添加新文章
实用且奇特的自动交易技术
实用且奇特的自动交易技术
在本文中，我将演示一些非常有趣且实用的自动交易技术。 其中一些可能您很熟悉。 我将尝试覆盖最有趣的方法，并解释为什么它们值得使用。 此外，我将展示这些技术在实战中的适用性。 我们将创建智能交易系统，并依据历史报价来测试全部所述技术。
神经网络变得轻松（第十一部分）：自 GPT 获取
神经网络变得轻松（第十一部分）：自 GPT 获取
也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。 当然，我们不打算在家用 PC 上创建如此庞然之物。 然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。
自适应算法(第三部分): 放弃优化
自适应算法(第三部分): 放弃优化
如果采用基于历史数据的优化方法来选择参数，就不可能得到真正稳定的算法。一个稳定的算法应该知道在任何时候操作任何交易工具时需要哪些参数。它不应该预测或猜测，它应该确定知道。
神经网络变得轻松（第十部分）：多目击者关注
神经网络变得轻松（第十部分）：多目击者关注
我们以前曾研究过神经网络中的自关注机制。 在实践中，现代神经网络体系结构会采用多个并行的自关注线程来查找序列元素之间的各种依存关系。 我们来研究这种方法的实现，并评估其对整体网络性能的影响。
开发自适应算法 (第二部分): 提高效率
开发自适应算法 (第二部分): 提高效率
在本文中，我将通过改进先前创建的算法的灵活性来继续本主题的开发。随着分析窗口中烛形数量的增加，或烛形超额阈值百分比的增加，算法变得更加稳定。我不得不做出妥协，并设置一个更大的样本量进行分析或更大的烛形超额百分比。
开发自适应算法（第一部分）：寻找基本模式
开发自适应算法（第一部分）：寻找基本模式
在接下来的系列文章中，我将演示探讨大多数市场因素的自适应算法的开发，以及如何将这些情况系统化，用逻辑描述它们，并在您的交易活动中应用它们。我将从一个非常简单的算法开始，这个算法将逐渐获得理论，并发展成一个非常复杂的项目。
神经网络变得轻松（第八部分）：关注机制
神经网络变得轻松（第八部分）：关注机制
在之前的文章中，我们已经测试了组织规划神经网络的各种选项。 我们还研究了自图像处理算法中借鉴而来的卷积网络。 在本文中，我建议研究关注机制，它的出现为开发语言模型提供了动力。
模式搜索的暴力算法（第三部分）：新视野
模式搜索的暴力算法（第三部分）：新视野
本文延续了暴力算法的主题，并在程序算法中引入了市场分析的新机会，从而加快了分析速度，提高了结果质量。新的添加使得在这种方法中可以看到最高质量的全局模式。
神经网络变得轻松（第七部分）：自适应优化方法
神经网络变得轻松（第七部分）：自适应优化方法
在之前的文章中，我们利用随机梯度下降法针对网络中的所有神经元按照相同的学习率训练神经网络。 在本文中，我提议着眼于自适应学习方法，该方法能够改变每个神经元的学习率。 我们还将研究这种方法的利弊。
无需 Python 或 R 语言知识的 Yandex CatBoost 机器学习算法
无需 Python 或 R 语言知识的 Yandex CatBoost 机器学习算法
本文通过一个具体的例子提供了机器学习过程的主要阶段的代码和描述。您不需要 Python 或 R 语言知识就能够获得模型。此外，基本的MQL5知识已经足够了- 这正是我的水平。因此，我希望这篇文章能为广大读者提供一个很好的指导，帮助那些对评估机器学习能力感兴趣的人，并在他们的课程中实现这些能力。
模式搜索的暴力方法（第二部分）：深入
模式搜索的暴力方法（第二部分）：深入
在本文中，我们将继续讨论暴力方法。我将尝试使用我的应用程序的新改进版本来更好地解释这种模式。我还将尝试使用不同的时间间隔和时间框架来找出稳定性的差异。
神经网络变得轻松（第六部分）：神经网络学习率实验
神经网络变得轻松（第六部分）：神经网络学习率实验
我们之前已研究过各种类型的神经网络及其实现。 在所有情况下，训练神经网络时都使用梯度下降法，为此我们需要选择学习率。 在本文中，我打算通过示例展示正确选择学习率的重要性，及其对神经网络训练的影响。
模式搜索的暴力方法
模式搜索的暴力方法
在本文中，我们将搜索市场模式，根据确定的模式创建 EA 交易，并检查这些模式，如果它们保持有效的话，保持有效的时间有多少。
神经网络变得轻松（第四部分）：循环网络
神经网络变得轻松（第四部分）：循环网络
