添加新文章
基于Python的CFTC数据挖掘与AI预测模型构建
基于Python的CFTC数据挖掘与AI预测模型构建
让我们尝试挖掘CFTC数据，通过Python下载COT和TFF报告，将其与MetaTrader 5行情数据及AI模型相结合，并生成预测。外汇市场中的COT报告是什么？如何利用COT和TFF报告进行行情预测？
挖掘央行资产负债表数据，描绘全球流动性全貌
挖掘央行资产负债表数据，描绘全球流动性全貌
挖掘各国央行资产负债表数据，能够厘清外汇市场与主要币种的全球流动性现状。我们整合美联储、欧洲央行、日本央行、中国人民银行的数据构建综合指数，并借助机器学习挖掘潜藏规律。该方法融合基本面与技术分析，将原始数据转化为可落地的交易信号。
面向外汇市场的CAPM模型指标
面向外汇市场的CAPM模型指标
在MQL5中实现面向外汇市场的经典CAPM模型适配。本指标基于历史波动率计算预期收益率与风险溢价。指标会在价格高点与低点处出现明显抬升，反映资产定价的基本原理。可实际应用于逆势策略与趋势跟踪策略，实时考量风险收益比的动态变化。本文包含相关数学原理与技术实现代码。
神经网络在交易中的应用：市场异常的自适应检测（DADA）
神经网络在交易中的应用：市场异常的自适应检测（DADA）
我们诚邀您了解 DADA 框架，这是一种用于检测时间序列异常的创新方法。它有助于区分随机波动和可疑偏差。与传统方法不同，DADA 具有灵活性，能够适应不同的数据。它没有采用固定的压缩级别，而是提供了多种选项，并为每种情况选择最合适的选项。
数据科学与机器学习（第四十二部分）：使用Python中的ARIMA模型进行外汇时间序列预测 —— 您需要了解的一切
数据科学与机器学习（第四十二部分）：使用Python中的ARIMA模型进行外汇时间序列预测 —— 您需要了解的一切
ARIMA，全称为自回归积分移动平均模型，是一种效果出色的传统时间序列预测模型。该模型能够捕捉时间序列数据中的突增与波动，可对后续数值做出精准预测。在本文中，我们将了解什么是ARIMA、如何运行，以及如何利用它高精度预测市场下一期价格，还有更多相关实用内容。
博弈论方法在交易算法中的应用
博弈论方法在交易算法中的应用
我们正在基于深度Q网络（DQN）机器学习技术，结合多维因果推理，开发一款自适应、自学习的交易 EA。该 EA 将能够同时成功交易 7 个货币对。不同货币对的智能体之间会相互交换信息。
你应该了解的 MQL5 向导技巧（第67部分）：使用 TRIX 和威廉百分比范围的形态
你应该了解的 MQL5 向导技巧（第67部分）：使用 TRIX 和威廉百分比范围的形态
三重指数平滑摆动指标（TRIX）与威廉百分比指标，是另一组可在 MQL5 智能交易系统（EA）中搭配使用的技术指标。和我们此前介绍的指标组合一样，这组指标同样具备互补性：TRIX 用于判断趋势，威廉百分比指标则确认支撑位与阻力位。按照惯例，我们借助 MQL5 向导，测试这两个指标组合的实战可行性。
确定性振荡搜索（DOS）
确定性振荡搜索（DOS）
确定性振荡搜索（DOS）算法是一种创新的全局优化方法，它结合了梯度算法与群体算法的优点，且不使用任何随机数。适应度振荡与斜率机制使得DOS能够以确定性方式探索复杂的搜索空间。
您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态
您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态
分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。
外汇套利交易：汇率关系评估面板
外汇套利交易：汇率关系评估面板
本文介绍了在 MQL5 中开发套利分析面板的过程。如何通过不同方式在外汇交易中获得公允的汇率？制定一个指标，以获取市场价格与公允汇率之间的偏差，并评估一种货币兑换为另一种货币的套利方式（如三角套利）的收益。
