![从头开始开发智能交易系统(第 29 部分):谈话平台](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_009_600x314.jpg)
从头开始开发智能交易系统(第 29 部分):谈话平台
在本文中,我们将学习如何让 MetaTrader 5 平台谈话。 我们如何才能让 EA 更有趣呢? 金融市场交易往往过于无聊和单调,但我们能够令这项工作少些无趣。 请注意,对于那些经历过上瘾等问题的人来说,这个项目可能是危险的。 然而,在一般情况下,它只会让事情聊胜于无。
![神经网络变得轻松(第四十六部分):条件导向目标强化学习(GCRL)](https://c.mql5.com/2/55/Neural_Networks_Part_46_600x314.jpg)
神经网络变得轻松(第四十六部分):条件导向目标强化学习(GCRL)
在本文中,我们要看看另一种强化学习方式。 它被称为条件导向目标强化学习(GCRL)。 按这种方式,代理者经过训练,可以在特定场景中达成不同的目标。
![数据科学与机器学习(第 03 部分):矩阵回归](https://c.mql5.com/2/49/matrix_regression_600x314.jpg)
数据科学与机器学习(第 03 部分):矩阵回归
这一次,我们的模型是由矩阵构建的,它更具灵活性,同时它允许我们构建更强大的模型,不仅可以处理五个独立变量,但凡我们保持在计算机的计算极限之内,它还可以处理更多变量,这篇文章肯定会是一篇阅读起来很有趣的文章。
![从头开始开发智能交易系统(第 11 部分):交叉订单系统](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_from_scratch_002_600x314.jpg)
从头开始开发智能交易系统(第 11 部分):交叉订单系统
在本文中,我们将创建一个交叉订单系统。 有一种类型的资产让交易员的生涯变得非常困难 — 那就是期货合约。 但为什么令他们的职业生涯变得如此困难?
![神经网络实验(第 5 部分):常规化传输到神经网络的输入参数](https://c.mql5.com/2/53/neural_network_experiments-p5_600x314.jpg)
神经网络实验(第 5 部分):常规化传输到神经网络的输入参数
神经网络是交易者工具包中的终极工具。 我们来检查一下这个假设是否成立。 在交易中运用神经网络,MetaTrader 5 是最接近自给自足的媒介。 为此提供了一个简单的解释。
![神经网络实验(第 4 部分):模板](https://c.mql5.com/2/52/neural_network_experiments-004_600x314.jpg)
神经网络实验(第 4 部分):模板
在本文中,我将利用实验和非标准方法开发一个可盈利的交易系统,并验证神经网络是否对交易者有任何帮助。 若在交易中运用神经网络的话, MetaTrader 5 完全可作为一款自给自足的工具。 简单的解释。
![利用 MQL5 的交互式 GUI 改进您的交易图表(第 III 部分):简易可移动交易 GUI](https://c.mql5.com/2/57/movable_gui_003_600x314.jpg)
利用 MQL5 的交互式 GUI 改进您的交易图表(第 III 部分):简易可移动交易 GUI
加入我们的《利用 MQL5 的交互式 GUI 改进您的交易图表》系列的第 III 部分,我们将探索将交互式 GUI 集成到 MQL5 中的可移动交易仪表板之中。本文建立在第 I 部分和第 II 部分的基础上,指导读者将静态交易仪表板转换为动态、可移动的。
![MQL5中的范畴论(第22部分):对移动平均的不同看法](https://c.mql5.com/2/58/Category-Theory-p22_600x314.jpg)
MQL5中的范畴论(第22部分):对移动平均的不同看法
在本文中,我们尝试通过只关注一个指标来简化对这些系列中所涵盖概念的说明,这是最常见的,可能也是最容易理解的。它就是移动平均。在这样做的时候,我们会探讨垂直自然变换的意义和可能的应用。
![学习如何基于加速(Accelerator)振荡器设计交易系统](https://c.mql5.com/2/49/Learn_how_to_design_a_trading_system_by_Accelerator_Oscillator2_600x314.jpg)
学习如何基于加速(Accelerator)振荡器设计交易系统
我们系列中的一篇新文章,介绍如何通过最流行的技术指标创建简单的交易系统。 我们将学习一个新的加速(Accelerator)振荡器指标,我们将学习如何利用它来设计交易系统。
![DoEasy 函数库中的时间序列(第五十六部分):自定义指标对象,从集合中的指标对象获取数据](https://c.mql5.com/2/49/doeasy_056_600x314.jpg)
DoEasy 函数库中的时间序列(第五十六部分):自定义指标对象,从集合中的指标对象获取数据
本文研究在 EA 中创建自定义指标对象。 我们稍微改进一下库类,并添加一些方法,以便从 EA 中的指标对象获取数据。
![Heiken-Ashi指标与移动平均指标组合能够提供好的信号吗?](https://c.mql5.com/2/56/heiken_ashi_combined_moving_averages_600x314.jpg)
Heiken-Ashi指标与移动平均指标组合能够提供好的信号吗?
