新文章 如何利用 MQL5 创建简单的多币种智能交易系统（第 1 部分）：基于 ADX 指标的信号，并结合抛物线 SAR 已发布： 本文中的多币种智能交易系统是交易机器人，它只能在单一品种图表中运营，但可交易（开单、平单和管理订单）超过一个品种对。 本文中多币种智能交易系统的定义是交易机器人，它可从单一品种的图表中交易（开单、平单和管理订单）超过一个品种对。 当前对自动化交易系统、或多币种交易机器人系统的需求和兴趣非常高涨，但我们看到，在 MQL5 自动交易机器人上实现多币种系统程序尚未广泛发布，或也许仍被许多程序员保密。
新文章 神经网络变得轻松（第五十三部分）：奖励分解 已发布： 我们已经不止一次地讨论过正确选择奖励函数的重要性，我们通过为单独动作添加奖励或惩罚来刺激代理者的预期行为。但是关于由代理者解密我们的信号的问题仍旧悬而未决。在本文中，我们将探讨将单独信号传输至已训练代理者时的奖励分解。 我们继续探索强化学习方法。如您所知，机器学习领域中用于训练模型的所有算法都基于最大化环境奖励的范式。奖励函数在模型训练过程中起着关键作用。其信号往往非常模棱两可。
KDJ_Averages: KDJ 均值振荡器定义何时需要搜索入场条件。 不像 KDJ, 它是使用标准平滑方法计算的。 如果是默认设置，其 J 线稍快。 图例 1. KDJ 均值 作者： Scriptor
新文章 开发回放系统 — 市场模拟（第 23 部分）：外汇（IV） 已发布： 现在，创建发生在我们将跳价转换为柱线的同一点。以这种方式，如果在转换过程中出现问题，我们就能立即注意到错误。这是因为在快进期间，在图表上放置 1-分钟柱线的代码，也同样在正常表现期间用于定位系统放置柱线。换言之，负责此任务的代码不会在其它任何地方重复。如此这般，我们获得的系统就能更好的维护和改进。 在上一篇文章 《开发回放系统 — 市场模拟（第 22 部分）：外汇（III）》
新文章 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 已发布： 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。 如常，我们对模型在新数据上的绩效更感兴趣。依据 2023 年 6 月的历史数据在策略测试器中测试了模型对陌生数据的普适能力和绩效。正如我们所见，测试区间紧随训练集之后。这确保了训练和测试样本的最大同质性。测试结果呈现如下。 所呈现的图表展示出月度前十天有一段回撤区域。但之后是一段盈利期，一直持续到月底。因此，EA 在本月收获了 7.7%
新文章 在 ONNX 模型中使用 float16 和 float8 格式 已发布： 用于表示机器学习模型的数据格式对其有效性起着至关重要的作用。近年来，出现了几种新类型的数据，专门为使用深度学习模型而设计。在本文中，我们将重点介绍两种新的数据格式，它们已在现代模型中广泛采用。
新文章 MQL5 中的范畴论 (第 15 部分)：函子与图论 已发布： 本文是以 MQL5 实现范畴论，着眼于函子之系列的续篇，但这次是作为图论和集合之间的桥梁。我们重新审视日历数据，尽管它在策略测试器中存在使用局限，但在相关性的帮助下，可利用函子来预测波动性。 可以明显看出，有很多项目可供选择，不过，如果我们决定基于一个松散的假设只选择四个项目，并将它们连接起来，如下图所示： 那么我们的假设会颇具争议，零售销售数字是制造业采购经理人指数（PMI）数据的函数，其派生自 CPI，而 CPI
新文章 开发一个跨平台网格 EA已发布： 在本文中，我们将学习如何创建在 MetaTrader 4 和 MetaTrader 5 中都能工作的 EA 交易。为此，我们将开发一个 EA 构建的订单网格,网格是指将多个限价订单置于当前价格之上，同时将相同数量的限价订单置于当前价格之下的 EA 交易。 测试 EA 我们的 EA 开发好了，现在我们应该对其进行测试，并得出有关交易策略表现的结论。 由于我们的EA同时在MetaTrader 4和MetaTrader 5中工作，因此我们可以选择终端版本，在其中执行测试。虽然这里的选择很明显，MetaTrader...
