MQL5.community的发展历史

在今天的讨论中，我们探讨了多时间框架分析的策略，以确定我们的人工智能（AI）模型在哪个时间框架上表现最优。分析结果表明，在欧元兑美元（EURUSD）货币对上，月度和小时时间框架生成的模型具有相对较低的误差率。我们利用这一优势，开发了一个交易算法，该算法在月度时间框架上进行人工智能预测，并在小时时间框架上执行交易。

在本次讨论中，我们将把一个简单的马尔可夫链应用于相对强弱指标（RSI），以观察指标穿过关键水平后的价格行为。我们得出结论，当RSI处于11-20区间时，会产生最强的买入信号；而当RSI处于71-80区间时，会产生最强的卖出信号，这在新西兰元兑日元（NZDJPY）货币对上表现得尤为明显。我们将展示如何通过对数据的处理和分析，直接从您所拥有的数据中构建出最优的交易策略。此外，我们还将展示如何训练一个深度神经网络，使其能够最优地利用转移矩阵。

在本文中，我们将继续深入研究大气云模型优化（ACMO）算法的实现。特别是，我们将讨论两个关键方面：云向低压区域的移动以及降雨模拟，包括液滴的初始化及其在云中的分布。我们还将研究其他在管理云的状态以及确保它们与环境相互作用方面发挥重要作用的方法。

在本文中，我们将现有的用于从 MQL5 向 Telegram 发送消息和截图的代码重构为可重复使用的模块化函数。这将简化流程，实现跨多个实例的更高效执行和更轻松的代码管理。

强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。

我们继续研究层次化向量变换器方法。在本文中，我们将完成模型的构造。我们还会在真实历史数据上对其进行训练和测试。

我们将以 MetaTrader 5 服务为例，探讨创建和更新美元指数 (USDX) 和欧元指数 (EURX) 图表。启动服务时，我们将检查所需合成工具的存在，必要时创建它，并将其放置在市场观察窗口中。随后将创建合成工具的分钟和分时报价历史记录，然后创建所创建工具的图表。

在今天的讨论中，我们使用了圣路易斯联邦储备银行（St. Louis Federal Reserve）提供的关于广义美元指数以及其他一系列宏观经济指标的可替代日数据，来预测欧元兑美元（EURUSD）未来的汇率。遗憾的是，尽管数据似乎具有近乎完美的相关性，但我们在模型准确性方面未能实现任何实质性提升，这可能暗示投资者最好采用常规的市场价格数据。

在本文中，我们将学习如何在循环中使用 RETURN、BREAK 和 CONTINUE 语句。了解每个语句在循环执行流程中的作用对于处理更复杂的应用程序非常重要。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。

支持向量回归是一种理想主义的途径，寻找最能描述两组数据之间关系的函数或“超平面”。我们尝试在 MQL5 向导的自定义类内利用这一点来进行时间序列预测。