文章，程序库评论 - 页 11

新文章 不使用额外的缓冲区，为中间计算进行系列价格的平均化已发布： 本文要讲述的是封装于最简单的单型类中的传统与非寻常平均线算法。它们旨在实现于几乎所有指标的开发过程中的普适用途。我希望建议的这些类，会成为那些自定义与技术指标“笨重”调用的一个很好的替代。 作者：Nikolay Kositsin

Exp_Zonal_Trading: 智能交易系统在其操作时使用 AO 和 AC 指标, 它们是比尔·威廉姆斯提出的。 作者： Nikolay Kositsin

大师观念: 智能交易系统使用 iStochastic (随机) 振荡器, iWPR (Larry Williams 的百分比范围) 指标。 作者： Vladimir Karputov

新文章 MQL5 快速上手已发布： 您已决定学习 MQL5 交易策略的编程语言，但却对其一无所知？我们尝试从新人的视角来看待 MQL5 和 MetaTrader 5 终端，并撰写了此篇简短的介绍性文章。本文中简要地讲述了该语言的多种可能性，还包含有关使用 MetaEditor 5 及此终端的一些小贴士。 作者：MetaQuotes Software Corp.

交易者的MQL5编程(MQL5 Programming for Traders) - 源代码第五部分 : 在本书的第五部分，我们将深入探讨与算法交易相关的API，包括金融数据分析和处理、图表可视化、自动化和用户交互。 作者： MetaQuotes

新文章 怎样开发可以获利的交易策略已发布： 本文为这样的问题提供解答: "是否可以通过神经网络技术，基于历史数据来构建自动交易策略?". 通过技术分析开发成功交易策略的过程可以分为以下几步: 在某个资产价格图表窗口上附加几个技术指标, 并识别出其中信号指标与市场关联的模式.把上一步相关性分析取得的数据进行公式化.把策略转换为对应的编程语言进而创建一个机械化的交易系统.在基于历史数据的模拟器中运行这个交易系统并调整它的输入参数(优化).如果之前的步骤不能增加资产, 则返回第一步.在模拟账户中运行之前创建的系统进行测试.如果之前的步骤不能在模拟系统中获利, 返回第一步.在真实效益中使用该系统...

新文章 轻松快捷开发 MetaTrader 程序的函数库(第一部分)。 概念，数据管理和首期成果已发布： 在分析海量交易策略，订购用于 MetaTrader 5 和 MetaTrader 4 终端以及各种 MetaTrader 网站的应用程序开发订单时，我得出了一个结论，就是所有这些貌似多样性，大多基于相同的基本函数，动作和数值有规律地出现在不同的程序当中。 在 DoEasy 跨平台函数库中的这一成效，可以轻松快捷地开发 МetaТrader 5 和 МetaТrader 4 应用程序。 现在所有编译都没有错误，交易账户的历史记录中所有订单和成交的数据都显示在终端流水日志中。...

新文章 神经网络变得轻松（第四十五部分）：训练状态探索技能 已发布： 在没有明确奖励函数的情况下，实用的训练技能就是分层强化学习的主要挑战之一。 以前，我们已领略了解决此问题的两种算法。 但环境研究的完整性问题仍然悬而未决。 本文演示了一种不同的技能训练方式，其可取决于系统的当前状态直接使用。 最初的结果比我们预期的要差。 包含的正面结果则是，测试样本中所用的技能分布相当均匀。 这就是最终我们的测试正面结果所在。 在对自动编码器和代理者进行了多次迭代训练后，我们仍然无法获得能够在训练集上产生盈利的模型。 显然，问题在于自动编码器无法足够准确地预测状态。 结果就是，余额曲线与预期结果相去甚远。

新文章 利用回归衡量度评估 ONNX 模型 已发布： 回归是一项依据未标记样本预测真实数值的任务。 所谓的回归衡量度则是用来评估回归模型的预测准确性。 回归是一项依据未标记样本预测真实数值的任务。 一个著名的回归例子是基于大小、重量、颜色、净度、等特征来估算钻石的价值。 而所谓的 回归衡量度 则是用来评估回归模型的预测准确性。 尽管算法相似，回归衡量度在语义上与相似的 损失函数 有所区别。 了解它们之间的区别很重要。 它可按如下方式表述： 当我们将构建模型的问题降解为优化问题时，此刻损失函数就会浮现。 通常要求它具有良好的性质（例如，可微性）

交易者的MQL5编程(MQL5 Programming for Traders) - 源代码第六部分 : 在"交易者的MQL5编程(MQL5 Programming for Traders)"第六部分，我们将学习MQL5语言的一个关键组成部分 – 交易自动化。我们将首先介绍基本对象，如交易品种规格和交易账户设置。这些都是创建正常运行的EA交易的先决条件。 作者： MetaQuotes

