Add a new article
圆搜索算法（CSA）
圆搜索算法（CSA）
本文提出一种基于圆几何特性的新型元启发式优化算法——圆搜索算法（CSA）。该算法通过模拟切线方向上的点移动机制，在解空间中实现全局探索与局部开发的协同优化。
在MQL5中创建交易管理面板（第九部分）：代码组织（5）：分析面板（AnalyticsPanel）类
在MQL5中创建交易管理面板（第九部分）：代码组织（5）：分析面板（AnalyticsPanel）类
在本文中，我们将探讨如何获取实时市场数据和交易账户信息，执行各种计算，并将结果展示在自定义面板上。为此，我们将深入开发一个分析面板（AnalyticsPanel）类，该类封装了所有这些功能，包括面板创建功能。这项工作是我们正在进行的新建管理面板智能交易系统（EA）扩展工作的一部分，旨在运用模块化设计原则和代码组织的最佳实践来引入高级功能。
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。
MQL5中的高级内存管理与优化技术
MQL5中的高级内存管理与优化技术
探索在MQL5交易系统中优化内存使用的实用技巧。学习构建高效、稳定且运行速度快的智能交易系统（EA）和指标。我们将深入探究MQL5中内存的实际运作方式、致使系统运行变慢或出现故障的常见陷阱，以及——最为关键的是——如何解决这些问题。
MQL5 交易工具包（第 6 部分）：使用最新成交的挂单函数扩展历史管理 EX5 库
MQL5 交易工具包（第 6 部分）：使用最新成交的挂单函数扩展历史管理 EX5 库
了解如何创建可导出函数的 EX5 模块，无缝查询和保存最近填写的挂单数据。在本全面的分步指南中，我们将通过开发专用和分隔的函数来检索最后填写的挂单的基本属性，从而增强历史管理 EX5 库。这些属性包括订单类型、设置时间、执行时间、填充类型以及有效管理和分析挂单交易历史所需的其他关键细节。
开发多币种 EA 交易（第 21 部分）：准备重要实验并优化代码
开发多币种 EA 交易（第 21 部分）：准备重要实验并优化代码
为了取得进一步的进展，最好看看我们是否可以通过定期重新运行自动优化并生成新的 EA 来改进结果。关于使用参数优化的许多争论中的绊脚石是，在将盈利能力和回撤保持在指定水平的同时，所获得的参数在未来一段时间内可用于交易的时间有多长。有可能做到这一点吗？
时间演化旅行算法（TETA）
时间演化旅行算法（TETA）
这是我自己的算法。本文表阐述受平行宇宙和时间流概念启发的时间演化旅行算法（TETA）。该算法的基本思路是，尽管传统意义上的时间旅行是不可能的，但我们能够选择一系列事件来导致不同的现实。
在MQL5中构建带自定义画布图形的凯特纳通道（Keltner Channel）指标
在MQL5中构建带自定义画布图形的凯特纳通道（Keltner Channel）指标
本文将介绍如何在MQL5中构建一个带自定义画布图形的凯特纳通道（Keltner Channel）指标。我们将详细阐述移动平均线（MA）与平均真实波幅（ATR）计算的集成方法，以及如何增强型图表的可视化效果。此外，我们还将介绍如何通过回测评估该指标的实际交易表现，为实战交易提供有价值的参考依据。
基于LSTM的趋势预测在趋势跟踪策略中的应用
基于LSTM的趋势预测在趋势跟踪策略中的应用
长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），其设计初衷是通过有效捕捉数据中的长期依赖关系，并解决传统RNN存在的梯度消失问题，从而实现对时序数据的高效建模。本文将系统阐述如何利用LSTM进行未来趋势预测，进而提升趋势跟踪策略的实战表现。具体内容涵盖这些模块：LSTM关键概念介绍与发展契机、从MetaTrader 5平台提取数据、在Python中构建并训练模型、将机器学习模型嵌入MQL5中、基于统计回测的结果分析与改进方向。
黑洞算法（BHA）
黑洞算法（BHA）
黑洞算法（BHA）利用黑洞引力原理来优化解。在本文中，我们将考察 BHA 如何在避免局部极端情况的同时，吸引最佳解，以及为什么该算法已成为解决复杂问题的强大工具。学习简单的思路如何在优化世界带来令人印象深刻的结果。
您应当知道的 MQL5 向导技术（第 51 部分）：配以 SAC 的强化学习
您应当知道的 MQL5 向导技术（第 51 部分）：配以 SAC 的强化学习
