添加新文章
构建自动运行的 EA（第 03 部分）：新函数
构建自动运行的 EA（第 03 部分）：新函数
今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 在上一篇文章中，我们已启动开发一个在自动化 EA 中使用的订单系统。 然而，我们只创建了一个必要的函数。
构建自动运行的 EA（第 02 部分）：开始编码
构建自动运行的 EA（第 02 部分）：开始编码
今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 在上一篇文章中，我们讨论了任何人在继续创建自动交易的智能系统之前需要了解的第一步。 我们首先研究了概念和结构。
帧分析器（Frames Analyzer）工具带来的时间片交易魔法
帧分析器（Frames Analyzer）工具带来的时间片交易魔法
什么是帧分析器（Frames Analyzer）？ 这是适用于任意智能系统的一个插件模块，在策略测试器中、以及测试器之外进行参数优化期间，该工具在参数优化完成后立即读取测试创建的 MQD 文件、或数据库，并分析优化帧数据。 您能够与拥有帧分析器工具的其他用户共享这些优化结果，从而共同讨论结果。
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。
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。
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？
神经网络变得轻松（第十八部分）：关联规则
神经网络变得轻松（第十八部分）：关联规则
作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。 这种问题类型首先用于零售业，即超市等，来分析市场篮子。 在本文中，我们将讨论这些算法在交易中的适用性。
神经网络变得轻松（第十四部分）：数据聚类
神经网络变得轻松（第十四部分）：数据聚类
我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。
一张图表上的多个指标（第 06 部分）：将 MetaTrader 5 转变为 RAD 系统（II）
一张图表上的多个指标（第 06 部分）：将 MetaTrader 5 转变为 RAD 系统（II）
在我的前一篇文章中，我向您展示了如何利用 MetaTrader 5 对象创建图表交易，从而将平台转变为 RAD 系统。 该系统运行良好，可以肯定的是，许多读者也许已经考虑过创建一个函数库，令其能够在拟议的系统中扩展功能。 有基于此，就有可能开发一款更直观的智能交易系统，其界面更友好、更易于使用。
让图表更有趣：添加背景
让图表更有趣：添加背景
许多工作站包含一些代表性的图片用以显示用户的一些信息。 这些图片令工作环境更加优美和令人兴奋。 我们来看看如何通过添加背景令图表更有趣。
MetaTrader 5 的 WebSocket — 使用 Windows API
MetaTrader 5 的 WebSocket — 使用 Windows API
在本文中，我们将使用 WinHttp.dll 针对 MetaTrader 5 平台创建 WebSocket 客户端程序。 客户端最终将作为一个类实现，并借助 Binary.com 的 WebSocket API 进行测试。
从市场里选择智能交易系统的正确途径
从市场里选择智能交易系统的正确途径
在本文中，我们将研究购买智能交易系统时应该注意的一些要点。 我们还将寻求提升盈利的方法，从而明智地花钱，并从付出中获取盈利。 此外，读完本文之后，您会发现，即便使用简单免费的产品也有可能赚到钱。