添加新文章
竞争性学习算法（CLA）

竞争性学习算法（CLA）

本文介绍了竞争性学习算法（CLA），这是一种基于模拟教育过程的新型元启发式优化方法。该算法将解的种群组织为若干班级，班级中包含学生，而每个班级中最优的学生充当教师。其中代理通过三种机制进行学习：跟随班级中的最优解、利用个人经验以及在班级之间共享知识。
使用MQL5实现Firebase数据的增删改查

使用MQL5实现Firebase数据的增删改查

本文提供一份循序渐进指南，带您掌握Firebase的CRUD（创建、读取、更新、删除）操作，重点聚焦实时数据库与Firestore。您将学习如何使用Firebase SDK方法高效管理Web与移动端应用的数据，涵盖新增记录、查询、修改以及删除数据条目。文中提供实用代码示例，并且介绍了实时场景下的数据结构设计与处理最佳实践，帮助开发者依托Firebase灵活的NoSQL（非关系型）架构，开发动态、可扩展的应用程序。
市场模拟（第 24 部分）：仓位视图（二）

市场模拟（第 24 部分）：仓位视图（二）

在本文中，我将展示如何以最简单、最实用的方式使用指标来跟踪交易服务器上的未平仓位。我将逐步演示，以表明您并不一定需要将所有这些操作都转移到 EA 中。你们中的许多人可能因为这样或那样的原因已经习惯了这样做。事实上，这并不完全合理，因为随着这种实现方式的演变，您将清楚地看到，您可以为此目的创建或实现不同类型的指标。
市场模拟（第 23 部分）：仓位视图（一）

市场模拟（第 23 部分）：仓位视图（一）

接下来我们将要介绍的内容，在理论和概念方面要复杂得多。我会让这些材料尽可能简单易懂。编程部分本身相当简单明了。但是，如果你不了解背后的理论，那么在将回放模拟系统改进或调整以适应不同于我将要展示的任务时，你就几乎没有任何可用于进一步改进或适配系统的实际依据。我不希望你只是编译和使用我提供的代码。我希望你能学习、理解，并且如果可能的话，能够创造出更好的东西。
Python-MetaTrader 5 策略测试器（第一部分）：交易模拟器

Python-MetaTrader 5 策略测试器（第一部分）：交易模拟器

Python 提供的 MetaTrader 5 模块支持通过 Python 在 MetaTrader 5 客户端发起交易，但存在一个重大缺陷：该模块不具备 MetaTrader 5 客户端自带的策略测试器功能。在本系列文章中，我们将搭建一套框架，实现基于 Python 环境的交易策略回测。
人工原子算法（A3）

人工原子算法（A3）

本文介绍如何在 MQL5 中实现人工原子算法（A3）—— 一种受化学过程启发的元启发式优化算法。该算法只有两个可调参数：紧凑性和较小的种群规模，这保证了较高的运行速度，同时保持了足够的解质量。
从新手到专家：用MQL5实现动态新闻头条（八）—— 新闻交易快捷交易按钮

从新手到专家：用MQL5实现动态新闻头条（八）—— 新闻交易快捷交易按钮

虽然算法交易系统可以实现自动化操作，但许多新闻交易者与剥头皮交易者更倾向于在高影响力新闻事件和快节奏行情中主动掌控交易，这就要求具备快速的订单执行与管理能力。这一点凸显了对直观前端交互工具的需求 —— 这类工具需集成实时新闻推送、财经日历数据、指标分析、AI分析以及高响应交易控件。
价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型

价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型

你是否曾错过市场突然的尖峰行情，或者在行情发生时措手不及？预判实时行情的最佳方法是从历史形态中学习。为了训练一个机器学习模型，本文首先向您展示如何在 MetaTrader 5 中创建一个脚本，用于摄取历史数据并将其发送到 Python 进行存储 —— 为您的尖峰检测系统奠定基础。继续阅读，了解每个步骤的实际操作。
使用机器学习检测与分类分形模式

使用机器学习检测与分类分形模式

在本文中，我们将探讨一个有趣的话题：利用机器学习进行分形分析和市场预测。这只是迈向探索金融价格图表上形成的各种分形结构的最初几步。我们将利用相关性来发现模式，并使用 CatBoost 算法对这些模式进行分类。
协方差矩阵自适应演化策略（CMA-ES）

协方差矩阵自适应演化策略（CMA-ES）

本文探讨了一种最有趣的非梯度优化算法，该算法能够学习理解目标函数的几何特性。我们将重点关注对 CMA-ES 的经典实现，并稍作修改 — 用幂律分布代替正态分布。我们将深入探究算法背后的数学原理以及实际实现方式，并验证 CMA-ES 在哪些方面无懈可击，以及在哪些方面应避免使用。
利用机器学习研究分形市场结构导论

