Gamuchirai Zororo Ndawana / 个人资料

This article explores the powerful role of matrix factorization in algorithmic trading, specifically within MQL5 applications. From regression models to multi-target classifiers, we walk through practical examples that demonstrate how easily these techniques can be integrated using built-in MQL5 functions. Whether you're predicting price direction or modeling indicator behavior, this guide lays a strong foundation for building intelligent trading systems using matrix methods.

In this discussion, we will set the foundation for using powerful linear, algebra tools that are implemented in the MQL5 matrix and vector API. For us to make proficient use of this API, we need to have a firm understanding of the principles in linear algebra that govern intelligent use of these methods. This article aims to get the reader an intuitive level of understanding of some of the most important rules of linear algebra that we, as algorithmic traders in MQL5 need,to get started, taking advantage of this powerful library.

Factorization is a mathematical process used to gain insights into the attributes of data. When we apply factorization to large sets of market data — organized in rows and columns — we can uncover patterns and characteristics of the market. Factorization is a powerful tool, and this article will show how you can use it within the MetaTrader 5 terminal, through the MQL5 API, to gain more profound insights into your market data.

In this article, we continue our exploration of building an ensemble of trading strategies and using the MT5 genetic optimizer to tune the strategy parameters. Today, we analyzed the data in Python, showing our model could better predict which strategy would outperform, achieving higher accuracy than forecasting market returns directly. However, when we tested our application with its statistical models, our performance levels fell dismally. We subsequently discovered that the genetic optimizer unfortunately favored highly correlated strategies, prompting us to revise our method to keep vote weights fixed and focus optimization on indicator settings instead.

本文将介绍双移动平均线交叉策略的设计思路：利用更高的时间框架（日线D1）的信号指导更低的时间框架（15分钟M15）的入场，并通过中间风险周期（4小时H4）计算止损位。本文将讲解系统常量、自定义枚举，以及趋势跟踪和均值回归模式的逻辑，同时强调代码模块化与未来遗传算法优化的扩展性。该方法支持灵活的入场/出场条件，通过让较低的时间框架入场与较高的时间框架趋势保持一致，减少信号滞后、优化交易时机。

本文将探讨如何确定集成策略中最优的策略数量 —— 这是一个复杂问题，而借助MetaTrader 5的遗传算法优化器可以轻松解决。同时，我们也会使用MQL5云端计算作为核心资源，加速回测与优化过程。具体而言，本篇内容将为后续开发统计评估模型奠定基础，用于基于初始集成结果评估并改进交易策略。

欢迎继续阅读本系列文章，我们将把前两个交易策略合并为一个集成交易策略。本文将展示多种合并多个策略的可行方案，并介绍如何控制参数空间，确保即使在参数数量增加的情况下，仍能进行有效的优化。

欢迎参与讨论，一起探索移动平均线交叉策略的更多改进方法。我们将运用数据科学技能，致力于将策略的滞后性降至更低水平，从而提升其可靠性。众所周知，将数据投影到更高维度有时能提高机器学习模型的性能。我们将向交易者展示这一做法的实际意义，并说明如何利用MetaTrader 5交易终端运用这一强大原理。

如何才能最有效地整合多种策略，构建一个强大的策略组合？欢迎加入本次讨论，我们将探讨如何将三种不同的策略整合到我们的交易应用程序中。交易员通常会采用专门的策略来开仓和平仓。我们想探究的是，机器能否在这项任务上表现得比人类更出色。我们将首先从熟悉策略测试器的各项功能开始讨论，以及完成此任务所需的面向对象编程（OOP）原则。

在本系列文章中，我们已经探讨了多种确定技术指标最佳使用周期的方法。今天，我们将向读者展示如何反其道而行之，也就是我们不再局限于挑选一个最佳时间周期，而是演示如何有效地利用所有可用周期。这种方法减少了被剔除的数据量，并为机器学习算法提供了常规价格预测以外的应用场景。

本文探讨了即便使用相同的策略和金融标的，不同经纪商的交易结果为何仍会存在显著差异，原因在于定价的分散化以及数据差异。本文有助于MQL5开发者理解为何他们的产品在MQL5市场上的评价褒贬不一，并敦促开发者针对特定经纪商调整方法，以确保结果透明且可重复。如果这一做法能被广泛地采用，将有望成为我们社区重要的特定领域最佳实践。

无论以何种形式构建可靠的人工智能（AI）交易策略，都有一种强大且普遍存在的力量，正悄然地侵蚀着我们社区的集体努力，本文提到，我们所面临的部分问题，源于对“最优实践”的盲目遵循。通过为读者提供基于现实市场的简单证据，我们说明为何必须摒弃这种做法，转而采用特定领域内的最优实践，这样一来，我们的社区才有可能重振AI的潜在力量。

高胜率交易形态在交易圈内广为人知，但遗憾的是，其定义始终缺乏明确标准。本文将通过实证研究与算法建模，为高胜率形态构建量化定义框架，并探索其识别与运用方法。借助梯度提升树模型，我们演示如何系统性优化任意交易策略的性能，同时以更精准、可解释的方式向计算机传达交易指令的核心逻辑。

降维技术被广泛用于提升机器学习模型的性能。让我们来讨论一项被称为“统一流形逼近与投影”的相对较新的技术（UMAP）。这项新技术的开发旨在针对性地克服传统方法在数据中产生伪影和失真的局限性。UMAP是一种强大的降维技术，它能以一种新颖而有效的方式帮助我们将相似的K线进行分组，从而降低在样本外数据上的错误率，并提升我们的交易表现。

本文探讨了如何优化 RSI 的水平和周期，以获得更好的交易信号。我们介绍了估算最优 RSI 值的方法，并使用网格搜索和统计模型来自动选择周期。最后，我们在 MQL5 中实现了该解决方案，同时利用 Python 进行分析。我们的方法力求务实和直接，旨在以简单的方式帮助您解决潜在复杂的问题。

交易者常常因虚假信号而面临资金回撤，而等待确认信号又可能导致错失交易机会。本文介绍了一种三角交易策略，该策略利用白银兑美元（XAGUSD）和白银兑欧元（XAGEUR）的价格，以及欧元兑美元（EURUSD）的汇率，来过滤市场噪音。通过利用跨市场关系，交易者可以揭示隐藏的市场情绪，并实时优化交易入场点。

在今天的讨论中，我们将一同寻找一种算法程序，以最大限度地减少我们因盈利交易被止损而平仓的总次数。我们面临的问题极具挑战性，社区讨论中给出的大多数解决方案都缺乏既定且固定的规则。我们解决问题的算法方法提高了我们交易的盈利能力，并降低了我们的平均每笔交易亏损。然而，要完全过滤掉所有将被止损的交易，还需要进一步的改进，但我们的解决方案对任何人来说都是一个很好的初步尝试

在本文中，我们将第二次尝试将任意市场的价格水平变化转化为对应的角度变化。此次，我们选择了比首次尝试更具数学复杂性的方法，而获得的结果表明，这一调整或许是正确的决策。今天，让我们共同探讨如何通过极坐标以有意义的方式计算价格水平变化所形成的角度，无论您分析的是何种市场。

如何完美使用指标的原则，并不总是易于遵循。在市场行情较为平稳的情况下，指标可能会意外地给出不构成交易条件的信号，导致算法交易者错失交易机会。本文将提出一个潜在的解决方案，我们将讨论如何构建能够根据现有市场数据调整其交易规则的交易应用程序。