添加新文章
MQL5交易管理面板开发（第九部分）：代码组织（4）：交易管理面板类
MQL5交易管理面板开发（第九部分）：代码组织（4）：交易管理面板类
本文探讨我们在New_Admin_Panel智能交易系统（EA）中更新交易管理面板（TradeManagementPanel）。此次更新通过引入内置类组件，显著提升了面板的用户友好性，为交易者提供了直观的交易管理界面。其内置交易按钮，可一键开仓，并提供管理现有持仓与挂单的控制选项。核心亮点是集成的风险管理功能——可直接在界面内设置止损与止盈值。此次更新优化了大型程序的代码组织方式，并简化了对终端中常见繁杂订单管理工具的访问。
在 MQL5 中构建自优化EA（第六部分）：自适应交易规则（二）
在 MQL5 中构建自优化EA（第六部分）：自适应交易规则（二）
本文探讨了如何优化 RSI 的水平和周期，以获得更好的交易信号。我们介绍了估算最优 RSI 值的方法，并使用网格搜索和统计模型来自动选择周期。最后，我们在 MQL5 中实现了该解决方案，同时利用 Python 进行分析。我们的方法力求务实和直接，旨在以简单的方式帮助您解决潜在复杂的问题。
MQL5交易策略自动化（第十二部分）：实现缓解型订单块（MOB）策略
MQL5交易策略自动化（第十二部分）：实现缓解型订单块（MOB）策略
在本文中，我们将构建一个MQL5交易系统，可针对“聪明资金”（Smart Money）交易自动检测订单块。我们将阐述该策略的规则，在MQL5中实现其逻辑，并融入风险管理以实现有效的交易执行。最后，我们将对该系统进行回测，以评估其表现，并对其进行优化以获得最优结果。
MQL5自动化交易策略（第十一部分）：开发多层级网格交易系统
MQL5自动化交易策略（第十一部分）：开发多层级网格交易系统
在本文中，我们将使用MQL5开发一款多层级网格交易系统EA，重点探讨网格交易策略背后的架构与算法设计。我们将研究多层网格逻辑的实现方式以及应对不同市场状况的风险管理技术。最后，我们将提供详尽的解释和实用技巧，指导您完成自动化交易系统的构建、测试与优化。
价格行为分析工具包开发（第十六部分）：引入四分之一理论（2）—— 侵入探测器智能交易系统（EA）
价格行为分析工具包开发（第十六部分）：引入四分之一理论（2）—— 侵入探测器智能交易系统（EA）
在前一篇文章中，我们介绍了一个名为“四分位绘图脚本”的简单脚本。现在，我们在此基础上更进一步，创建一个用于监控的智能交易系统（EA），以跟踪这些四分位水平，并对这些价位可能引发的市场反应进行监督。请随我们一同探索在本篇文章中开发区域检测工具的过程。
在 MetaTrader 5 中交易的可视评估和调整
在 MetaTrader 5 中交易的可视评估和调整
策略测试器允许您所做的不光是优化交易机器人的参数。我将展示如何在事后评估您账户的交易历史，并通过在测试器中更改持仓的止损来调整您的交易。
使用MQL5经济日历进行交易（第六部分）：利用新闻事件分析和倒计时器实现交易入场自动化
使用MQL5经济日历进行交易（第六部分）：利用新闻事件分析和倒计时器实现交易入场自动化
在本文中，我们将借助MQL5经济日历实现交易入场自动化，具体方法是应用用户自定义的筛选条件和时差偏移量来识别符合条件的新闻事件。我们通过对比预测值和前值，来确定是开立买入（BUY）单还是卖出（SELL）订单。动态倒计时器会显示距离新闻发布剩余的时间，并且在完成一笔交易后自动重置。
在 MQL5 中构建自优化智能交易系统（第六部分）：防止爆仓
在 MQL5 中构建自优化智能交易系统（第六部分）：防止爆仓
在今天的讨论中，我们将一同寻找一种算法程序，以最大限度地减少我们因盈利交易被止损而平仓的总次数。我们面临的问题极具挑战性，社区讨论中给出的大多数解决方案都缺乏既定且固定的规则。我们解决问题的算法方法提高了我们交易的盈利能力，并降低了我们的平均每笔交易亏损。然而，要完全过滤掉所有将被止损的交易，还需要进一步的改进，但我们的解决方案对任何人来说都是一个很好的初步尝试
在 MQL5 中创建交易管理面板（第九部分）：代码组织（二）：模块化
在 MQL5 中创建交易管理面板（第九部分）：代码组织（二）：模块化
在本次讨论中，我们进一步将 MQL5 程序分解为更小、更易于管理的模块。然后，这些模块化组件将被集成到主程序中，从而增强其组织性和可维护性。这种方法简化了我们主程序的结构，并使各个组件可以在其他EA和指标的开发中复用。通过采用这种模块化设计，我们为未来的增强功能创建了坚实的基础，这将使我们的项目和更广泛的开发者社区都受益。
创建MQL5交易管理员面板（第九部分）：代码组织（1）
创建MQL5交易管理员面板（第九部分）：代码组织（1）
这次将深入探讨处理大型代码库时遇到的挑战。我们将探索在MQL5中进行代码组织的最佳实践，并采用一种实用方法来提升我们交易管理面板源代码的可读性和可扩展性。此外，我们致力于开发可复用的代码组件，这些组件有可能为其他开发者在其算法开发过程中带来益处。请继续阅读并参与讨论。
