添加新文章
MQL5 中的范畴论 (第 12 部分)：秩序（Orders）
MQL5 中的范畴论 (第 12 部分)：秩序（Orders）
本文是范畴论系列文章之以 MQL5 实现图论的部分，深入研讨秩序（Orders）。我们通过研究两种主要的秩序类型，实测秩序论的概念如何支持幺半群集合，从而为交易决策提供信息。
重新审视一种旧时的趋势交易策略：两个随机振荡指标，一个移动平均指标和斐波那契线
重新审视一种旧时的趋势交易策略：两个随机振荡指标，一个移动平均指标和斐波那契线
旧时的交易策略本文介绍了一种纯技术型的趋势跟踪策略。该策略纯粹是技术性的，使用一些技术指标和工具来传递信号和目标。该策略的组成部分如下：一个周期数为14的随机振荡指标，一个周期数为5的随机振荡指标，一个周期数为200的移动平均指标，一个斐波那契投影工具（用于设定目标）。
简单均值回归交易策略
简单均值回归交易策略
均值回归是一种逆势交易，交易者预估价格将返回到某种形式的均衡点位，通常依据均值或其它向心趋势统计值来衡量。
Heiken-Ashi指标与移动平均指标组合能够提供好的信号吗？
Heiken-Ashi指标与移动平均指标组合能够提供好的信号吗？
策略的组合可能会提供更好的机会，我们可以把指标和形态一起使用，或者更进一步，多个指标和形态一起，这样我们可以获得额外的确认因子。移动平均帮我们确认和驾驭趋势，它们是最为人所知的技术指标，这是因为它们的简单性和为分析增加价值的良好记录。
MQL5 中的范畴论 (第 10 部分)：幺半群组
MQL5 中的范畴论 (第 10 部分)：幺半群组
本文是以 MQL5 实现范畴论系列的延续。 在此，我们将”幺半群-组“视为常规化幺半群集的一种手段，令它们在更广泛的幺半群集和数据类型中更具可比性。
为智能系统制定品质因数
为智能系统制定品质因数
在本文中，我们将见识到如何制定一个品质得分，并由您的智能系统从策略测试器返回。 我们将查看两种著名的计算方法 — Van Tharp 和 Sunny Harris。
神经网络变得轻松（第四十五部分）：训练状态探索技能
神经网络变得轻松（第四十五部分）：训练状态探索技能
在没有明确奖励函数的情况下，实用的训练技能就是分层强化学习的主要挑战之一。 以前，我们已领略了解决此问题的两种算法。 但环境研究的完整性问题仍然悬而未决。 本文演示了一种不同的技能训练方式，其可取决于系统的当前状态直接使用。
神经网络变得轻松（第四十四部分）：动态学习技能
神经网络变得轻松（第四十四部分）：动态学习技能
在上一篇文章中，我们讲解了 DIAYN 方法，它提供了学习各种技能的算法。 获得的技能可用在各种任务。 但这些技能可能非常难以预测，而这可能令它们难以运用。 在本文中，我们要研究一种针对学习可预测技能的算法。
在类中包装 ONNX 模型
在类中包装 ONNX 模型
面向对象编程可以创建更紧凑、易于阅读和修改的代码。 在此，我们将会看到三个 ONNX 模型的示例。
神经网络变得轻松（第三十七部分）：分散关注度
神经网络变得轻松（第三十七部分）：分散关注度
在上一篇文章中，我们讨论了在其架构中使用关注度机制的关系模型。 这些模型的具体特征之一是计算资源的密集功用。 在本文中，我们将研究于自我关注度模块内减少计算操作数量的机制之一。 这将提高模型的常规性能。
另一个 MQL5 OOP 类
另一个 MQL5 OOP 类
本文会从一种理论性交易概念的构想，到编制一个在经验世界中实现这一概念的 MQL5 EA 交易，为您讲解如何从头建立一个面向对象的 EA 交易。依本人看，边做边学是取得成功的一种可靠方法。所以，我会拿出一个实用的例子，让您明白如何才能整理自己的想法，并最终完成外汇自动交易代码。和您一起遵守“面向对象”原则，也是我的目标之一。
MQL5 中的范畴论 (第 7 部分)：多域、相对域和索引域
MQL5 中的范畴论 (第 7 部分)：多域、相对域和索引域
范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。
MQL5 中的范畴论 (第 6 部分)：单态回拉和满态外推
MQL5 中的范畴论 (第 6 部分)：单态回拉和满态外推
范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。
神经网络实验（第 4 部分）：模板
神经网络实验（第 4 部分）：模板
在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证神经网络是否对交易者有任何帮助。 若在交易中运用神经网络的话， MetaTrader 5 完全可作为一款自给自足的工具。 简单的解释。
神经网络变得轻松（第三十六部分）：关系强化学习
神经网络变得轻松（第三十六部分）：关系强化学习
在上一篇文章中讨论的强化学习模型中，我们用到了卷积网络的各种变体，这些变体能够识别原始数据中的各种对象。 卷积网络的主要优点是能够识别对象，无关它们的位置。 与此同时，当物体存在各种变形和噪声时，卷积网络并不能始终表现良好。 这些是关系模型可以解决的问题。
多层感知器和反向传播算法（第 3 部分）：与策略测试器集成 - 概述（I）
多层感知器和反向传播算法（第 3 部分）：与策略测试器集成 - 概述（I）
多层感知器是简单感知器的演变，可以解决非线性可分离问题。 结合反向传播算法，可以有效地训练该神经网络。 在多层感知器和反向传播系列的第 3 部分当中，我们将见识到如何将此技术集成到策略测试器之中。 这种集成将允许使用复杂的数据分析，旨在制定更好的决策，从而优化您的交易策略。 在本文中，我们将讨论这种技术的优点和问题。