策略的组合可能会提供更好的机会,我们可以把指标和形态一起使用,或者更进一步,多个指标和形态一起,这样我们可以获得额外的确认因子。移动平均帮我们确认和驾驭趋势,它们是最为人所知的技术指标,这是因为它们的简单性和为分析增加价值的良好记录。
![您应该知道的 MQL5 向导技术(第 02 部分):Kohonen 映射](https://c.mql5.com/2/49/kohonen-maps_600x314.jpg)
您应该知道的 MQL5 向导技术(第 02 部分):Kohonen 映射
这些系列文章所提议的是,MQL5 向导应作为交易员的支柱。 为什么呢? 因为交易员不仅可以利用 MQL5 向导装配他的新想法来节省时间,还可以大大减少重复编码带来的错误;他最终可把精力投向自我交易哲学中的几个关键领域。
![测试不同的移动平均类型以了解它们的洞察力](https://c.mql5.com/2/57/moving_average_types_600x314.jpg)
测试不同的移动平均类型以了解它们的洞察力
我们都知道移动平均指标对很多交易者的重要性。还有其他移动平均线类型在交易中也很有用,我们将在本文中确定这些类型,并将它们中的每一种与最流行的简单移动平均线进行简单比较,看看哪一种可以显示出最好的结果。
![神经网络变得轻松(第三十七部分):分散关注度](https://c.mql5.com/2/53/NN_part_37_Sparse_Attention_600x314.jpg)
神经网络变得轻松(第三十七部分):分散关注度
在上一篇文章中,我们讨论了在其架构中使用关注度机制的关系模型。 这些模型的具体特征之一是计算资源的密集功用。 在本文中,我们将研究于自我关注度模块内减少计算操作数量的机制之一。 这将提高模型的常规性能。
![将您自己的LLM集成到EA中(第1部分):硬件和环境部署](https://c.mql5.com/2/59/Hardware_and_Environment_Deployment_up_600x314.jpg)
将您自己的LLM集成到EA中(第1部分):硬件和环境部署
随着人工智能的快速发展,大型语言模型(LLM)成为人工智能的重要组成部分,因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说,很难根据他们的需求对这些强大的模型进行微调,在本地部署,然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
![时间序列挖掘的数据标签(第1部分):通过EA操作图制作具有趋势标记的数据集](https://c.mql5.com/2/57/data-label-for-time-series-mining_600x314.jpg)
时间序列挖掘的数据标签(第1部分):通过EA操作图制作具有趋势标记的数据集
本系列文章介绍了几种时间序列标记方法,这些方法可以创建符合大多数人工智能模型的数据,而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计,提高我们模型的准确性,甚至帮助模型实现质的飞跃!