我们继续研究神经网络的世界。 在本文中，我们将研究另一种类型的神经网络，循环网络。 此类型建议与时间序列配合使用，其在 MetaTrader 5 交易平台中由价格图表呈现。
并行粒子群优化
并行粒子群优化
本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。
开发交易算法的科学方法
开发交易算法的科学方法
本文探讨了开发交易算法的方法，即使用一致的科学方法来分析可能的价格模式，并基于这些模式构建交易算法。开发的理念是通过实例来展示的。
自定义品种（符号）：实践基础
自定义品种（符号）：实践基础
本文专门介绍了程序化生成自定义品种（符号），这些自定义品种可用来演示一些显示报价的流行方法。 它描述的是一种建议的微创智能交易系统改编方案，可用在派生的自定义品种图表上，如同真实品种一样。 MQL 源代码随附于文后。
计算数学表达式（第二部分）。 普拉特和分流场解析器
计算数学表达式（第二部分）。 普拉特和分流场解析器
在本文中，我们基于运算符优先级的解析器，研究数学表达式解析和评估的原理。 我们将实现普拉特（Pratt）和分流场解析器，字节代码的生成和代码计算，查看如何在表达式中将指标用作函数，以及如何基于这些指标在智能交易系统中设置交易信号。
快捷手动交易工具箱：基本功能
快捷手动交易工具箱：基本功能
如今，众多交易者切换至自动交易系统，这类系统可能需要附加设置，或是能够完全自动化并准备就绪。 然而，有相当一部分交易者更喜欢以旧有方式进行手动交易。 在本文中，我们将创建快速手动交易工具箱，用热键来一键执行典型交易操作。
开发跨平台网格 EA：测试多币种 EA
开发跨平台网格 EA：测试多币种 EA
行情在一个月内下跌了 30％ 以上。 这似乎是测试基于网格和马丁格尔的智能交易系统的最佳时间。 本文是“创建跨平台网格 EA”系列的计划外延续。 当前行情为安排网格 EA 提供了疏解压力的机会。 因此，我们要把握这次机会，并测试我们的智能交易系统。
走势延续模型 - 搜索图表和执行统计
走势延续模型 - 搜索图表和执行统计
本文提供了一种走势延续模型的程序化定义。 主要思路是定义两个波浪 — 主浪和修正浪。 对于极值点，我应用分形以及“潜在”分形 - 尚未形成分形的极值点。
如何降低交易者的风险
如何降低交易者的风险
在金融市场上进行交易是与各种风险相关的，这些风险在交易系统的算法中都应当被考虑到。降低这样的风险是在交易中获利的最重要的任务。
探索标准库的交易策略类 - 自定义策略
探索标准库的交易策略类 - 自定义策略
在本文中，我们将展示如何探索标准库的交易策略类，以及如何使用 MQL5 向导的"模式和模型"逻辑添加自定义策略和过滤器/信号。最后，您将能够使用 MetaTrader 5 标准指标轻松地添加自己的策略，且 MQL5 向导将创建简洁而强大的代码以及功能完善的"EA 交易"。
基于成交历史的交易播放器
基于成交历史的交易播放器
交易播放器。仅仅五个字，无需解释。一个带有按钮的小对话框出现在您的脑海中。按一个按钮 - 它开始播放，移动控制杆 - 播放速度改变。事实上，它非常类似。在本文中，我想展示我编写的以几乎与实时交易完全相同的方式播放交易历史的程序。本文使用指标和管理图表来介绍 OOP 的某些细节。
交易机器人在市场发布前必须经过的检验
交易机器人在市场发布前必须经过的检验
任何产品在市场发布之前，它必须通过强制的预先检验，以确保符合统一的质量标准。本文介绍了开发者们在他们的技术指标和交易机器人中最常犯下的错误，并且也展示了在把产品发送到市场之前如何进行自我测试。
如何使用 EA 遵照您的规则拷贝信号?
如何使用 EA 遵照您的规则拷贝信号?
当您订阅了一个信号, 也许会发生这样的情形: 您的交易账户杠杆为 1:100, 而提供者的杠杆为 1:500, 且使用最小手数, 而您的账户余额大约相等 — 但拷贝比率只有 10% 到 15%。本文介绍在这种情况下如何增加拷贝比率。
MetaTrader 5 与 MQL5 提供的无限机遇
MetaTrader 5 与 MQL5 提供的无限机遇
本文中，我想举一个例子说明交易者的程序会是什么样子，以及如果从头到始学习 MQL5，9 个月内能达到什么程度。这个例子还会显示出对于一个交易者而言，这样一种程序在占用价格图表最小空间的同时，其功能多样性与信息翔实性如何。而且，我们也会看出，可以通过何种方式，得到颜色多样、清晰明快且对于用户而言直观明确的交易信息面板。以及许许多多的其它功能...