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。
新文章 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 已发布： 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。 Go-Explore 的主要思想是记忆并回归至更有前途的状态。 这是奖励数量有限时有效操作的基础。 这个思路是如此灵活和广泛，以至于可以经由多种途径实现。 与大多数强化学习算法不同，Go-Explore 并不专注于直接解决目标问题，而是专注于在状态空间中寻找可以导致达成目标状态的相关状态和动作。 为了达成这一点，该算法有两个主要阶段：搜索和重用。
新文章 开发回放系统 — 市场模拟（第 09 部分）：自定义事件 已发布： 在此，我们将见到自定义事件是如何被触发的，以及指标如何报告回放/模拟服务的状态。 在下面的视频中，我将演示当前开发阶段的系统。 我希望您喜欢这一系列文章，并希望它们能帮助您更好地研究 MetaTrader 5 平台，以及 MQL5 语言提供的能力。 作者： Daniel Jose
人气意愿指标BRAR : 由人气指标(AR)和意愿指标(BR)两个指标构成。AR指标和BR指标都是以分析为手段的技术指标。 作者： tottiss
新文章 如何用 MQL5 创建自定义真实强度指数指标 已发布： 这是一篇关于如何创建自定义指标的新文章。 这一次，我们将与真实强度指数（TSI）共事，并基于它创建一个智能系统。 正如我们所看到的，我们有 MA 类型、价格类型、快速 MA 周期和慢速 MA 周期的四个输入。 设置好首选项，并按确定后，我们可以发现 EA 已加载到图表上，其信号如下： 买入信号情况 正如我们在上图中看到的，根据我们的策略条件，我们在左上角有一个买入信号作为注释，如下所示： 买入信号 TSI 数值 fastMA 数值 slowMA 数值 作者： Mohamed Abdelmaaboud
新文章 复购算法：模拟多币种交易 已发布： 在本文中，我们将创建一个模拟多币种定价的数学模型，并针对多元化原理进行彻底研究，作为搜索提高交易效率机制的一部分，我在上一篇文章中已经开始了理论计算。 我们已经弄清楚了如何正确使用交易系统，包括复购算法，以便能通过自动和手动交易尽可能高效和安全地赚钱。 对于正确组合交易系统，资金管理和其它各种状况的计算，值得另写一篇文章，我计划稍后会写。 我添加了这一章节，如此您可以清楚地看到这一事实，复购算法是一种可操作的策略。 为此，我创建了一个测试 EA，它复现了我们的数学模型，唯一的区别是它也处理上部半波（卖出交易周期）。 我发现了一些设置，证明了为
新文章 理解并有效地使用 MQL5 策略测试器 已发布： 对于 MQL5 程序员或开发人员，一项基本需求就是掌握那些重要且颇具价值的工具。 其中一个工具是策略测试器，本文是理解和使用 MQL5 策略测试器的实用指南。 如果我们移到设置选项卡，我们将得到如下内容： 1- 智能系统：选择我们需要测试的程序文件。 2- IDE：打开所选程序的源代码。 3- 保存或加载特定设置。 4- 品种：选择我们需要测试的品种。 5- 为选定品种选择测试的时间帧。 6- 用于所选品种的规格。 7-日期：选择我们需要测试的时间段。 8- 选择测试的开始日期。 9- 选择测试的结束日期。 10-
新文章 MQL5 中的范畴论 (第 8 部分)：幺半群（Monoids） 已发布： 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。 为了描绘幺半群在交易者中的可能应用，我们要考虑 5 个决定，都是某些或大多数交易者在执行交易之前也许会面临的。 这些是： 要考虑回溯期的长度。 要使用的图表时间帧。 要使用的应用价格。 要选择的指标。 以及，这些给定信息，是否采取区间或趋势进行交易。 对于这些决定中的每一个，我们将跟进： 一组可供选择的可能数值; 一种二元运算，可在任意两个元素之间进行选择。
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