本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
这是处理和分析优化结果想法的续篇，这一次，我们的目标是选择100个最佳的优化结果并且在图形用户界面(GUI)表格中显示它们。用户将可以在优化结果中选择一行而在独立的图表中得到多交易品种余额和回撤图。
开发基于振荡器的之字折线 (ZigZag) 指标。 执行需求规范的示例
本文根据《订购指标时如何准备需求规范》一文中描述的规范样本之一展示之字折线 (ZigZag) 指标的开发。 该指标利用振荡器所定义的极值来构建。 它能够采用五种振荡器之一: WPR，CCI，Chaikin，RSI 或 Stochastic 振荡器。
把指标代码移动到 EA 交易中可能有多种原因，怎样评估这种方法的优缺点呢?本文描述了在 EA 交易中实现指标代码，还进行了几个实验来评估 EA 交易运行的速度。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
交易信号服务正在突飞猛进地发展。 将我们的资金托付给信号提供者，我们希望尽量减少资金亏损的风险。 那么如何在这个交易信号的森林中解开拼图呢？ 如何发现能赚取盈利的产品？ 本文提出创建一种工具，可在品种图表中直观地分析交易信号的交易历史。
在交易账户上运行 EA 交易之前，我们通常会在报价历史上测试和优化它。然而，这里会有一个合理的问题: 过去的结果怎么会对我们的未来有所帮助呢?本文描述了使用蒙特卡洛方法来为交易策略的优化构建自定义的标准，另外，还会探讨 EA 交易的稳定性标准。
本文探讨横盘时交易的优缺点。 本文中创建并测试了十种基于在通道内跟踪价格走势的策略。 每种策略都配有过滤机制，旨在避免入场的假信号。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
使用 bagging 的随机森林(Random Forest, RF) 是最强大的机器学习方法之一， 它略微弱于梯度 boosting，这篇文章尝试开发了一个自我学习的交易系统，它会根据与市场的交互经验来做出决策。
这是处理和分析优化结果想法的续篇，这一次，我们的目标是选择100个最佳的优化结果并且在图形用户界面(GUI)表格中显示它们。用户将可以在优化结果中选择一行而在独立的图表中得到多交易品种余额和回撤图。
在交易账户上运行 EA 交易之前，我们通常会在报价历史上测试和优化它。然而，这里会有一个合理的问题: 过去的结果怎么会对我们的未来有所帮助呢?本文描述了使用蒙特卡洛方法来为交易策略的优化构建自定义的标准，另外，还会探讨 EA 交易的稳定性标准。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
大多数订阅者是通过优美的余额曲线和订阅用户数量来选择交易信号。 这就是为什么如今许多提供者只在乎漂亮的统计数据而非信号的真实质量，经常玩弄手数把戏并人为地将余额曲线整理到理想的外观。 本文论述了可靠性准则，以及提供者可用于提高其信号质量的方法。 展现特定信号历史的示例性分析，以及有助于提供者提升盈利并降低风险的方法。
交易信号服务正在突飞猛进地发展。 将我们的资金托付给信号提供者，我们希望尽量减少资金亏损的风险。 那么如何在这个交易信号的森林中解开拼图呢？ 如何发现能赚取盈利的产品？ 本文提出创建一种工具，可在品种图表中直观地分析交易信号的交易历史。
在这篇文章中，我们继续研究 CAppDialog 的使用。现在我们将会学习如何设置对话框的背景、边框和抬头的颜色。另外，这篇文章还提供了有关在图表中拖曳应用程序窗口时，如何增加透明化它的分步描述。我们还将探讨，怎样创建 CAppDialog 或者 CWndClient 的子类来分析如何操作控件的新特点。最后，我们将从新的角度回顾新项目。
本文讨论了用引导聚合结构构建并训练神经网络融合的方法。 它还确定了构成融合的各独立神经网络分类器的超参数优化的特性。 本文中所创建的神经网络融合的品质将与该系列前一篇文章中获得的优化神经网络的品质进行比较。 已考虑到进一步提高融合分类品质的可能性。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
使用 bagging 的随机森林(Random Forest, RF) 是最强大的机器学习方法之一， 它略微弱于梯度 boosting，这篇文章尝试开发了一个自我学习的交易系统，它会根据与市场的交互经验来做出决策。
交易信号服务正在突飞猛进地发展。 将我们的资金托付给信号提供者，我们希望尽量减少资金亏损的风险。 那么如何在这个交易信号的森林中解开拼图呢？ 如何发现能赚取盈利的产品？ 本文提出创建一种工具，可在品种图表中直观地分析交易信号的交易历史。
尽管很多交易者还是倾向于人工交易，但是很难完全避免一些重复性操作的自动化。这篇文章展示了一个实例，为人工交易开发一个多交易品种信号的 EA 交易。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
开发基于振荡器的之字折线 (ZigZag) 指标。 执行需求规范的示例