利用机器学习研究分形市场结构导论

本文尝试从自相似分形结构的角度来研究金融时间序列。鉴于我们有众多类比证实市场报价可作为自相似分形来考虑，这使我们能够思考此类结构的预测视野。
市场模拟（第 24 部分）：SQL 入门（七）

市场模拟（第 24 部分）：SQL 入门（七）

在上一篇文章中，我们完成了对 SQL 的必要介绍。而且，在我看来，我们已经恰当地阐明了我们想要展示和解释的关于 SQL 的内容。这样做是为了让任何前来查看正在构建的市场回放/模拟系统的人，至少能对那里可能发生的情况有所了解。关键在于，对于那些 SQL 能完美处理的事情，编程是没有意义的。
您应该了解的MQL5向导技巧（第七十六部分）：利用AO形态与包络通道进行监督学习建模

您应该了解的MQL5向导技巧（第七十六部分）：利用AO形态与包络通道进行监督学习建模

本文承接前一篇文章。之前我们介绍了动量震荡指标（AO）与包络通道组合指标，本篇将探讨如何通过监督学习对该组合进行优化增强。动量震荡指标与包络通道是一组在趋势识别与支撑/阻力判断方面彼此互补的指标组合。我们采用的监督学习模型为卷积神经网络（CNN），该网络通过点积核函数与跨时间注意力机制自适应调整卷积核与通道维度。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导组装成智能交易系统（EA）。
市场模拟（第 23 部分）：SQL 入门（六）

市场模拟（第 23 部分）：SQL 入门（六）

在本文中，我们将探讨如何可视化一个数据库，并借此了解其结构。这是通过分析数据库的内部结构来实现的。虽然乍一看这似乎没有必要，但如果我们真的想成为数据库管理员，那么这样做是完全合理的。毕竟，有些人以维护和设计数据库为生。
交易所市场算法（EMA）

交易所市场算法（EMA）

本文对交易所市场算法（EMA）进行了详细分析，该算法的灵感来源于股票市场交易者的行为模式。算法模拟股票交易过程，市场中不同成功程度的参与者采用不同策略以实现利润最大化。
开发多币种 EA（第 27 部分）：多行文本显示组件

开发多币种 EA（第 27 部分）：多行文本显示组件

如果需要在图表上显示文本，我们可以使用 Comment() 函数。但它的功能相当有限。因此，在本文中，我们将自行开发一个组件 — 一个全屏对话框，该对话框能够显示多行文本，支持灵活的字体设置和滚动功能。
您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用

您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用

本文将承接前一篇文章，之前我们介绍了MACD与OBV指标组合，本文将探讨如何通过机器学习对这一指标组合进行优化增强。MACD属于趋势指标，OBV属于成交量指标，二者为互补指标组合。本文采用卷积神经网络机器学习方案，通过有理二次核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
市场模拟（第 21 部分）：SQL 入门（四）

市场模拟（第 21 部分）：SQL 入门（四）

你们中的许多人可能比我更有数据库工作经验，因此可能会有不同的看法。由于有必要解释数据库为何以这样的方式设计，以及SQL为何具有这样的形式 — 尤其是主键和外键为何出现 — 因此有些内容必须保持一定的抽象性。
回溯搜索算法（BSA）

回溯搜索算法（BSA）

如果一款优化算法能够记住它过往的搜索路径，并利用这些记忆去找到更优解，会是怎样的效果？回溯搜索算法（BSA）正是这样做的 —— 在全局探索与重访已验证可靠区域之间取得平衡。本文将为您揭开该算法的原理奥秘，思路简洁、参数极少、结果稳定。
市场模拟（第 20 部分）：SQL 入门（三）

市场模拟（第 20 部分）：SQL 入门（三）

尽管我们可以在包含约 10 条记录的数据库上执行操作，但当我们处理包含超过 15000 条记录的文件时，这样学习效果会更好。也就是说，如果我们试图手动创建这样一个数据库，这项任务将十分艰巨。然而，即便出于教育目的，也很难找到这样一个可供下载的数据库。但实际上，我们无需采取这种手段 — 我们可以用 MetaTrader 5 为自己创建一个数据库。在今天的文章中，我们将探讨如何做到这一点。
海豚回波定位算法（DEA）

海豚回波定位算法（DEA）

在本文中，我们将深入探讨 DEA 算法：一种受海豚利用回声定位捕食的独特能力启发而设计的元启发式优化方法。从数学基础到 MQL5 中的实际实现，从原理分析到与经典算法的对比，我们将详细剖析为什么这一相对较新的方法值得在面临优化问题的研究者工具箱中占有一席之地。
老鹰策略（ES）

老鹰策略（ES）

老鹰策略是一种模拟老鹰两阶段捕猎策略的算法：通过曼特尼亚（Mantegna）方法实现的莱维（Levy）飞行进行全局搜索，与利用萤火虫算法进行的密集局部开发交替进行，这是一种在数学上合理的探索与开发平衡方法，也是一种将两种自然现象融合为单一计算方法的生物启发式概念。
基于购买力平价（PPP）和 IMF 数据确定公允汇率

