![DoEasy 函数库中的价格(第六十五部分):市场深度集合并操控 MQL5.com 信号的类](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__3.png)
![DoEasy 函数库中的价格(第六十五部分):市场深度集合并操控 MQL5.com 信号的类](https://c.mql5.com/i/articles/overlay.png)
DoEasy 函数库中的价格(第六十五部分):市场深度集合并操控 MQL5.com 信号的类
在本文中,我将创建所有品种的市场深度集合类,并着手开发创建信号对象类来操控 MQL5.com 信号服务的功能。
![神经网络变得轻松(第九部分):操作归档](https://c.mql5.com/2/49/Neural_networks_made_easy_008_600x314.jpg)
神经网络变得轻松(第九部分):操作归档
我们已经经历了很长一段路,并且函数库中的代码越来越庞大。 这令跟踪所有连接和依赖性变得难以维护。 因此,我建议为先前创建的代码创建文档,并保持伴随每个新步骤进行更新。 正确准备的文档将有助我们看到操作的完整性。
![利用智能系统进行风险和资本管理](https://c.mql5.com/2/49/risk_and_capital_management_using_exper_advisor_600x314.jpg)
利用智能系统进行风险和资本管理
本文是有关您在回测报告中看不到的内容,使用自动交易软件时您应该期望什么;如果您正在使用智能系统,该如何管理您的资金;以及如果您正在使用自动化过程,如何弥补重大亏损从而坚持交易活动。
![数据科学与机器学习 — 神经网络(第 01 部分):前馈神经网络解密](https://c.mql5.com/2/49/feed_forward_nn_600x314.jpg)
数据科学与机器学习 — 神经网络(第 01 部分):前馈神经网络解密
许多人喜欢它们,但却只有少数人理解神经网络背后的整个操作。 在本文中,我尝试用淳朴的语言来解释前馈多层感知,解密其封闭大门背后的一切。
![DoEasy 库中的其他类(第六十九部分):图表对象集合类](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__7.png)
![DoEasy 库中的其他类(第六十九部分):图表对象集合类](https://c.mql5.com/i/articles/overlay.png)
DoEasy 库中的其他类(第六十九部分):图表对象集合类
在本文里,我启动图表对象集合类的开发。 该类存储图表对象及其子窗口和指标的集合列表,从而提供操控任何选定图表及其子窗口的能力,亦或同时处理多个图表列表。
![您应该知道的 MQL5 向导技术(第 01 部分):回归分析](https://c.mql5.com/2/49/regression_analysis_600x314.jpg)
您应该知道的 MQL5 向导技术(第 01 部分):回归分析
今天的交易者都是一位哲学家,他几乎总是(有意识地或无意识地)寻找新的思路,尝试它们,选择修改或抛弃它们;这是一个需要付出相当勤奋程度的探索过程。 这显然会花费交易者高昂的时间,且需要避免错误。 本系列文章将提出,MQL5 向导应该是交易者的支柱。 为什么呢? 因为交易者不仅经由 MQL5 向导组装他的新想法来节省时间,而且大大减少了重复编码的错误;他最终会把精力集中在交易哲学的几个关键领域。
![DoEasy 函数库中的时间序列(第四十八部分):在单一子窗口里基于一个缓冲区的多周期、多品种指标](https://c.mql5.com/2/40/MQL5-avatar-doeasy-library.png)
![DoEasy 函数库中的时间序列(第四十八部分):在单一子窗口里基于一个缓冲区的多周期、多品种指标](https://c.mql5.com/i/articles/overlay.png)
DoEasy 函数库中的时间序列(第四十八部分):在单一子窗口里基于一个缓冲区的多周期、多品种指标
本文研究了一个示例,该示例使用单个指标缓冲区来创建多品种、多周期标准指标,以便在指标子窗口中进行构造和操作。 我会准备库类,以便在程序主窗口中与标准指标一起操作,并有多个缓冲区来显示其数据。
![MQL5.community 中的名人?](https://c.mql5.com/2/0/whoiswho.png)
![MQL5.community 中的名人?](https://c.mql5.com/i/articles/overlay.png)
MQL5.community 中的名人?