本文根据《订购指标时如何准备需求规范》一文中描述的规范样本之一展示之字折线 (ZigZag) 指标的开发。 该指标利用振荡器所定义的极值来构建。 它能够采用五种振荡器之一: WPR，CCI，Chaikin，RSI 或 Stochastic 振荡器。
大多数订阅者是通过优美的余额曲线和订阅用户数量来选择交易信号。 这就是为什么如今许多提供者只在乎漂亮的统计数据而非信号的真实质量，经常玩弄手数把戏并人为地将余额曲线整理到理想的外观。 本文论述了可靠性准则，以及提供者可用于提高其信号质量的方法。 展现特定信号历史的示例性分析，以及有助于提供者提升盈利并降低风险的方法。
本文展示了一个可视化的策略构建工具，它演示了任何用户如何不必编程就能创建交易机器人和相关工具。创建出的 EA 交易是完整功能的，并且可以在策略测试器中测试，通过云计算来优化或者实时运行于图表之上。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
ZUP - 通用之字折线 (ZigZag) 与 Pesavento 形态。 搜索形态
ZUP 指标允许搜索多个已知形态，其参数已经设置。 这些参数可以根据您的要求进行编辑。 您还可以使用 ZUP 图形界面创建新形态并将其参数保存到文件中。 之后，您可以快速检查这些新形态是否可以在图表中找到。
大多数订阅者是通过优美的余额曲线和订阅用户数量来选择交易信号。 这就是为什么如今许多提供者只在乎漂亮的统计数据而非信号的真实质量，经常玩弄手数把戏并人为地将余额曲线整理到理想的外观。 本文论述了可靠性准则，以及提供者可用于提高其信号质量的方法。 展现特定信号历史的示例性分析，以及有助于提供者提升盈利并降低风险的方法。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
这是处理和分析优化结果想法的续篇，这一次，我们的目标是选择100个最佳的优化结果并且在图形用户界面(GUI)表格中显示它们。用户将可以在优化结果中选择一行而在独立的图表中得到多交易品种余额和回撤图。
开发基于振荡器的之字折线 (ZigZag) 指标。 执行需求规范的示例
本文根据《订购指标时如何准备需求规范》一文中描述的规范样本之一展示之字折线 (ZigZag) 指标的开发。 该指标利用振荡器所定义的极值来构建。 它能够采用五种振荡器之一: WPR，CCI，Chaikin，RSI 或 Stochastic 振荡器。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
ZUP - 通用之字折线 (ZigZag) 与 Pesavento 形态。 搜索形态
ZUP 指标允许搜索多个已知形态，其参数已经设置。 这些参数可以根据您的要求进行编辑。 您还可以使用 ZUP 图形界面创建新形态并将其参数保存到文件中。 之后，您可以快速检查这些新形态是否可以在图表中找到。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
使用 bagging 的随机森林(Random Forest, RF) 是最强大的机器学习方法之一， 它略微弱于梯度 boosting，这篇文章尝试开发了一个自我学习的交易系统，它会根据与市场的交互经验来做出决策。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
本文根据《订购指标时如何准备需求规范》一文中描述的规范样本之一展示之字折线 (ZigZag) 指标的开发。 该指标利用振荡器所定义的极值来构建。 它能够采用五种振荡器之一: WPR，CCI，Chaikin，RSI 或 Stochastic 振荡器。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
ZUP - 通用之字折线 (ZigZag) 与 Pesavento 形态。 搜索形态
ZUP 指标允许搜索多个已知形态，其参数已经设置。 这些参数可以根据您的要求进行编辑。 您还可以使用 ZUP 图形界面创建新形态并将其参数保存到文件中。 之后，您可以快速检查这些新形态是否可以在图表中找到。
这是处理和分析优化结果想法的续篇，这一次，我们的目标是选择100个最佳的优化结果并且在图形用户界面(GUI)表格中显示它们。用户将可以在优化结果中选择一行而在独立的图表中得到多交易品种余额和回撤图。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
ZUP - 通用之字折线 (ZigZag) 与 Pesavento 形态。 搜索形态
ZUP 指标允许搜索多个已知形态，其参数已经设置。 这些参数可以根据您的要求进行编辑。 您还可以使用 ZUP 图形界面创建新形态并将其参数保存到文件中。 之后，您可以快速检查这些新形态是否可以在图表中找到。
使用 bagging 的随机森林(Random Forest, RF) 是最强大的机器学习方法之一， 它略微弱于梯度 boosting，这篇文章尝试开发了一个自我学习的交易系统，它会根据与市场的交互经验来做出决策。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