基于购买力平价（PPP）和 IMF 数据确定公允汇率

用 Python 构建基于购买力平价（PPP）的汇率分析系统。作者利用 IMF 数据开发了一套包含 5 种公允汇率计算方法的算法。这是一份关于外汇基本面分析、经济数据处理以及与交易系统集成的实用指南，全部代码开源。
您应该了解的MQL5向导技巧（第七十部分）：结合指数核网络使用SAR与RVI形态

您应该了解的MQL5向导技巧（第七十部分）：结合指数核网络使用SAR与RVI形态

本文承接前文，此前我们介绍了SAR（抛物转向指标）与RVI（相对活力指数）这一指标组合，本篇将探讨如何借助机器学习拓展该组合的应用。SAR属于趋势类指标，RVI属于动量类指标，二者搭配构成互补型指标组合。本文采用卷积神经网络机器学习方案，通过指数核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
基于生物地理学的优化算法（BBO）

基于生物地理学的优化算法（BBO）

基于生物地理学的优化算法（BBO）是一种精巧的全局优化算法，灵感源自群岛中物种在各个岛屿间迁徙的自然规律。该算法的核心思路简洁且高效：优质解会主动共享自身特征，劣质解则主动吸纳新特征，信息天然从最优解向较差解传递。其独有的自适应变异算子能够很好地平衡算法的全局探索与局部利用能力。在各类优化任务中，BBO 算法均表现出较高的运算效率。
市场模拟（第 19 部分）：SQL 入门（二）

市场模拟（第 19 部分）：SQL 入门（二）

正如我们在第一篇关于 SQL 的文章中所解释的那样，没有必要花费时间编写程序来执行 SQL 中已经内置的功能。然而，如果不了解基础知识，你就无法使用 SQL 或充分利用这个工具所提供的一切功能。因此，在本文中，我们将探讨如何在数据库中执行基本任务。
市场模拟（第 18 部分）：SQL 入门（一）

市场模拟（第 18 部分）：SQL 入门（一）

我们使用哪个 SQL 程序并不重要：MySQL、SQL Server、SQLite、OpenSQL 或其他。它们都有一个共同点，那就是都使用 SQL 语言。即使我们不打算使用 Workbench，我们也可以直接在 MetaEditor 中或通过 MQL5 操作数据库，以在 MetaTrader 5 中执行操作，但要做到这一点，你需要了解 SQL。所以在这里，我们至少要学习一些基础知识。
您应该了解的MQL5向导技巧（第六十八部分）：结合余弦核网络使用TRIX与威廉百分比范围形态

您应该了解的MQL5向导技巧（第六十八部分）：结合余弦核网络使用TRIX与威廉百分比范围形态

在前一篇中，我们介绍了三重平滑指数平均线（TRIX）与威廉百分比范围（WPR）指标组合，本文承接前文，将探讨如何通过机器学习对这一指标组合进行扩展优化。TRIX属于趋势指标，威廉百分比属于支撑/阻力震荡指标，二者形成互补。我们的机器学习方案采用卷积神经网络，网络结构中集成了余弦核函数，用于对该指标组合的预测结果进行精细调优。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
市场模拟（第 17 部分）：套接字（十一）

市场模拟（第 17 部分）：套接字（十一）

在 MetaTrader 5 中运行的那部分代码的实现没有任何困难。然而，有几点需要考虑。这是必要的，这样你才能让系统正常工作。记住一件重要的事情：不会只有一个程序在运行。事实上，我们必须同时运行三个程序。重要的是，要确保每个部分都能以一种能够相互交流和沟通的方式实施和构建，并且每个部分都能理解其他部分正在尝试或打算做什么。
金融时间序列中的保形预测探索

金融时间序列中的保形预测探索

本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。
价格走势角度分析：用于预测金融市场的混合模型

价格走势角度分析：用于预测金融市场的混合模型

什么是金融市场角度分析？如何利用价格变动角度和机器学习实现准确率达 67% 的精准预测？如何将回归和分类模型与角度特征相结合，并获得一个可运行的算法？这与江恩理论有什么关系？为什么价格走势角度是机器学习的良好指标？
基于Python的CFTC数据挖掘与AI预测模型构建

基于Python的CFTC数据挖掘与AI预测模型构建

让我们尝试挖掘CFTC数据，通过Python下载COT和TFF报告，将其与MetaTrader 5行情数据及AI模型相结合，并生成预测。外汇市场中的COT报告是什么？如何利用COT和TFF报告进行行情预测？
确定性振荡搜索（DOS）

确定性振荡搜索（DOS）

确定性振荡搜索（DOS）算法是一种创新的全局优化方法，它结合了梯度算法与群体算法的优点，且不使用任何随机数。适应度振荡与斜率机制使得DOS能够以确定性方式探索复杂的搜索空间。
您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态

您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态

分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。