交易中的神经网络:异质性感知元参数学习(关键组件)

交易中的神经网络:异质性感知元参数学习(关键组件)

在本文中,我们将详细探讨用于实现HimNet框架关键组件的算法。 我们展示了如何仅通过极少数量的可训练组件,就能够在整个系统中实现高度的一致性和可控性。 所呈现的实现方案结构紧凑、清晰易懂,因此更容易适配实际市场任务。
基于 GPT 语言模型的交易机器人

基于 GPT 语言模型的交易机器人

本文介绍了 TimeGPT 的完整实现。这是一种基于 Transformer 的专用架构,用于在 MetaTrader 5 平台上预测金融时间序列。文中讨论了注意力机制对金融数据的适配、价格变化的选择性令牌化(tokenization)、面向硬件特性的优化以及先进的学习技术。文中还包括实际测试结果:在 24 根 K 线的预测跨度上达到 87% 的预测准确率,且在 CPU 上训练仅需 15 分钟。我们还提供了一个可直接使用、带自动重训练功能的交易 EA。
交易中的神经网络:异质性感知元参数学习(HimNet)

交易中的神经网络:异质性感知元参数学习(HimNet)

我们诚邀您探索HimNet框架,该框架将时空自适应的灵活性与高计算效率相结合,能够对金融时间序列进行准确且稳定的预测。 本文详细阐述了其关键组件之间如何相互作用,从而将复杂的算法转化为易于管理的架构。
MQL5自优化智能交易系统(第十四部分):将数据变换视为反馈控制器的可调参数

MQL5自优化智能交易系统(第十四部分):将数据变换视为反馈控制器的可调参数

数据预处理是一项作用强大,却极易被忽视的调参手段。它总是隐于“主角”们的光环之下:各类优化器、光鲜新颖的模型架构抢占了大部分的关注度。在预处理环节哪怕只是小幅提升,也会对收益与风险产生不成比例的、复利式的巨大影响。这一尚有大量探索空间的研究内容,往往被简化成一套固定流程,仅仅被当作达成目标的手段。实际上在此处信号既可能被有效放大,也同样可能遭到破坏。
基于N-BEATS网络的外汇EA

基于N-BEATS网络的外汇EA

在MetaTrader 5中实现面向外汇交易的N-BEATS架构,支持分位数预测与自适应风险管理。本架构通过双线性归一化、适配金融数据的专用损失函数完成改造。基于2025年数据的回测结果显示模型无法产生盈利,印证了理论成果与实际交易表现之间存在差距。
基于PatchTST的神经网络交易EA

基于PatchTST的神经网络交易EA

本文介绍了PatchTST这一革新性架构,它是专为金融时序分析定制的Transformer模型,将市场数据切分为16根K线的补丁块,以此实现高效运算。我们将讲解基于MQL5的交易机器人完整实现方案,涵盖从数学原理、数据结构,到自带风控与持续学习系统的成品EA。
交易中的神经网络:时间序列查询模型(结论)

交易中的神经网络:时间序列查询模型(结论)

我们很高兴为大家带来TQNet框架开发与测试的最终阶段,将理论落实到真实交易场景中。我们将从历史样本训练转入基于近期市场数据的压力测试,以此评估模型的稳健性与预测精度。最终结果不只是枯燥的统计指标,更是对这套方案实际价值的直观证明。
从新手到专家:使用MQL5实现动态新闻标题(X)——新闻交易的多品种图表视图

从新手到专家:使用MQL5实现动态新闻标题(X)——新闻交易的多品种图表视图

今天,我们将基于图表对象开发一套多图表视图系统。开发目标是服务于新闻交易,借助MQL5算法,缩短交易者在重大新闻发布等高波动行情下的反应时间。在本示例中,我们为交易者提供一体化方案,可以在同一个新闻交易工具内同时监控多个主流交易品种。我们的开发在新闻标题EA(News Headline EA)的基础上持续迭代,目前该EA的功能还在不断扩充,无论是全自动策略使用者,还是依靠算法辅助手工交易的交易者,都能从中获得实际帮助。欢迎点击阅读、参与讨论,一起学习更多知识、思路与实战方案。
交易中的神经网络:以分解替代规模化 —— 模块构建

交易中的神经网络:以分解替代规模化 —— 模块构建

本文我们继续实操讲解SSCNN —— 一款能够处理碎片化时间序列的新一代架构方案。SSCNN不再盲目扩大模型规模,而是依靠精巧的模块化设计、精细化处理和针对性归一化。我们将在MQL5环境中逐步搭建计算单元,为可靠的预测分析打下基础。
基于平均K线(Heikin Ashi)搭建专业交易系统(第一部分):自定义指标开发

基于平均K线(Heikin Ashi)搭建专业交易系统(第一部分):自定义指标开发

本文是一个分为上下两部分的系列文章的第一部分,旨在传授使用MQL5编写自定义指标的实用技巧与最佳实践。以平均K线(Heikin Ashi)作为实操案例,讲解平均K线图表背后的原理、平均K线柱的计算方式,并演示其在技术分析中的用法。核心内容是一份从零开发完整可用的平均K线指标的分步教程,附带清晰说明,帮助读者理解代码写法以及背后的设计逻辑。这些基础内容将为第二篇铺垫,第二篇我们将开发一套基于平均K线逻辑进行交易的智能交易系统(EA)。
交易中的神经网络:以分解替代模型规模扩张(SSCNN)