价格走势：数学模型与技术分析
价格走势：数学模型与技术分析
预测货币对走势是交易成功的重要因素。本文剖析各类价格运行模型，对比其优劣特性，并探究模型在交易策略中的实际落地方式。文中将介绍能够挖掘潜在行情规律、提升预测精准度的分析方法。
在MQL5中实现盈亏平衡机制（第一部分）：基类与固定点数的盈亏平衡模式
在MQL5中实现盈亏平衡机制（第一部分）：基类与固定点数的盈亏平衡模式
本文将探讨如何使用MQL5语言，在自动化交易策略中应用盈亏平衡机制。我们会先简要介绍什么是盈亏平衡模式、其实现方式以及可能存在的不同类型。随后，该功能将被集成到我们在上一篇关于风险管理的文章中所构建的Order Blocks智能交易系统（EA）中。为评估盈亏平衡机制的效果，我们会在特定条件下进行两组回测：一组启用盈亏平衡机制，另一组则不启用。
骆驼算法（CA）
骆驼算法（CA）
骆驼算法（CA）于 2016 年被提出，该算法模拟沙漠中骆驼的行为特征来求解优化问题，同时考量温度、供给储备和耐力三大因素。本文还提出了该算法的改进版本（CAm），核心改进包括：在解的生成过程中引入高斯分布，并对绿洲效应参数进行优化。
基于分形的算法（FBA）
基于分形的算法（FBA）
本文提出了一种新型元启发式算法，该算法基于分形思想对搜索空间进行划分，以求解优化问题。该算法通过逐步识别并分离有前景的区域，构建出自相似的分形结构，从而将计算资源集中到最有前景的搜索区域。其独特的、面向更优解的变异机制，有助于在搜索空间的全局探索与局部开发之间取得良好的平衡，显著提升了算法效率。
大逃杀优化器（BRO）
大逃杀优化器（BRO）
本文探讨了大逃杀优化器算法 —— 这是一种元启发式算法，其中各解与其最近邻进行竞争，累积"伤害"，当超过阈值时被替换，并周期性地在当前最优解周围缩小搜索空间。文章提供了CAOBRO类的伪代码及MQL5中的实现，包括邻近搜索、向最优解移动以及自适应δ间隔。在Hilly、Forest和Megacity测试函数上的实验结果突出了该方法的优势与局限性。读者可以获得一套开箱即用的基础框架，用于实验和调优关键参数，如种群大小（popSize） 和最大伤害值（maxDamage）。
价格行为分析工具包开发（第三十三部分）：K线区间理论工具
价格行为分析工具包开发（第三十三部分）：K线区间理论工具
提升您对市场的解读能力，这款适用于MetaTrader 5的K线区间理论套件是完全原生的MQL5解决方案，能将原始K线数据转化为实时波动率情报。轻量级的CRangePattern库会将每根K线的真实波幅与自适应ATR进行基准对比，并在K线收盘的瞬间完成形态分类；CRT指标随后会将这些分类结果以清晰的彩色矩形和箭头形式呈现在图表上，实时揭示市场的缩量盘整、强势突破以及全区间吞没形态。
经典策略重构（第14部分）：多策略分析
经典策略重构（第14部分）：多策略分析
在本文中，我们继续探讨如何构建多策略组合体系，并使用 MT5 遗传算法优化器对策略参数进行调优。本次我们使用 Python 对数据进行分析，结果表明：我们的模型能更准确地预判哪一个策略会表现更优，其预测精度高于直接预测市场收益率。然而，当我们使用这些统计模型对应用程序进行测试时，性能却大幅下滑。我们随后发现，遗憾的是，遗传优化器偏向了高度相关的策略，这促使我们修改方案：将投票权重固定，转而让优化器专注于优化指标参数。
MetaTrader 5 机器学习蓝图（第一部分）：数据泄露与时间戳修正
MetaTrader 5 机器学习蓝图（第一部分）：数据泄露与时间戳修正
在开始将机器学习用于 MetaTrader 5 交易之前，必须先处理一个常被忽视的关键问题：数据泄露。本文深入剖析了数据泄露，尤其是 MetaTrader 5 时间戳陷阱，说明它如何扭曲模型表现并导致不可靠的交易信号。通过深入研究这一问题的机理并提出预防策略，我们为构建稳健的机器学习模型铺平了道路，这些模型能够在实时交易环境中提供值得信赖的预测结果。