![如何利用 MQL5 创建简单的多币种智能交易系统(第 2 部分):指标信号:多时间帧抛物线 SAR 指标](https://c.mql5.com/2/58/Parabolic_SAR_MTF_600x314.jpg)
如何利用 MQL5 创建简单的多币种智能交易系统(第 2 部分):指标信号:多时间帧抛物线 SAR 指标
本文中的多币种智能交易系统是智能交易系统或交易机器人,它仅在一个品种图表上就能交易(开单、平单、和管理订单,例如:尾随停损和止盈)超过 1 个交易品种对。这次我们只用 1 个指标,即抛物线 SAR 或 iSAR, 将其应用在 PERIOD_M15 到 PERIOD_D1 的多个时间帧。
![神经网络变得轻松(第五十四部分):利用随机编码器(RE3)进行高效研究](https://c.mql5.com/2/57/random_encoder_for_efficient_exploration_054_600x314.jpg)
神经网络变得轻松(第五十四部分):利用随机编码器(RE3)进行高效研究
无论何时我们研究强化学习方法时,我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性,以及训练额外模型。在本文中,我们将看看解决此问题的替代方法。
![时间序列挖掘的数据标签(第2部分):使用Python制作带有趋势标记的数据集](https://c.mql5.com/2/58/Make_datasets_with_trend_markers_using_Python_600x314.jpg)
时间序列挖掘的数据标签(第2部分):使用Python制作带有趋势标记的数据集
本系列文章介绍了几种时间序列标记方法,这些方法可以创建符合大多数人工智能模型的数据,而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计,提高我们模型的准确性,甚至帮助模型实现质的飞跃!
![利用 MQL5 的交互式 GUI 改进您的交易图表(第一部分):可移动 GUI(I)](https://c.mql5.com/2/55/Revolutionize_Your_Trading_Charts_Part_I_600x314.jpg)
利用 MQL5 的交互式 GUI 改进您的交易图表(第一部分):可移动 GUI(I)
凭借我们的利用 MQL5 创建可移动 GUI 的综合指南,令您的交易策略或实用程序焕发出呈现动态数据的力量。 深入了解图表事件的核心概念,并学习如何在同一图表上设计和实现简单、多个可移动的 GUI。 本文还探讨了往 GUI 上添加元素的过程,从而增强其功能和美观性。
![您应该知道的 MQL5 向导技术(第 03 部分):香农(Shannon)熵](https://c.mql5.com/2/49/Regression_Analysis_Cover_600x314.jpg)
您应该知道的 MQL5 向导技术(第 03 部分):香农(Shannon)熵
今天的交易者都是哲学家,几乎总是在寻找新的想法,尝试提炼它们,选择修改或丢弃它们:一个探索性的过程,肯定会花费相当的勤奋程度。 本系列文章将提出,MQL5 向导应该是交易者的支柱。
![您需要了解的有关MQL5程序结构的所有信息](https://c.mql5.com/2/57/about_mql5_program_structure_600x314.jpg)
您需要了解的有关MQL5程序结构的所有信息
使用任何编程语言的任何程序都有特定的结构。在本文中,您将通过了解MQL5程序结构每个部分的编程基础知识来学习MQL5计划结构的重要部分,这些基础知识在创建可在MetaTrader 5中执行的MQL5交易系统或交易工具时非常有用。
![用于时间序列挖掘的数据标签(第 5 部分):使用 Socket 在 EA 中进行应用和测试](https://c.mql5.com/2/64/Data_label_for_time_series_miningcPart_5c_Apply_and_Test_in_EA_Using_Socket_600x314.jpg)
用于时间序列挖掘的数据标签(第 5 部分):使用 Socket 在 EA 中进行应用和测试
本系列文章介绍了几种时间序列标注方法,可以创建符合大多数人工智能模型的数据,根据需求有针对性地进行数据标注,可以使训练出来的人工智能模型更符合预期设计,提高我们模型的准确性,甚至帮助模型实现质的飞跃!
![MQL5 简介(第 1 部分):算法交易新手指南](https://c.mql5.com/2/61/Beginner0s_Guide_into_Algorithmic_Trading_600x314.jpg)
MQL5 简介(第 1 部分):算法交易新手指南
通过我们的 MQL5 编程新手指南,进入算法交易的迷人领域。在揭开自动化交易世界的神秘面纱之际,让我们探索支持MetaTrader 5 的语言 MQL5 的精髓。从了解基础知识到迈出编码的第一步,本文是您即使没有编程背景也能释放算法交易潜力的关键。加入我们的旅程,在令人兴奋的 MQL5 世界里,体验简单与复杂的结合吧。
![神经网络变得轻松(第五十二部分):研究乐观情绪和分布校正](https://c.mql5.com/2/57/optimistic-actor-critic_600x314.jpg)
神经网络变得轻松(第五十二部分):研究乐观情绪和分布校正
由于模型是基于经验复现缓冲区进行训练,故当前的扮演者政策会越来越远离存储的样本,这会降低整个模型的训练效率。在本文中,我们将查看一些能在强化学习算法中提升样本使用效率的算法。
![时间序列挖掘的数据标签(第4部分):使用标签数据的可解释性分解](https://c.mql5.com/2/61/Data_label_for_time_series_mining_zPart_4oInterpretability_Decomposition_Using_Label_Data_600x314.jpg)
时间序列挖掘的数据标签(第4部分):使用标签数据的可解释性分解
本系列文章介绍了几种时间序列标记方法,这些方法可以创建符合大多数人工智能模型的数据,而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计,提高我们模型的准确性,甚至帮助模型实现质的飞跃!