MQL5.com 网站能够记住你的一切!你有多少帖子受热捧,您的文章有多受欢迎,您的程序在代码库中被下载了多少次 – 这仅仅是 MQL5.com 记住的一小部分。您的成就可以在个人资料中找到,但是整体情况呢?在本文中,我将显示所有 MQL5.community 会员成就的概貌。
![从头开始开发智能交易系统(第 15 部分):访问 web 上的数据(I)](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_from_scratch_006_600x314.jpg)
从头开始开发智能交易系统(第 15 部分):访问 web 上的数据(I)
如何通过 MetaTrader 5 访问在线数据? 互联网上有很多网站,提供海量信息。 您需要知道的是,在哪里查找、以及如何才能最好地利用这些信息。
![DoEasy 库中的其他类(第七十二部分):跟踪并记录集合中的图表对象参数](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__10.png)
![DoEasy 库中的其他类(第七十二部分):跟踪并记录集合中的图表对象参数](https://c.mql5.com/i/articles/overlay.png)
DoEasy 库中的其他类(第七十二部分):跟踪并记录集合中的图表对象参数
在本文中,我将完成图表对象类及其集合的操控。 我还将实现图表属性及其窗口变化的自动跟踪,以及把新参数保存到对象属性。 如此修订允许在未来实现整个图表集合的事件功能。
![MQL5 应用商店 2013 年二季度业绩](https://c.mql5.com/2/0/MQL5_Market_Results_2_2013.png)
![MQL5 应用商店 2013 年二季度业绩](https://c.mql5.com/i/articles/overlay.png)
MQL5 应用商店 2013 年二季度业绩
成功运营一年半的“MQL5 应用商店”,已成为了最大的交易策略与技术指标交易商店。全世界有 350 位开发者在此提供了大约 800 款交易应用程序。交易者为其 MetaTrader 5 终端购买和下载的交易程序,已逾 100.000。
![神经网络变得轻松(第十四部分):数据聚类](https://c.mql5.com/2/49/Neural_networks_made_easy_004_600x314.jpg)
神经网络变得轻松(第十四部分):数据聚类
我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中,我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是,我们将考虑一种聚类算法 — k-均值。
![神经网络变得轻松(第十九部分):使用 MQL5 的关联规则](https://c.mql5.com/2/49/Neural_Networks_Easy_011_600x314.jpg)
神经网络变得轻松(第十九部分):使用 MQL5 的关联规则
我们继续研究关联规则。 在前一篇文章中,我们讨论了这种类型问题的理论层面。 在本文中,我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。
![并行粒子群优化](https://c.mql5.com/2/49/Parallel-Particle-Swarm-Optimization_600x314.jpg)
并行粒子群优化
本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现,它既可以在EA交易内部的单线程模式下使用,也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。
![数据科学与机器学习(第 06 部分):梯度下降](https://c.mql5.com/2/49/gradient_descent_600x314.jpg)
数据科学与机器学习(第 06 部分):梯度下降
梯度下降在训练神经网络和许多机器学习算法中起着重要作用。 它是一种快速而智能的算法,尽管它的工作令人印象深刻,但它仍然被许多数据科学家误解,我们来看看有关它的全部。
![种群优化算法:灰狼优化器(GWO)](https://c.mql5.com/2/50/grey_wolf_optimizer_600x314.jpg)
种群优化算法:灰狼优化器(GWO)
我们来研究一种最新的现代优化算法 — 灰狼优化。 测试函数的原始行为令该算法成为以前研究过的算法中最有趣的算法之一。 这是训练神经网络的顶级算法之一,具有许多变量的平滑函数。
![数据科学与机器学习 — 神经网络(第 02 部分):前馈神经网络架构设计](https://c.mql5.com/2/49/feed_forward_nn_architectures_design_600x314.jpg)
数据科学与机器学习 — 神经网络(第 02 部分):前馈神经网络架构设计
在我们透彻之前,还有一些涵盖前馈神经网络的次要事情,设计就是其中之一。 针对我们的输入,看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。
![DoEasy 函数库中的时间序列(第六十部分):品种即时报价数据的序列列表](https://c.mql5.com/2/41/MQL5-avatar-doeasy-library__4.png)
![DoEasy 函数库中的时间序列(第六十部分):品种即时报价数据的序列列表](https://c.mql5.com/i/articles/overlay.png)
