|
2 年
经验
|
0
产品
|
0
演示版
|
|
0
工作
|
0
信号
|
0
订阅者
|
MQL5 为 OpenCL 提供原生支持已逾一年。但是，见证到并行计算在其 EA 交易、指标或脚本中使用的真正价值的用户并不是很多。本文旨在帮助您安装并在自己的计算机上设置 OpenCL，让您能够在 MetaTrader 5 交易终端中尝试使用此技术。
本文讲述的是利用 MQL5 向导和 Hlaiman EA 生成器自动创建神经网络 EA 的一种方法。向您展示如何轻松开始神经网络的使用，且无需学习整体的理论知识，也不必编写自己的代码。
本文提供了一种走势延续模型的程序化定义。 主要思路是定义两个波浪 — 主浪和修正浪。 对于极值点，我应用分形以及“潜在”分形 - 尚未形成分形的极值点。
本文涵盖的内容是提出了进化算法主要原则，以及它们的特点和多样性。我们将使用一个简单的EA交易作为实例来做实验，来展示如何通过优化使我们的交易系统获益，我们将探讨在软件程序中实现遗传、进化以及其它类型的优化，并且在优化交易系统的预测器集合与参数时提供示例程序。
现在，每一位交易者肯定听说过神经网络并知道使用它们有多酷。大多数人相信那些能够使用神经网络的人是某种超人。在本文中，我将尝试向您解释神经网络架构，描述其应用并提供几个实践例子。
本文是前一篇名为“逆转形态：测试双顶/双底形态”的后续文章。 现在我们将会看到另一个著名的逆转形态，称为头肩，比较两种形态的交易效率，并尝试将它们合并成为单一的交易系统。
本文致力于介绍一种新的有前景的机器学习方向 — 深度学习或者更准确的说，深度神经网络。简要回顾第二代神经网络，它们的连结架构和主要类型，学习的方法和规则以及缺点，随后介绍第三代神经网络的发展，它们的主要类型，特点和学习方法。创建并训练一个深度神经网络，由真实数据通过堆栈式自动编码器权重进行初始化。从输入数据的选择到数量化求解的所有步骤都会详细讲述。文章的最后部分包含一个深度神经网络的EA实例，其中带有一个MQL4/R的内置指标。
检测行情是否处于横盘对于许多策略来说是至关必要的。我们使用高知名度的 ADX 来展示如何利用策略测试器, 不但可以根据我们的特殊目的来优化指标, 而且我们也能判断指标是否符合我们的需要, 得到横盘和趋势行情的均值, 这对于判断行情的止损和目标是十分重要的。
使用虚拟交易，你可以创建一个自适应的 Expert Advisor，在真实市场上打开和关闭交易。 将多个策略组合到一个 Expert Advisor 内！ 你的多系统 Expert Advisor 会根据虚拟交易的获利能力，自动选择进行真实市场交易的最佳策略。 这种方法可以降低亏损并增加你在市场上操作的获利能力。 进行实验并跟其他人分享你的结果吧！ 我想，很多人会对你的策略组合感兴趣。
这是“面向初学者的 MQL4 语言”系列的第三篇文章。现在我们将学习使用内置函数和用于技术指标的函数。后者对于以后开发你自己的 Expert Advisor 和指标至关重要。另外，我们将通过一个简答的例子，解释如何追踪进入市场的交易信号，以及如何正确使用指标。在文章的末尾，你将学到一些关于语言本身的新鲜有趣的内容。
这是“面向初学者的 MQL4 语言”系列的第四篇文章。今天我们将学习编写自定义指标。我们将熟悉指标特征的分类，了解这些特征如何影响指标，学习新函数和优化方法，最后就是编写我们自己的指标。此外，本文末尾处提供了有关编程风格的建议。如果这是你阅读的第一篇“面向初学者”文章，那你最好抽空读读之前的几篇文章。此外，确保你已经正确理解了之前学过的材料，因为本文不介绍基础知识。
预测金融时间序列是任何投资活动的必备元素。投资本身的概念是投入现有的资金以在未来获利，而这个概念又基于预测未来的概念。因此，预测金融时间序列是整个投资行业（包括所有有组织的交易所和其他证券交易系统）的投资活动的基础。
指标反映了显示市场近期事件的趋势线。该指标的开发考虑了 Thomas Demark 有关技术分析的建议和方法。指标显示了趋势的最后方向和趋势的倒数第二个相反方向。
本文将利用一个简单的例子为你演示如何通过 FANN2MQL 来使用神经网络：教给神经网络一个简单的模式，然后测试它是否能够识别从未见过的模式。
本文探讨了 DLL 库 - 包装程序的创建，它能使 MetaTrader 4 和 MATLAB 数学桌面包进行交互。 文章对其中的“陷阱”以及克服的方法进行了介绍。 本文面向的读者是使用 Borland C++ Builder 6 编译器且具有 C/C++ 基础的程序员。
本文详细描述了由 Thomas DeMark 发现的 TD 点和 TD 线。揭示了它们的实际实现。除此之外, 还展示了使用 Thomas DeMark 的概念编写三款指标, 两款智能交易程序的过程。
本文是有关深度神经网络和预测器选择的前文之续篇。在此我们将涵盖由栈式 RBM 初始化的深度神经网络特性, 以及它在 "darch" 软件包里的实现。