新文章 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 已发布： 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！
持仓单一键平仓脚本 : 在手动或自动化交易中，一键平仓功能都是比较常用的，特别是在涉及风控管理的时候，能够快速止损，有效控制风险。这个脚本功能实现起来并不难，但在程序化实现的过程中，会有一些不同的应用场景。 作者： Wen Tao Xiong
新文章 在MQL5中置换价格柱 已发布： 在这篇文章中，我们提出了一种置换价格柱的算法，并详细说明了如何使用置换测试来识别策略性能被编造来欺骗 EA 交易的潜在买家的情况。 由于涉及多个系列，置换价格柱并不难实现。与置换分时数据类似，在处理价格柱时，我们努力保持原始价格序列的总体趋势。同样重要的是，我们绝不允许柱的打开或关闭分别超过或低于上限或下限的界限。目标是获得一系列具有与原始数据完全相同的特征分布的柱形图。
新文章 神经网络变得轻松（第五十一部分）：行为-指引的扮演者-评论者（BAC） 已发布： 最后两篇文章研究了软性扮演者-评论者算法，该算法将熵正则化整合到奖励函数当中。这种方式在环境探索和模型开发之间取得平衡，但它仅适用于随机模型。本文提出了一种替代方式，能适用于随机模型和确定性模型两者。 首先，我们谈谈研究环境的必要性。我想每个人都同意这个过程是必要的。但究竟是为了什么，在什么阶段？
新文章 创建多交易品种、多周期指标 已发布： 在本文中，我们将研究创建多交易品种、多周期指标的原则。我们还将了解如何从 EA 交易和其他指标中获取此类指标的数据。我们将探讨在 EA 交易和指标中使用多指标的主要功能，并将了解如何通过自定义指标缓冲区绘制它们。
新文章 神经网络变得轻松（第二部分）：网络训练和测试 已发布： 在第二篇文章中，我们将继续研究神经网络，并研究在智能交易系统当中调用我们所创建 CNet 类的示例。 我们将操控两个神经网络模型，它们在训练时间和预测准确性方面都表现出相似的结果。 第一个训练期强烈依赖于在初始阶段随机选择的神经网络的权重。 经过 35 期的训练，统计数据的差异略有增加 - 回归神经网络模型的效果更好： 数值 回归神经网络 分类神经网络 根均方误差 0.68 0.78 命中率 12.68% 11.22% 未识别的分形 20.22% 24.65%
新文章 开发回放系统 — 市场模拟（第 22 部分）：外汇（III） 已发布： 虽然这是关于这个主题的第三篇文章，但我必须为那些还不了解股票市场和外汇市场之间区别的人解释一下：最大的区别在于，在外汇中没有、或者更确切地说，我们得不到交易过程中有关一些实际发生关键处的信息。 为了找出我们是否应该使用模拟器来创建跳价，并且信息是用于外汇市场、亦或股票市场，我们可以使用 交易量 ！是的，确实是交易量！这正是它是如何做的。判定柱线文件是属于外汇（我们采用出价作为交易价格）、还是股票市场（我们采用最后成交价作为交易价格）的信息正是交易量。 如果您不明白这一点，我建议您查看下面的图像，您可以在其中看到含有
新文章 MQL5 中的范畴论 (第 14 部分)：线性序函子 已发布： 本文是更广泛关于以 MQL5 实现范畴论系列的一部分，深入探讨了函子（Functors）。我们实验了如何将线性序映射到集合，这要归功于函子；通过研究两组数据，典型情况下会忽略其间的任何联系。 海潮数据由美国国家海洋和大气管理局（NOAA）通过其网站发布并向公众提供，可在 此处 查看。该数据每天四次记录基准面的海潮高度。全年每天无间断记录每次潮汐时间和高度的全部数据。下面是一个预览： 所有海洋被划分为 4 个区域，每个区域内的潮汐值都来自许多观测站。例如，从南美洲智利一直到阿拉斯加的北美和南美西海岸，有 33
新文章 了解如何在MQL5中处理日期和时间 已发布： 这是一篇关于一个新的重要话题的新文章，这个话题是关于日期和时间的。作为交易工具的交易员或程序员，了解如何很好、有效地处理日期和时间这两个方面至关重要。因此，我将分享一些重要信息，关于我们如何处理日期和时间，以便顺利、简单地创建有效的交易工具。 金融市场领域的任何人都不会隐瞒时间的重要性，以及它如何影响交易决策和结果。MQL5（MetaQuotes Language
Exp_Slow-Stoch_Duplex: 两个相同的交易系统（针对多头和空头持仓）均基于 Slow-Stoch 指标信号，可以在一款智能交易系统中以不同方式配置 作者： Nikolay Kositsin