交易者的MQL5编程(MQL5 Programming for Traders) - 书中的源代码。第四部分 : 在本书的第四部分，我们将重点掌握内置函数(MQL5 API)，并将逐步深入研究专门的子系统。任何MQL5程序都可以利用大量技术和功能。因此，从大多数程序都能使用的最简单且最有用的函数开始是明智的。 作者： MetaQuotes

交易者的MQL5编程(MQL5 Programming for Traders) - 源代码第三部分 : 第三部分 "MQL5中的面向对象编程"呈现了MQL5语言中面向对象编程(OOP)的世界。软件开发往往涉及与多个实体管理相关的复杂性，需要先进的技术来提高编程的便利性、效率和质量。 作者： MetaQuotes

交易者的MQL5编程(MQL5 Programming for Traders) - 源代码第二部分 : 第二部分 "MQL5编程基础知识"介绍了该编程语言的核心概念。本书这一部分专门讨论数据类型、标识符、变量、表达式和运算符。您将学习了解如何组合不同的指令来形成程序逻辑。 作者： MetaQuotes

新文章 如何利用 MQL5 创建自定义唐奇安（Donchian）通道指标 已发布： 有许多技术工具可用于可视化围绕价格的通道，其中一种工具是唐奇安（Donchian）通道指标。 在本文中，我们将学习如何创建唐奇安（Donchian）通道指标，以及如何在 EA 中将其作为自定义指标进行交易。 在这部分中，我们将辨认唐奇按通道指标，并了解其背后的主要概念，以便能有效运用。 唐奇安通道是由 Richard Donchian 交易员开发的，主要目标是识别趋势，这意味着它也是一款趋势跟踪和滞后指标，因为它追踪趋势方向和价格走势。 它由三条线组成，形成一个包围价格的通道。

新文章 市场数学：盈利、亏损、和成本 已发布： 在本文中，我将向您展示如何计算任何交易的总盈利或亏损，包括佣金和掉期利息。 我会提供最精准的数学模型，并依据它来编写代码，之后将其与标准进行比较。 此外，我还将尝试进入主要 MQL5 函数的内部来计算利润，并从规则中获取所有必要值的根底。 若要开发一个高效的交易系统，首先，有必要理解每笔订单的盈亏是如何计算的。 我们都能够以某种方式计算我们的盈亏，从而维护我们的资金管理系统。 有人是目测，有人是执行粗略的估算，但几乎所有的 EA 都必须能够计算全部量化值。 图深入发掘了这个思路，令其更容易理解。 它示意出两种市价单类型的开仓和平仓： 作者：

新文章 神经网络变得轻松（第四十四部分）：动态学习技能 已发布： 在上一篇文章中，我们讲解了 DIAYN 方法，它提供了学习各种技能的算法。 获得的技能可用在各种任务。 但这些技能可能非常难以预测，而这可能令它们难以运用。 在本文中，我们要研究一种针对学习可预测技能的算法。 研究多个独立行为和相应的环境变化，能够令模型预测控制用于规划行为空间，胜于动作空间。 有关于此，主要问题是我们如何获得这种行为，因为它们可能是随机且不可预测的。 动态感知技能探索（DADS）方法提出了一种用于学习低级技能的无监督强化学习系统，其明确目标是促进基于模型的控制。 利用 DADS

新文章 时间序列的频域表示：功率谱 已发布： 在本文中，我们将讨论在频域中分析时间序列的相关方法。 构建预测模型时，强调检验时间序列功率谱的效用 在本文中，我们将讨论运用离散傅里叶变换（dft）在频域中分析时间序列获得的一些实用观点。 最后，我们可用预测模型误差分布的功率谱来评估它对过程建模的好坏。 为此，我们首先将预测模型与时间序列数据拟合，并计算残差或误差（预测值和实际值之间的差值）。 接下来，我们价差误差分布的功率谱。 一个好的预测模型将具有白噪声残差，这意味着误差分布的功率谱在所有频率上都应该相对平坦。

新文章 10 款趋势策略的比较分析已发布： 本文简要概述了十款趋势跟随策略, 及其测试结果和比较分析。基于所获结果, 我们得到相关趋势跟随交易之优缺点的一般性结论。 图例. 10 趋势跟随策略的入场点示例。 ‌ 图例. 10. 趋势策略 #9 的入场条件 作者：Alexander Fedosov

新文章 神经网络变得轻松（第四十三部分）：无需奖励函数精通技能 已发布： 强化学习的问题在于需要定义奖励函数。 它可能很复杂，或难以形式化。 为了定解这个问题，我们正在探索一些基于行动和基于环境的方式，无需明确的奖励函数即可学习技能。 为了测试训练模型的性能，我们采用 2023 年 5 月前两周的数据，这些数据不包括在训练集中，但紧随训练区间。 这种方式令我们能够在新数据上评估模型的性能，同时数据保持可比性，因为训练集和测试集之间没有时间间隔。 为了进行测试，我们使用了改编后的 “DIAYN\Test.mq5” EA。 所做的修改仅影响根据模型体系结构准备数据的算法，和源数据准备过程。