基于Python与MQL5的特征工程（第三部分）：价格角度（2）——极坐标（Polar Coordinates）法
基于Python与MQL5的特征工程（第三部分）：价格角度（2）——极坐标（Polar Coordinates）法
在本文中，我们将第二次尝试将任意市场的价格水平变化转化为对应的角度变化。此次，我们选择了比首次尝试更具数学复杂性的方法，而获得的结果表明，这一调整或许是正确的决策。今天，让我们共同探讨如何通过极坐标以有意义的方式计算价格水平变化所形成的角度，无论您分析的是何种市场。
交易中的神经网络：搭配预测编码的混合交易框架（终篇）
交易中的神经网络：搭配预测编码的混合交易框架（终篇）
我们继续研习 StockFormer 混合交易系统，其结合了预测编码和强化学习算法，来分析金融时间序列。该系统基于三个变换器分支，搭配多样化多头注意力（DMH-Attn）机制，能够捕获资产之间的复杂形态、和相互依赖关系。之前，我们已领略了该框架的理论层面，并实现了 DMH-Attn 机制。今天，我们就来聊聊模型架构和训练。
在MQL5中自动化交易策略（第5部分）：开发自适应交叉RSI交易套件策略
在MQL5中自动化交易策略（第5部分）：开发自适应交叉RSI交易套件策略
在本文中，我们开发了自适应交叉RSI交易套件系统。该系统使用周期为14和50的移动平均线交叉来产生信号，并由一个周期为14的RSI过滤器进行确认。该系统包含一个交易日过滤器、带注释的信号箭头，以及一个用于监控的实时仪表盘。 这种方法确保了自动化交易中的精确性和适应性。
MQL5自动化交易策略（第四部分）：构建多层级区域恢复系统
MQL5自动化交易策略（第四部分）：构建多层级区域恢复系统
本文将介绍如何在MQL5中开发一个基于相对强弱指数（RSI）生成交易信号的多层级区域恢复（反转）系统（Multi-Level Zone Recovery System）。该系统通过动态数组结构管理多个信号实例，使区域恢复逻辑能够同时处理多重交易信号。通过这种设计，我们展示了如何在保持代码可扩展性和健壮性的前提下，有效应对复杂的交易管理场景。
价格行为分析工具包开发（第九部分）：外部数据流
价格行为分析工具包开发（第九部分）：外部数据流
本文将利用专为高级分析而设计的外部库，探索一个全新的分析维度。这些库（如pandas）提供了强大的工具，用于处理和解读复杂数据，使交易者能够更深入地洞察市场动态。通过整合此类技术，我们能够整合原始数据与可执行策略之间的差距。加入我们，共同为这一创新方法奠定基础，并释放技术与交易专业知识相结合的潜力。
使用MQL5和Python集成经纪商API与智能交易系统
使用MQL5和Python集成经纪商API与智能交易系统
在本文中，我们将探讨如何将MQL5与Python相结合，以执行与经纪商相关的操作。想象一下，您有一个持续运行的智能交易系统（EA），它托管在虚拟专用服务器（VPS）上，并代表您执行交易。在某个阶段，EA 管理资金的能力变得至关重要。这包括为您的交易账户入金和发起出金等操作。在本文中，我们将阐明这些功能的优势和具体实现方法，从而确保将资金管理无缝地集成到您的交易策略中。敬请关注！
掌握 MQL5：从入门到精通（第六部分）：开发 EA 交易的基础知识
掌握 MQL5：从入门到精通（第六部分）：开发 EA 交易的基础知识
本文继续针对初学者的系列文章。在这里我们将讨论开发 EA 交易的基本原则。我们将创建两个 EA：第一个 EA 不使用指标进行交易，使用挂单，第二个 EA 将基于标准 MA 指标，以当前价格开仓。在这里，我假设你不再是一个完全的初学者，并且对前几篇文章中的材料有相对较好的掌握。
交易中的神经网络：多智代自适应模型（终篇）
交易中的神经网络：多智代自适应模型（终篇）
在上一篇文章中，我们讲述了多智代自适应框架 MASA，它结合了强化学习方法和自适应策略，在动荡的市场条件下提供了盈利能力、及风险之间的和谐平衡。我们已在该框架内构建了单个智代的功能。在本文中，我们继续我们已开始的工作，令其得出合乎逻辑的结论。
价格行为分析工具包开发（第七部分）：信号脉冲智能交易系统（EA）
价格行为分析工具包开发（第七部分）：信号脉冲智能交易系统（EA）
借助“信号脉冲（Signal Pulse）”这款MQL5智能交易系统（EA），释放多时间框架分析的潜力。该EA整合了布林带（Bollinger Bands）和随机震荡器（Stochastic Oscillator），以提供准确、高概率的交易信号。了解如何实施这一策略，并使用自定义箭头有效直观地显示买入和卖出机会。非常适合希望借助多时间框架的自动化分析来提升自身判断能力的交易者。
交易中的神经网络：降低锐度强化变换器效率（终章）
交易中的神经网络：降低锐度强化变换器效率（终章）
SAMformer 为长期时间序列预测中变换器模型的主要缺点，譬如训练复杂性，及小型数据集的普适能力差，提供了解决方案。其浅层架构和锐度感知优化有助于避免次优的局部最小值。在本文中，我们将继续利用 MQL5 实现方式，并评估其实用价值。