交易中的神经网络:以分解替代模型规模扩张(SSCNN)

在本文中,我们将开始探究 SSCNN 框架 —— 一套面向时间序列分析的现代架构方案,兼具精度、结构化设计与高计算效率。我们会系统剖析它的理论基础,重点对比它与前代模型的核心差异,并着手在 MQL5 环境中落地其基础组件。
交易中的神经网络:解耦结构化分量——编码器实现

交易中的神经网络:解耦结构化分量——编码器实现

本文将继续探索 SCNN 框架实现的下一阶段。该框架兼具灵活性与可解释性,能够精准识别时间序列中的各类结构化分量。本文将详细讲解自适应归一化与注意力机制的原理,这两项机制保障模型在市场环境发生变化时依然具备稳健性。
交易中的神经网络:结构化分量解耦(SCNN)

交易中的神经网络:结构化分量解耦(SCNN)

我们诚邀您探索创新的SCNN框架。该框架可将数据清晰拆分为长期分量、季节分量、短期分量与残差分量,把时间序列分析提升至全新层次。该方法使模型能够适配复杂且不断变化的市场动态,从而显著提升预测精度。
MQL5自优化智能交易系统(第十三部分):基于矩阵分解浅谈控制理论

MQL5自优化智能交易系统(第十三部分):基于矩阵分解浅谈控制理论

金融市场不可预测,那些在历史回测中表现盈利的交易策略,投入实盘后往往会失效。究其原因:大多数策略部署后逻辑固定,无法自适应市场,也不能从失误中学习。我们借鉴控制理论思想,利用反馈控制器监测策略与市场的交互情况,并调整策略行为,使其趋向盈利。测试结果表明:在简单移动平均策略中加入反馈控制器后,利润提升、风险降低、交易效率提高,证明该方案在交易领域具备巨大潜力。
神经网络在交易中的应用:概率时间序列预测(K²VAE)

神经网络在交易中的应用:概率时间序列预测(K²VAE)

我们诚邀您探索 K²VAE 框架的原始实现 — 这是一个灵活的模型,能够线性近似潜在空间中的复杂动态。本文将演示如何在 MQL5 中实现关键组件,包括参数化矩阵,以及如何在标准神经网络层之外对这些矩阵进行管理。对于任何寻求构建可解释时间序列模型实用方法的人来说,本文材料都将大有裨益。
交易中的神经网络:自适应周期分段(结论)

交易中的神经网络:自适应周期分段(结论)

我们诚邀您一同探索LightGTS的精彩世界 —— 这是一款轻量但性能强大的时间序列预测框架,融合了自适应卷积、旋转位置编码(RoPE)与创新注意力机制。本文将详细阐述框架内全部组件:从分块(patch)构建,一直到解码器内复杂的混合专家模块,这些实现思路已具备集成到MQL5项目中的条件。您将了解LightGTS如何令自动化交易提升至全新高度!
交易中的神经网络:自适应周期分块(Token生成)

交易中的神经网络:自适应周期分块(Token生成)

诚邀您开启一段精彩旅程,一同探索金融时间序列自适应分析领域,了解如何将复杂谱分析与灵活卷积转化为可落地的交易信号。您将看到LightGTS如何捕捉市场节奏,借助可变窗口步长机制适配市场变化;同时了解OpenCL加速如何让高速计算成为获取盈利决策的快车道。
交易中的神经网络:自适应周期分块(LightGTS)

交易中的神经网络:自适应周期分块(LightGTS)

本文将为大家介绍创新的自适应分块技术,这是一种在考虑时序数据内在周期性的前提下,对时间序列做灵活分块的方法。我们还会讲解一种高效编码技术,该技术在处理不同尺度的数据时,可以保留重要语义特征。金融市场数据具备复杂、多尺度的典型特点,上述两类方法为此类数据的精准处理开辟了新路径,能够显著提升预测结果的稳定性与可靠性。
交易中的神经网络:智能预测流程(Time-MoE)

交易中的神经网络:智能预测流程(Time-MoE)

诚邀大家一起来研究现代Time-MoE框架,该框架已针对时间序列预测任务完成适配。本文将分步实现该架构的核心组件,并同步提供原理讲解与实操示例。该方法使得您不仅能够理解模型的运行机制,还可以将相关原理应用于真实交易场景。
交易中的神经网络:智能预测流程(结论)

交易中的神经网络:智能预测流程(结论)

本文深入介绍 SwiGLU 嵌入层如何挖掘隐藏的市场规律,以及Decoder-Only Transformer 架构内的稀疏混合专家模型,如何在合理的计算开销下提升预测精度。本文详解将 Time‑MoE 框架集成至 MQL5 与 OpenCL 的实现方法,并提供模型配置与训练的分步教程。
在线性自回归模型残差上训练非线性 U-Transformer

在线性自回归模型残差上训练非线性 U-Transformer

本文介绍一套用于汇率预测的创新混合系统,它将线性自回归模型与用于残差分析的 U-Transformer 架构相结合。系统会根据信号质量自动切换信号来源,并内置完整的交易逻辑,支持摊平加仓/金字塔加仓策略。该方法的核心优势在于:神经网络只在线性模型的残差上训练,从而简化了任务并降低过拟合风险。整套实现完全使用 MQL5 编写,可直接用于实盘交易,并具备随市场环境变化自动适应的能力。