因为在实盘交易中，交易优势会随着时间的推移而减弱，并且过往业绩并不能保证未来的结果。在本文中，我将提出一种在 MetaTrader 5 平台中，为一个或多个智能交易系统进行风险分配的现实方法，该方法将融合来自 Python 的蒙特卡洛模拟结果。
Recently, a fund manager from Man Group gave a lecture about CTAs (Commodity Trading Advisors) at my university. He mentioned that they rarely use machine learning in their CTA bots, which baffled me. Literally, one of the most successful firms in the world prefers simple rules and intuitive algorithms over sophisticated methods. I asked him why, and he explained:
1. They tried using machine learning to mine alphas but failed miserably.
2. They attempted to use it as a filter, similar to what we discussed in this article, but it barely worked, achieving only 80% correlation. This means it provided almost no additional edge compared to the original strategy.
3. They found success in using machine learning to select the best strategy for a given market.
Regarding the third point, I wondered why they didn’t simply test each strategy for every market and compare the results. However, I assume they find it more efficient to cluster markets for certain strategies, especially since they trade over 6,000 assets. They believe the aforementioned theory explains their obstacles, as they primarily use trend-following strategies for their CTA bots.
CatBoost是一种强大的基于树的机器学习模型，擅长基于静态特征进行决策。其他基于树的模型，如XGBoost和随机森林（Random Forest），在稳健性、处理复杂模式的能力以及可解释性方面具有相似特性。这些模型应用广泛，可用于特征分析、风险管理等多个领域。在本文中，我们将逐步介绍如何将训练好的CatBoost模型用作经典移动平均线交叉趋势跟踪策略的过滤器。