新文章 将您自己的LLM集成到EA中（第1部分）：硬件和环境部署 已发布： 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。 在本地部署LLM时，硬件配置是一个非常重要的部分。这里我们主要讨论主流PC，不讨论MacOS和其他小众产品。
新文章 掌握ONNX：MQL5交易者的游戏规则改变者 已发布： 深入ONNX的世界，这是一种用于交换机器学习模型的强大的开放标准格式。了解利用ONNX如何彻底改变MQL5中的算法交易，使交易员能够无缝集成尖端的人工智能模型，并将其策略提升到新的高度。揭开跨平台兼容性的秘密，学习如何在您的MQL5交易活动中释放ONNX的全部潜力。通过这篇掌握ONNX的全面指南提升您的交易游戏 。 不可否认，我们正处于人工智能和机器学习的时代，每天都有一种新的基于人工智能的技术部署在金融、艺术和游戏、教育以及生活的更多方面。
新文章 开发回放系统 — 市场模拟（第 21 部分）：外汇（II） 已发布： 我们将继续构建一个在外汇市场工作的系统。为了解决这个问题，我们必须在加载以前的柱线之前首先声明加载跳价。这解决了问题，但同时迫使用户遵循配置文件中的某些结构，就个人而言，这对我来说没有多大意义。原因是，通过设计一个负责分析和执行配置文件中内容的程序，我们可以允许用户按任何顺序声明他需要的元素。 在上一篇文章“ 开发回放系统 — 市场模拟（第 20 部分）：外汇（I） ”中，我们开始装配，或者更确切地说，调整回放/模拟系统。这样做是为了允许使用市场数据，例如外汇，以便至少能够进行市场回放。
新文章 从外汇市场的季节性获益 已发布： 我们都熟悉季节性的概念，例如，我们都习惯于冬季新鲜蔬菜价格的上涨或严重霜冻期间燃料价格的上涨，但很少有人知道外汇市场也存在类似的模式。 季节性是指在每个日历年的同一时期，价格经历类似且可预测的变化的现象。这些变化可能发生在特定的气象季节、作物季节、季度、月份、假期或非高峰期。季节性分析是商品市场的特点。例如，取暖油的需求存在季节性趋势，当需求上升时价格会上涨，当需求下降时价格会下降。大豆供应存在季节性趋势（与种植、种植和收割相关），通过创造模式影响价格。
Expert_RSI_Stochastic_MA:
此 EA 使用三款指标: MA(150), RSI(3) 级别为 80 和 20, 随机振荡(6, 3, 3) 级别为 70 和 30。开单方向基于 MA。入场取决于 RSI 和随机振荡。离场取决于随机振荡。
作者： Oksana Berenko
新文章 神经网络变得轻松（第五十部分）：软性扮演者-评价者（模型优化） 已发布： 在上一篇文章中，我们实现了软性扮演者-评论者算法，但未能训练出一个可盈利的模型。在此，我们将优化先前创建的模型，以期获得所需的结果。 我们继续研究软性扮演者-评论者算法。在 上一篇文章 中，我们实现了该算法，但未能训练出一个可盈利的模型。今天，我们将研究可能的解决方案。在“ 模型拖延症，原因和解决方案 ”一文中已经提过类似的问题。我建议扩展我们在这一领域的知识，并以我们的软性扮演者-评论者模型为例研究新方式。
新文章 暴力方式搜素形态（第 V 部分）：全新视角 已发布： 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。 我开始思考，当人们试图运用算法交易赚钱时，引导人们走向成功、或将人们带进死胡同的各种途径。理论上，已明示的就有若干路径： 正面交锋。 美丽画面。 现成的交易系统。 现代化和混合化的公开可用算法。 团队作战。
新文章 时间序列挖掘的数据标签（第3部分）：使用标签数据的示例 已发布： 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！ 本文介绍了如何通过MetaTrader5交易平台使用PyTorch Lightning和PyTorch Forecasting框架来实现基于神经网络的金融时间序列预测。 在本文中，我们还将解释选择这两个框架的原因以及我们使用的数据格式。
MACD 清洁工: 一款基于 iMACD（移动平均线收敛/发散，MACD）指标的智能交易系统 作者： Vladimir Karputov
您错过了交易机会：
- 免费交易应用程序
- 8,000+信号可供复制
- 探索金融市场的经济新闻
注册
登录