ZUP - 通用之字折线 (ZigZag) 与 Pesavento 形态。 搜索形态
ZUP 指标允许搜索多个已知形态，其参数已经设置。 这些参数可以根据您的要求进行编辑。 您还可以使用 ZUP 图形界面创建新形态并将其参数保存到文件中。 之后，您可以快速检查这些新形态是否可以在图表中找到。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
ZUP - 通用之字折线 (ZigZag) 与 Pesavento 形态。 搜索形态
ZUP 指标允许搜索多个已知形态，其参数已经设置。 这些参数可以根据您的要求进行编辑。 您还可以使用 ZUP 图形界面创建新形态并将其参数保存到文件中。 之后，您可以快速检查这些新形态是否可以在图表中找到。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
ZUP - 通用之字折线 (ZigZag) 与 Pesavento 形态。 搜索形态
ZUP 指标允许搜索多个已知形态，其参数已经设置。 这些参数可以根据您的要求进行编辑。 您还可以使用 ZUP 图形界面创建新形态并将其参数保存到文件中。 之后，您可以快速检查这些新形态是否可以在图表中找到。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
ZUP 指标允许搜索多个已知形态，其参数已经设置。 这些参数可以根据您的要求进行编辑。 您还可以使用 ZUP 图形界面创建新形态并将其参数保存到文件中。 之后，您可以快速检查这些新形态是否可以在图表中找到。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。
当做交易决定时，我们经常必须在多个时段分析图表，同时，这些图表常常包含着图形对象，把相同的对象应用到所有图表中会不大方便，在本文中，我提出了一种自动克隆将要显示在图表中对象的方法。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
交易者生活窍门: 利用 defines (#define) 融合 ForEach
对于那些仍然使用 MQL4 编程且不想切换到 MQL5 的人来说, 本文是一个过渡步骤。 我们继续寻找以 MQL4 风格编写代码的机会。 这一次, 我们将研究 #define 预处理器的宏替代。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
交易者生活窍门: 利用 defines (#define) 融合 ForEach
对于那些仍然使用 MQL4 编程且不想切换到 MQL5 的人来说, 本文是一个过渡步骤。 我们继续寻找以 MQL4 风格编写代码的机会。 这一次, 我们将研究 #define 预处理器的宏替代。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。
本文将经典的 MQL5 指标访问方法与 MQL4 风格的替代方法进行比较。 研究若干种 MQL4 风格的指标访问方法: 带有和未带有指标句柄缓存。 还会研究分析 MQL5 核心内部的指标句柄。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
交易者生活窍门: 利用 defines (#define) 融合 ForEach
对于那些仍然使用 MQL4 编程且不想切换到 MQL5 的人来说, 本文是一个过渡步骤。 我们继续寻找以 MQL4 风格编写代码的机会。 这一次, 我们将研究 #define 预处理器的宏替代。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
本文详细介绍了如何在 CAppDialog 类的基础上创建面板，以及如何在面板上增加控件。它描述了面板的结构和框架，显示了对象的继承关系。从这篇文章中，您还可以学习到事件是怎样处理的以及它们是怎样在独立的控件之间传递的。另外还有实例演示了如何编辑面板参数，例如大小和背景颜色。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。
本文涉及评估信号提供商的绩效。我们提供若干附加参数, 从不同于传统方法的独特角度突出显示了信号的交易结果。描述了正确管理和完美交易的概念。我们还使用所获得的结果, 编译多个信号源的投资组合来讨论最佳选择。
交易者生活窍门: 利用 defines (#define) 融合 ForEach
对于那些仍然使用 MQL4 编程且不想切换到 MQL5 的人来说, 本文是一个过渡步骤。 我们继续寻找以 MQL4 风格编写代码的机会。 这一次, 我们将研究 #define 预处理器的宏替代。
如果您刚刚切换到 MQL5, 那么本文将会很有用处。首先, 以正常的 MQL4 风格访问指标数据和序列已经完成。其次, 以 MQL5 实现这些整体上更简单。所有函数都尽可能地清晰, 并且非常适合单步调试。
本文将经典的 MQL5 指标访问方法与 MQL4 风格的替代方法进行比较。 研究若干种 MQL4 风格的指标访问方法: 带有和未带有指标句柄缓存。 还会研究分析 MQL5 核心内部的指标句柄。
