畅销市场
大多数可免费下载的产品
畅销市场
已发布文章 "开发回放系统 — 市场模拟(第 23 部分):外汇(IV)"。

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。
已发布文章 "MacOS 上的 MetaTrader 4"。

我们为 macOS 上的 MetaTrader 4 交易平台提供了专用的安装程序。它是一个功能齐全的向导,允许您以本机方式安装应用程序。安装程序执行所有必需的步骤:它识别您的系统,下载并安装最新的 Wine 版本,对其进行配置,然后在其中安装 MetaTrader。所有步骤都在自动模式下完成,您可以在安装后立即开始使用平台。
大多数可免费下载的产品
畅销市场
已发布文章 "利用 MQL5 的交互式 GUI 改进您的交易图表(第 III 部分):简易可移动交易 GUI"。

加入我们的《利用 MQL5 的交互式 GUI 改进您的交易图表》系列的第 III 部分,我们将探索将交互式 GUI 集成到 MQL5 中的可移动交易仪表板之中。本文建立在第 I 部分和第 II 部分的基础上,指导读者将静态交易仪表板转换为动态、可移动的。
大多数可免费下载的产品
本月下载最多代码
- 来自"MQL5算法交易的神经网络"教程的示例 "MQL5算法交易的神经网络"教程是一本全面的操作指南,涵盖了人工智能和神经网络的理论基础,以及使用MQL5编程语言在金融交易应用的实践方面。
- 交易时段指标 本指标基于 DRAW_FILLING 缓存区。输入参数无, 使用了 TimeTradeServer(), TimeGMT() 函数。
- 蜡烛结束时间和点差 此指标在同一时间显示当前点差和距收盘的剩余时间 (蜡烛条)。
本月阅读最多文章

在本文中,我们演示了一种在流行的Linux版本(Ubuntu和Debian)上安装MetaTrader 5的简单方法。这些系统广泛用于服务器硬件以及交易者的个人计算机上。

在本文中,我们演示了一种在流行的Linux版本(Ubuntu和Debian)上安装MetaTrader 4的简单方法。这些系统广泛用于服务器硬件以及交易者的个人计算机上。

我们为 macOS 上的 MetaTrader 4 交易平台提供了专用的安装程序。它是一个功能齐全的向导,允许您以本机方式安装应用程序。安装程序执行所有必需的步骤:它识别您的系统,下载并安装最新的 Wine 版本,对其进行配置,然后在其中安装 MetaTrader。所有步骤都在自动模式下完成,您可以在安装后立即开始使用平台。
畅销市场
大多数可免费下载的产品
畅销市场
2 新信号 现在可以订阅:
已发布文章 "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"。

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。
已发布文章 "在 ONNX 模型中使用 float16 和 float8 格式"。

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。
已发布文章 "MQL5 中的范畴论 (第 15 部分):函子与图论"。

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。
大多数可免费下载的产品
畅销市场
本周下载最多代码
- 蜡烛结束时间和点差 此指标在同一时间显示当前点差和距收盘的剩余时间 (蜡烛条)。
- 交易时段指标 本指标基于 DRAW_FILLING 缓存区。输入参数无, 使用了 TimeTradeServer(), TimeGMT() 函数。
- 来自"MQL5算法交易的神经网络"教程的示例 "MQL5算法交易的神经网络"教程是一本全面的操作指南,涵盖了人工智能和神经网络的理论基础,以及使用MQL5编程语言在金融交易应用的实践方面。
本周阅读最多文章

在本文中,我们演示了一种在流行的Linux版本(Ubuntu和Debian)上安装MetaTrader 5的简单方法。这些系统广泛用于服务器硬件以及交易者的个人计算机上。

在本文中,我们演示了一种在流行的Linux版本(Ubuntu和Debian)上安装MetaTrader 4的简单方法。这些系统广泛用于服务器硬件以及交易者的个人计算机上。

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。
大多数可免费下载的产品
畅销市场
3 新信号 现在可以订阅:
大多数可免费下载的产品
畅销市场
已发布文章 "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"。

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!