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。
价格行为分析工具包开发（第三十六部分）：实现Python直接读取MetaTrader 5行情数据流

价格行为分析工具包开发（第三十六部分）：实现Python直接读取MetaTrader 5行情数据流

借助Python的数据科学生态以及MetaTrader 5官方客户端库，充分挖掘MetaTrader 5终端的全部能力。本文演示如何完成身份校验，将实时Tick数据与分钟K线数据流直接写入Parquet存储；利用Ta技术指标库与Prophet时间序列预测工具完成高阶特征工程，并训练具备时间感知能力的梯度提升模型。接下来，我们部署轻量Flask服务，对外实时输出交易信号。无论您正在搭建混合量化框架，还是希望借助机器学习增强EA策略，都将掌握一套稳健的端到端流水线，用于数据驱动的算法交易。
量子储层计算（QRC）电路的实现

量子储层计算（QRC）电路的实现

借助量子计算实现交易领域机器学习的革命性方案。本文演示一套可实际落地的自适应量子储层计算（QRC）系统，该系统支持持续学习，用于实时预测市场行情走势。
基于Mamba选择性状态空间模型的神经网络交易机器人开发

基于Mamba选择性状态空间模型的神经网络交易机器人开发

本文探究可用于金融时间序列预测的创新性Mamba/SSM神经网络架构。我们将完整介绍该模型在MQL5平台下的实现方案，它是Transformer的现代替代方案，计算复杂度为线性O(N)，而非二次复杂度O(N²)。还会详细讲解选择性状态空间模型、硬件感知优化、分块处理，以及先进的AdamW训练算法。并附带实测结果：模型预测准确率由62%提升至71%，同时训练耗时从45分钟缩短至8分钟。本文提供一个现成的MetaTrader 5交易EA，具备自动训练与自适应风险管理能力。
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。
神经网络实践：熟能生巧

神经网络实践：熟能生巧

在今天的文章中，我们将探讨一个简单的代码更改如何使神经元更加专业化，从而显著加快训练阶段的速度。毕竟，正如我们稍后将看到的，一旦神经元或神经网络经过训练，其执行任务的速度就会大大提升。我们还会谈到一个确实存在、却很少有人提起的问题。
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。
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）。
极值优化（EO）

极值优化（EO）

本文介绍极值优化算法（EO），这是一种受Bak-Sneppen（巴克–斯内彭）自组织临界性模型启发的优化方法，通过淘汰系统中表现最差的组件来实现演化。该算法的改进种群版本表明，其设计已从理论原则转向更注重实际效率，由此构建出高效的计算工具。
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。
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）。
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。
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。
您应该了解的MQL5向导技巧（第七十四部分）：结合监督学习运用一目均衡表与ADX-Wilder形态

您应该了解的MQL5向导技巧（第七十四部分）：结合监督学习运用一目均衡表与ADX-Wilder形态

本文为前一篇文章的延续，之前我们介绍了一目均衡表（Ichimoku）与ADX指标组合，本篇将探讨如何通过监督学习对这一指标组合进行优化改进。一目均衡表与ADX是一组互补型指标组合，前者侧重支撑/阻力判断，后者侧重趋势识别。我们采用的监督学习方案基于深度谱混合核神经网络，对该指标组合的预测结果进行精细调优。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向导直接组装成智能交易系统（EA）。
神经网络在交易中的应用：演员—导演—评论家框架

神经网络在交易中的应用：演员—导演—评论家框架

我们诚邀您探索演员-导演-评论家（Actor-Director-Critic）框架，该框架结合了分层学习和多组件架构，用于创建自适应交易策略。在本文中，我们将详细探讨如何利用导演（Director）对演员（Actor）生成的动作进行分类，以有效优化交易决策，并提高模型在金融市场环境下的稳健性。
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。