新文章 开发回放系统 — 市场模拟（第 12 部分）：模拟器的诞生（II） 已发布： 开发模拟器可能比看起来有趣得多。 今天，我们将朝着这个方向再走几步，因为事情变得越来越有趣。 尽管该系统看起来更加用户友好，但在柱线结构显示模式下运行时，您可能会注意到一些奇怪的事情。 这些不寻常的事情可以在下面的视频中看到。 不过，由于它们需要对代码中的某些地方进行修改，并且我不想让您认为这些东西是凭空出现的，因此我决定留下“漏洞”。 但也许主要原因是，在下一篇文章中，我将展示如何令系统更适合作为模拟器。 我不希望任何人来质疑我，为什么把已编好的模拟器放在下一篇文章中展示。 现在观看视频。

GMMA: Guppy 多重均线 (GMMA) 是一款基于均线组之间关系的指标，可供洞察两个市场主导群体的行为 - 交易者和投资者。 作者： Nikolay Kositsin

新文章 神经网络变得轻松（第四十二部分）：模型拖延症、原因和解决方案 已发布： 在强化学习的背景下，模型拖延症可能由多种原因引起。 本文研究了模型拖延症的一些可能原因，以及克服它们的方法。 模型拖延症的主要原因之一是训练环境不足。 模型也许会遇到访问训练数据受限，或资源不足的情况。 解决这个问题涉及创建或更新数据集，增加训练样本的多样性，并应用额外的训练资源 ，例如算力、或预训练模型进行转移训练。 模型拖延症的另一个原因也许出于它欲解决任务的复杂性，或者用到需大量计算资源的训练算法。 在这种情况下，解决方案也许是简化问题或算法，优化计算过程，并采用更高效的算法、或分布式学习。

新文章 开发回放系统 — 市场模拟（第 11 部分）：模拟器的诞生（I） 已发布： 为了依据数据形成柱线，我们必须放弃回放，并开始研发一款模拟器。 我们将采用 1-分钟柱线，因为它们所需的难度最小。 我们应该始终优先考虑易于阅读和理解的代码，而不是当需要调整或修改时，迫使我们花费数小时来弄清楚其行为的代码。 本文到此结束。 下面的视频展示了当前开发阶段的成果，它是用文章所附的内容创建的。 不过，我想提请注意使用模拟票据时出现的问题。 这涉及位移系统，或者搜索位置与回放服务所处位置不同。 仅当您使用模拟票据时，才会出现此问题。 在下一篇文章中，我们将解决和修复此故障，并进行其它改进。 作者：

New article 交易策略 has been published: 各种交易策略的分类都是任意的，下面这种分类强调从交易的基本概念上分类。 Author: Collector

New article 新手在交易中的10个基本错误 has been published: 新手在交易中会犯的10个基本错误: 在市场刚开始时交易, 获利时不适当地仓促, 在损失的时候追加投资, 从最好的仓位开始平仓, 翻本心理, 最优越的仓位, 用永远买进的规则进行交易, 在第一天就平掉获利的仓位,当发出建一个相反的仓位警示时平仓, 犹豫。 Author: Collector

iStochasticOfOsc: 所有的随机振荡器类指标, 包含于 MetaTrader 5 客户终端中。 作者： Dmitry Fedoseev

新文章 开发回放系统 — 市场模拟（第 10 部分）：仅用真实数据回放 已发布： 在此，我们将查看如何在回放系统中使用更可靠的数据（交易跳价），而不必担心它是否被调整。 在下面的视频中，您可以看到本文讲解的工作结果。 虽然有些东西也许还不可见，但观看视频会令您清楚地了解所有这些文章中回放/模拟系统的实现进度。 只需观看视频，并比较从一开始到现在的变化。 在下一篇文章中，我们将继续开发该系统，因为还有一些真正必要的功能需要实现。 作者： Daniel Jose

使用ONNX模型识别手写数字的示例 : 此EA不用于交易。使用标准Canvas库实现的简单面板允许您用鼠标绘制数字。经过测试的mnist.onnx模型用于识别数字。 作者： Slava

适应市场当前状态自动变参数的MA指标: 将箱体价格信息转为时间参数, 根据市场状态自适应绘制MA Author: okwh

新文章 神经网络变得轻松（第四十部分）：在大数据上运用 Go-Explore 已发布： 本文讨论 Go-Explore 算法覆盖长周期训练的运用，因为随着训练时间的增加，随机动作选择策略也许不会导致可盈利验算。 Go-Explore 算法随着训练周期的增加，浮现出一定的困难。 其中一些包括： 维度诅咒：随着训练周期的增加，代理者可以访问的状态数量呈指数级增长，这令查找最优策略变得更加困难。 环境变化：随着训练周期的增加，环境也许会发生变化，而这也许会影响代理者的学习成果。 这会导致以前成功的策略变得无效，甚至不可能。