DoEasy 函数库中的时间序列(第六十部分):品种即时报价数据的序列列表
在本文中,我将创建存储单一品种即时报价数据的列表,并在 EA 中检查其创建状态,以及检索所需数据。 每个所用品种各自的即时报价数据列表将来会构成即时报价数据集合。
![“MQL5 应用商店” 2013 年一季度业绩](https://c.mql5.com/2/0/MQL5_Market_Results.png)
![“MQL5 应用商店” 2013 年一季度业绩](https://c.mql5.com/i/articles/overlay.png)
“MQL5 应用商店” 2013 年一季度业绩
自创立以来,销售自动交易与技术指标的“MQL5 应用商店”已经吸引来了 250 多位开发者,他们发布了 580 款产品。对于那些已通过销售自己的产品获得丰厚利润的“MQL5 应用商店”卖家来讲,2013 年第一季度是相当成功的。
![神经网络变得轻松(第三十四部分):全部参数化的分位数函数](https://c.mql5.com/2/50/Neural_Networks_Made_Easy_quantile-parameterized_600x314.jpg)
神经网络变得轻松(第三十四部分):全部参数化的分位数函数
我们继续研究分布式 Q-学习算法。 在之前的文章中,我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中,我们训练了给定数值范围的概率。 在第二种算法中,我们用给定的概率训练了范围。 在这两个发行版中,我们采用了一个先验分布知识,并训练了另一个。 在本文中,我们将研究一种算法,其允许模型针对两种分布进行训练。
![数据科学和机器学习(第 04 部分):预测当前股市崩盘](https://c.mql5.com/2/49/stock_market_crash_600x314.jpg)
数据科学和机器学习(第 04 部分):预测当前股市崩盘
在本文中,我将尝试运用我们的逻辑模型,基于美国经济的基本面,来预测股市崩盘,我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘,我们看看我们的模型在当前的厄运和低迷中会表现如何。
![神经网络变得轻松(第三十九部分):Go-Explore,一种不同的探索方式](https://c.mql5.com/2/54/NN_39_Go_Explore_600x314.jpg)
神经网络变得轻松(第三十九部分):Go-Explore,一种不同的探索方式
我们继续在强化学习模型中研究环境。 在本文中,我们将见识到另一种算法 — Go-Explore,它允许您在模型训练阶段有效地探索环境。
![DoEasy 函数库中的时间序列(第五十四部分):抽象基准指标类的衍生](https://c.mql5.com/2/49/doeasy_054_600x314.jpg)
DoEasy 函数库中的时间序列(第五十四部分):抽象基准指标类的衍生
本文研究基于基准抽象指标衍生对象类的创建。 这些对象所提供功能,可访问创建的指标 EA,收集和获取各种指标和价格数据的数值统计信息。 同样,创建指标对象集合,从中可以访问程序中创建的每个指标的属性和数据。
![DoEasy 函数库中的时间序列(第四十四部分):指标缓冲区对象类集合](https://c.mql5.com/2/39/MQL5-avatar-doeasy-library.png)
![DoEasy 函数库中的时间序列(第四十四部分):指标缓冲区对象类集合](https://c.mql5.com/i/articles/overlay.png)
DoEasy 函数库中的时间序列(第四十四部分):指标缓冲区对象类集合
本文介绍如何创建指标缓冲区对象类的集合。 我计划测试为指标创建和操控任意数量缓冲区的能力(在 MQL 指标中可以创建的最大缓冲区数量为 512)。
![从头开始开发智能交易系统(第 16 部分):访问 web 上的数据(II)](https://c.mql5.com/2/49/Developing_a_trading_Expert_Advisor_from_scratch_007_600x314.jpg)
从头开始开发智能交易系统(第 16 部分):访问 web 上的数据(II)
掌握如何从网络向智能交易系统输入数据并非那么轻而易举。 如果不了解 MetaTrader 5 提供的所有可能性,就很难做到这一点。
![您应该知道的 MQL5 向导技术(第 05 部分):马尔可夫(Markov)链](https://c.mql5.com/2/51/markov_chains_600x314.jpg)
您应该知道的 MQL5 向导技术(第 05 部分):马尔可夫(Markov)链
马尔可夫(Markov)链是一个强大的数学工具,能够针对包括金融在内的各个领域的时间序列数据进行建模和预测。 在金融时间序列建模和预测中,马尔可夫链通常用于模拟金融资产随时间的演变,例如股票价格或汇率。 马尔可夫链模型的主要优点之一是其简单性和易用性。
![DoEasy 函数库中的时间序列(第五十部分):多周期、多品种带位移的标准指标](https://c.mql5.com/2/49/doeasy_050_600x314.jpg)
DoEasy 函数库中的时间序列(第五十部分):多周期、多品种带位移的标准指标
在文章里,我们将改进函数库的方法,以便正确显示多品种、多周期的标准指标,即那些在当前品种图表上显示曲线,并可在设置中指定位移的指标。 同样,我们按照标准指标的操纵方法进行排序,并在最终的指标程序里将多余的代码移至函数库区域。