![MQL5 中的范畴论 (第 8 部分):幺半群(Monoids)](https://c.mql5.com/2/54/Category-Theory-p8_600x314.jpg)
MQL5 中的范畴论 (第 8 部分):幺半群(Monoids)
本文是以 MQL5 实现范畴论系列的延续。 本期,我们引入幺半群作为域(集合),通过包含规则和幺元,将范畴论自其它数据分类方法分离开来。
![DoEasy 函数库中的时间序列(第五十八部分):指标缓冲区数据的时间序列](https://c.mql5.com/2/49/doeasy_058_600x314.jpg)
DoEasy 函数库中的时间序列(第五十八部分):指标缓冲区数据的时间序列
关于操控时间序列的主题总结,诸如组织存储、针对存储在指标缓冲区中的数据进行搜索和分类,如此即可在程序里利用函数库创建指标值,并进一步据其执行分析。 函数库的所有集合类的一般概念,能够轻松地在相应的集合中找到必要的数据。 在今天创建的类中,也可分别完成同样功能。
![将您自己的LLM集成到EA中(第2部分):环境部署示例](https://c.mql5.com/2/59/Example_of_Environment_Deployment_600x314.jpg)
将您自己的LLM集成到EA中(第2部分):环境部署示例
随着人工智能的快速发展,语言模型(LLMs)是人工智能的重要组成部分,因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说,很难根据他们的需求对这些强大的模型进行微调,在本地部署,然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
![暴力方式搜素形态(第 V 部分):全新视角](https://c.mql5.com/2/57/The_Bruteforce_Approach_Part_5_600x314.jpg)
暴力方式搜素形态(第 V 部分):全新视角
在这篇文章中,我将展示一种完全不同的方式进行算法交易,我经历了很长一段时间后才最终遇到它。当然,这一切所作所为全靠我的暴力程序,其经历了许多更改,令其能够并发解决若干问题。尽管如此,这篇文章明面上仍然比较笼统和尽可能简单,这就是为什么它也适合那些对暴力一无所知的人。
![MQL5 中的范畴论 (第 4 部分):跨度、实验、及合成](https://c.mql5.com/2/52/Category-Theory-p4_600x314.jpg)
MQL5 中的范畴论 (第 4 部分):跨度、实验、及合成
范畴论是数学的一个多样化和不断扩展的分支,到目前为止,在 MQL5 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念,其总体目标是建立一个开放的函数库,提供洞察力,同时希望在交易者的策略开发中进一步运用这一非凡的领域。
![神经网络变得轻松(第二十八部分):政策梯度算法](https://c.mql5.com/2/49/Neural_Networks_Easy_020_600x314.jpg)
神经网络变得轻松(第二十八部分):政策梯度算法
我们继续研究强化学习方法。 在上一篇文章中,我们领略了深度 Q-学习方法。 按这种方法,已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后,根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下,近似方法不应用于功用函数,而是应用于动作的直接政策(策略)。 其中一种方法是政策梯度。
![神经网络变得简单(第 62 部分):在层次化模型中运用决策转换器](https://c.mql5.com/2/59/Neural_networks_are_easy_aPart_62o_600x314.jpg)
神经网络变得简单(第 62 部分):在层次化模型中运用决策转换器
在最近的文章中,我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态,还可以分析先前状态的轨迹,以及在其中执行的动作。在本文中,我们将专注于在层次化模型中运用该方法。