Add a new article
山型或冰山型图表
山型或冰山型图表
您如何看待往 MetaTrader 5 平台里添加新图表类型的想法？ 有人说它缺少其它平台里提供的一些东西。 但事实是，MetaTrader 5 是一个非常实用的平台，因为它允许您做到在许多其它平台上无法完成（或至少不能轻松完成）的事情。
神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法
神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法
在本系列的前几篇文章中，我们见识到两种增强的学习算法。 它们中的每一个都有自己的优点和缺点。 正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。 这将弥补它们每种的短处。 本文将讨论其中一种方法。
从头开始开发智能交易系统（第 29 部分）：谈话平台
从头开始开发智能交易系统（第 29 部分）：谈话平台
在本文中，我们将学习如何让 MetaTrader 5 平台谈话。 我们如何才能让 EA 更有趣呢？ 金融市场交易往往过于无聊和单调，但我们能够令这项工作少些无趣。 请注意，对于那些经历过上瘾等问题的人来说，这个项目可能是危险的。 然而，在一般情况下，它只会让事情聊胜于无。
学习如何基于 DeMarker 设计交易系统
学习如何基于 DeMarker 设计交易系统
此为我们系列中的一篇新文章，介绍如何基于最流行的技术指标设计交易系统。 在本文中，我们将介绍如何基于 DeMarker 指标创建交易系统。
神经网络变得轻松（第二十八部分）：政策梯度算法
神经网络变得轻松（第二十八部分）：政策梯度算法
我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。
学习如何基于 VIDYA 设计交易系统
学习如何基于 VIDYA 设计交易系统
欢迎阅读我们的关于学习如何依据最流行的技术指标设计交易系统系列的新篇章，在本文中，我们将学习一种新的技术工具，并学习如何依据可变指数动态平均线（VIDYA）设计交易系统。
神经网络变得轻松（第二十六部分）：强化学习
神经网络变得轻松（第二十六部分）：强化学习
我们继续研究机器学习方法。 自本文，我们开始另一个大话题，强化学习。 这种方式允许为模型设置某些策略来解决问题。 我们可以预期，强化学习的这种特性将为构建交易策略开辟新的视野。
DIY 技术指标
DIY 技术指标
在本文中，我将研究允许您创建自己的技术指标的算法。 您将学到如何通过非常简单的初始假设，来获得非常复杂和有趣的结果。
市场数学：盈利、亏损、和成本
市场数学：盈利、亏损、和成本
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。
MQL5 中的矩阵和向量操作
MQL5 中的矩阵和向量操作
MQL5 中引入了矩阵和向量，用于实现数学解决方案的高效操作。 新类型提供了内置方法，能够创建接近数学标记符号的简洁易懂的代码。 数组提供了广泛的功能，但在很多情况下，矩阵的效率要高得多。
神经网络变得轻松（第二十四部分）：改进迁移学习工具
神经网络变得轻松（第二十四部分）：改进迁移学习工具
在上一篇文章中，我们创建了一款用于创建和编辑神经网络架构的工具。 今天我们将继续打造这款工具。 我们将努力令其对用户更加友好。 也许可以看到，我们的主题往上更进一步。 但是，您不认为规划良好的工作空间在实现结果方面起着重要作用吗？
群体优化算法
群体优化算法
这是一篇关于优化算法（OA）分类的介绍性文章。 本文尝试创建一个测试基台（一组函数），用于比较 OA，并可识别所有广为人知的算法中最通用的算法。
利用对象轻松制作复杂指标
利用对象轻松制作复杂指标
本文提供了一种创建复杂指标的方法，同时还避免了在处置多个作图板、缓冲区、和/或组合来自多个来源的数据时出现的问题。
CCI 指标。 三个变换步骤
CCI 指标。 三个变换步骤
在本文中，我将针对 CCI 进行额外的修改，从而影响该指标的逻辑。 进而，我们就能够在主图表窗口中看到它。
数据科学与机器学习（第 06 部分）：梯度下降
数据科学与机器学习（第 06 部分）：梯度下降
梯度下降在训练神经网络和许多机器学习算法中起着重要作用。 它是一种快速而智能的算法，尽管它的工作令人印象深刻，但它仍然被许多数据科学家误解，我们来看看有关它的全部。