添加新文章
利用CatBoost机器学习模型作为趋势跟踪策略的过滤器

利用CatBoost机器学习模型作为趋势跟踪策略的过滤器

CatBoost是一种强大的基于树的机器学习模型，擅长基于静态特征进行决策。其他基于树的模型，如XGBoost和随机森林（Random Forest），在稳健性、处理复杂模式的能力以及可解释性方面具有相似特性。这些模型应用广泛，可用于特征分析、风险管理等多个领域。在本文中，我们将逐步介绍如何将训练好的CatBoost模型用作经典移动平均线交叉趋势跟踪策略的过滤器。
从基础到中级：数组（一）

从基础到中级：数组（一）

本文是迄今为止所讨论的内容与新的研究阶段之间的过渡。要理解这篇文章，您需要阅读前面的文章。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
股票交易中的非线性回归模型

股票交易中的非线性回归模型

股票交易中的非线性回归模型：能否预测金融市场？让我们考虑创建一个用于预测欧元兑美元（EURUSD）汇率的模型，并基于此模型制作两个交易机器人——分别使用Python和MQL5语言。
价格行为分析工具箱开发（第三部分）：分析大师 —EA

价格行为分析工具箱开发（第三部分）：分析大师 —EA

从一个简单的交易脚本升级到一个功能完备的智能交易系统（EA），可以极大地提升您的交易体验。想象一下，拥有一个能够自动监控您的图表、在后台执行关键计算，并每隔两小时提供定期更新的系统。这款EA将配备分析关键指标的功能，而这些指标对于做出明智的交易决策至关重要，从而确保您能获取最新信息，以有效地调整您的交易策略。
基于交易量的神经网络分析：未来趋势的关键

基于交易量的神经网络分析：未来趋势的关键

本文探讨了通过将技术分析原理与 LSTM 神经网络架构相结合，基于交易量分析来改进价格预测准确性的可能性。文章特别关注异常交易量的检测与解读、聚类方法的使用，以及基于交易量的特征创建及其在机器学习背景下的定义。
在Python中使用Numba对交易策略进行快速测试

在Python中使用Numba对交易策略进行快速测试

本文实现了一个快速策略测试器，它使用Numba对机器学习模型进行快速策略测试。它的速度比纯 Python 策略回测器快 50 倍。作者推荐使用该库来加速数学计算，尤其是那些涉及循环的计算。
开发回放系统（第 69 部分）：取得正确的时间（二）

开发回放系统（第 69 部分）：取得正确的时间（二）

今天我们将看看为什么我们需要 iSpread 功能。同时，我们将了解当没有可用的分时报价时，系统如何通知我们柱形的剩余时间。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
原子轨道搜索（AOS）算法

原子轨道搜索（AOS）算法

本文探讨了原子轨道搜索（Atomic Orbital Search，AOS）算法，该算法运用原子轨道模型的概念来模拟解的搜索过程。此算法基于概率分布以及原子内相互作用的动力学原理。本文详细阐述了关于AOS算法的数学层面，包括候选解位置的更新方式，以及能量吸收与释放的机制。AOS算法通过为计算问题提供一种创新的优化方法，为将量子原理应用于计算问题开辟了新思路。
周期与交易

周期与交易

本文将探讨如何在交易中运用周期理论。我们将考虑基于周期模型构建交易策略。
市场轮廓指标

市场轮廓指标

在本文中，我们将探讨市场轮廓指标。我们将探究这个名称背后隐藏的内容，尝试理解其运行原理，并分析其程序代码（MarketProfile）。
MQL5中的逐步特征选择

MQL5中的逐步特征选择

在本文中，我们介绍一个在MQL5中实现的逐步特征选择算法的改进版本。这种方法基于Timothy Masters在其著作《C++和CUDA C中的现代数据挖掘算法》中概述的技术。
使用Python与MQL5进行多个交易品种分析（第二部分）：主成分分析在投资组合优化中的应用

使用Python与MQL5进行多个交易品种分析（第二部分）：主成分分析在投资组合优化中的应用

交易账户风险管理是所有交易者面临的共同挑战。我们如何在MetaTrader 5中开发能够动态学习不同交易品种的高、中、低风险模式的交易应用？通过主成分分析（PCA），我们可以更有效地控制投资组合的方差。本文将演示如何从MetaTrader 5获取的市场数据中，训练出这三种风险模式的交易模型。
构建K线趋势约束模型（第九部分）：多策略EA（2）

构建K线趋势约束模型（第九部分）：多策略EA（2）

理论上，可以集成至EA中的策略数量没有上限。然而，每新增一种策略都会提升算法复杂度。通过融合多策略架构，EA能够更灵活地适应不同市场环境，从而可能提升整体盈利能力。今天，我们将探讨如何通过MQL5实现理查德·唐奇安（Richard Donchian）的经典通道突破策略，以此进一步拓展我们的趋势约束型EA功能体系。
基于主成分的特征选择与降维

基于主成分的特征选择与降维

本文深入探讨了改进型前向选择成分分析（Forward Selection Component Analysis，FSCA）算法的实现，该算法灵感源自Luca Puggini和Sean McLoone在《前向选择成分分析：算法与应用》一文中所提出的研究。
交易中的神经网络：对比形态变换器（终章）

交易中的神经网络：对比形态变换器（终章）

在本系列的上一篇文章中，我们考察了“原子-基序对比变换器”（AMCT）框架，其用对比学习来发现各个级别的关键形态，从基本元素到复杂结构。在本文中，我们将继续利用 MQL5 实现 AMCT 方式。
名义变量的序数编码

名义变量的序数编码

在本文中，我们将讨论并演示如何使用Python和MQL5将名义预测变量转换为适合机器学习算法的数值格式。
创建一个基于布林带PIRANHA策略的MQL5 EA

创建一个基于布林带PIRANHA策略的MQL5 EA

在本文中，我们将创建一个MQL5 EA，它基于PIRANHA策略，并使用布林带来提升交易表现。我们会系统梳理该策略的核心原理、代码实现细节，以及测试与优化方法。并助您轻松将 EA 部署到实际的交易环境中。
人工喷淋算法（ASHA）

人工喷淋算法（ASHA）

本文介绍了人工喷淋算法（Artificial Showering Algorithm，ASHA），这是一种为解决一般优化问题而开发的新型元启发式方法。基于对水流和积聚过程的模拟，该算法构建了理想场的概念，其中要求每个资源单元（水）找到最优解。我们将了解 ASHA 如何调整流和累积原则来有效地分配搜索空间中的资源，并查看其实现和测试结果。
交易中的神经网络：对比形态变换器

交易中的神经网络：对比形态变换器

对比变换器在设计上基于单根烛条水平和整个形态来分析行情。这有助于提升行情趋势建模的品质。甚至，运用对比学习来统调烛条和形态的表示、促进自我调节，并提升预测的准确性。
从新手到专家：MQL5中的协作式调试指南

从新手到专家：MQL5中的协作式调试指南

问题解决法能为掌握复杂技能（如MQL5编程）构建高效路径。该方法让您在专注攻克问题的同时，潜移默化地提升技能水平。解决的难题越多，大脑积累的专业知识就越深厚。就我个人而言，调试是精通编程最有效的途径。本文将带你逐步梳理代码清理流程，并探讨将杂乱程序转化为简洁高效代码的核心技巧。阅读本文，洞悉其中的宝贵见解。