柔性参与者评论者是一种利用 3 个神经网络的强化学习算法。一名参与者网络和 2 个评论者网络。这些机器学习模型按主从伙伴关系配对，其中所建模评论者能提升参与者网络的预测准确性。在这些序列中引入 ONNX 的同时，我们探讨了如何将这些思路作为由向导汇编的智能系统的自定义信号，推进测试。
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。
价格行为分析工具包开发（第八部分）：指标看板
价格行为分析工具包开发（第八部分）：指标看板
作为价格行为分析领域最强大的工具之一，指标看板（Metrics Board）旨在通过一键操作简化市场分析流程，实时提供关键市场指标数据。每个功能按钮均对应特定的功能，无论是分析高/低趋势、交易量还是其他关键指标。该工具能在您最需要的时候提供精准、实时的数据。让我们通过本文更深入地了解它的功能。
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！
基于隐马尔可夫模型的趋势跟踪波动率预测
基于隐马尔可夫模型的趋势跟踪波动率预测
隐马尔可夫模型（HMMs）是强大的统计工具，可通过分析可观测的价格波动来识别潜在的市场状态。在交易领域，隐马尔可夫模型通过建模和预测市场状态的转变，可提升波动率预测的准确性，并为趋势跟踪策略提供依据。在本文中，我们将完整介绍一种趋势跟踪策略的开发流程，该策略利用隐马尔可夫模型预测波动率，并将其作为交易信号的过滤条件。
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。
基于Python与MQL5的多模块交易机器人（第一部分）：构建基础架构与首个模块
基于Python与MQL5的多模块交易机器人（第一部分）：构建基础架构与首个模块
我们将开发一个模块化交易系统，该系统结合了 Python 进行数据分析，并使用 MQL5 执行交易。四个独立模块并行监控市场的不同方面：成交量、套利、经济指标和风险，并使用包含400棵树的随机森林（ RandomForest ）。特别强调风险管理，因为即使是最先进的交易算法，如果没有适当的风险管理，也是毫无用处的。
迁移至 MQL5 Algo Forge（第 1 部分）：创建主存储库
迁移至 MQL5 Algo Forge（第 1 部分）：创建主存储库
在 MetaEditor 中处理项目时，开发人员经常需要管理代码版本。MetaQuotes 最近宣布迁移到 GIT，并推出具有代码版本控制和协作功能的 MQL5 Algo Forge。在本文中，我们将讨论如何更有效地使用新的和以前存在的工具。
构建K线趋势约束模型（第九部分）：多策略智能交易系统（EA)（三）
构建K线趋势约束模型（第九部分）：多策略智能交易系统（EA)（三）
欢迎来到本趋势系列文章的第三部分！今天，我们将深入探讨如何利用背离（Divergence）策略，在既有的日线趋势中识别最优入场点。同时，我们将引入一种定制化的利润锁定机制——其功能类似于追踪止损（Trailing Stop-Loss），但经过独特的优化升级。此外，我们还将把趋势约束智能交易系统升级为更高级版本，新增一项交易执行条件以完善现有策略框架。随着内容推进，我们将持续探索MQL5在算法开发中的实际应用，为您提供更深入的见解与可落地的技术方案。
使用凯利准则与蒙特卡洛模拟的投资组合风险模型
使用凯利准则与蒙特卡洛模拟的投资组合风险模型
几十年来，交易员们一直使用凯利准则公式来确定投资或赌注的最优资本配置比例，其目标是在最大化长期增长的同时，最小化破产风险。然而，对于个人交易者而言，盲目地依据单次回测的结果来遵循凯利准则往往是危险的，因为在实盘交易中，交易优势会随着时间的推移而减弱，并且过往业绩并不能保证未来的结果。在本文中，我将提出一种在 MetaTrader 5 平台中，为一个或多个智能交易系统进行风险分配的现实方法，该方法将融合来自 Python 的蒙特卡洛模拟结果。
MQL5 Algo Forge 入门
MQL5 Algo Forge 入门
我们正在推出 MQL5 Algo Forge —— 一个专为算法交易开发人员设计的门户网站。它将 Git 的强大功能与直观的界面相结合，用于管理和组织 MQL5 生态系统内的项目。在这里，您可以关注有趣的作者，组建团队，并在算法交易项目上进行协作。