通过协整股票进行统计套利(第四部分):实时模型更新

通过协整股票进行统计套利(第四部分):实时模型更新

本文介绍了一条简单而全面的统计套利流水线,用于交易一篮子协整股票。 文中提供了一个功能齐全的 Python 脚本,用于下载和存储数据,以及进行相关性、协整和平稳性检验;还提供了用于更新数据库的 MetaTrader 5 服务程序实现示例及相应的智能交易系统(EA)。 本文记录了一些设计选择,供读者参考,并帮助读者复现实验。
基于 GPT 语言模型的交易机器人

基于 GPT 语言模型的交易机器人

本文介绍了 TimeGPT 的完整实现。这是一种基于 Transformer 的专用架构,用于在 MetaTrader 5 平台上预测金融时间序列。文中讨论了注意力机制对金融数据的适配、价格变化的选择性令牌化(tokenization)、面向硬件特性的优化以及先进的学习技术。文中还包括实际测试结果:在 24 根 K 线的预测跨度上达到 87% 的预测准确率,且在 CPU 上训练仅需 15 分钟。我们还提供了一个可直接使用、带自动重训练功能的交易 EA。
市场模拟:仓位视图(五)

市场模拟:仓位视图(五)

尽管前一篇文章已经有所展示,这一切乍一看似乎很简单。实际上,仍存在几个问题,以及许多尚待完成的任务。亲爱的读者,你可能会认为一切都很简单明了。由于缺乏经验,你可能会简单地接受任何呈现给你的东西。而这是一个你应该尽力避免的错误。更糟糕的是,试图在不真正理解所使用内容的情况下使用它。初学者通常会经历一个复制粘贴的阶段。如果你不想永远停留在这一阶段,你应该学会如何使用某些工具。程序员最常用的工具之一是文档。其次是测试,辅以日志文件。接下来,我们将探讨如何做到这一点。
基于N-BEATS网络的外汇EA

基于N-BEATS网络的外汇EA

在MetaTrader 5中实现面向外汇交易的N-BEATS架构,支持分位数预测与自适应风险管理。本架构通过双线性归一化、适配金融数据的专用损失函数完成改造。基于2025年数据的回测结果显示模型无法产生盈利,印证了理论成果与实际交易表现之间存在差距。
基于PatchTST的神经网络交易EA

基于PatchTST的神经网络交易EA

本文介绍了PatchTST这一革新性架构,它是专为金融时序分析定制的Transformer模型,将市场数据切分为16根K线的补丁块,以此实现高效运算。我们将讲解基于MQL5的交易机器人完整实现方案,涵盖从数学原理、数据结构,到自带风控与持续学习系统的成品EA。
价格行为分析工具包开发(第三十九部分):在MQL5中实现BOS与ChoCH的自动识别

价格行为分析工具包开发(第三十九部分):在MQL5中实现BOS与ChoCH的自动识别

本文介绍分形响应系统(Fractal Reaction System),这是一套精简的MQL5工具,能够将分形拐点转化为可用于交易的市场结构信号。该EA采用K线收盘判定逻辑,避免信号重绘;可以识别行情性质转变(ChoCH)预警、确认结构突破(BOS),在图表上绘制持久图形对象,并对每一个已确认事件生成日志与多渠道告警(桌面端、移动端和声音提醒)。下文将呈现算法设计、实现要点、测试结果以及完整EA源码,您可以自行编译、回测并部署这套信号识别工具。
市场模拟:仓位视图(四)

市场模拟:仓位视图(四)

在这里,我们将开始将之前完全相互隔离的不同组件或应用程序整合在一起。Chart Trade、鼠标指标和 EA 已经相互连接,但仍然无法直接在图表上显示交易服务器上未平仓位,这些持仓通常使用对冲订单机制进行管理。从这一点开始,这成为可能,为各种想法和未来的实施开辟了道路。尽管我们才刚刚开始将这些组件投入运行,但我们已经有了进一步发展的方向。
价格行为分析工具包开发(第三十八部分):基于Tick环形缓冲区的VWAP与短窗口失衡引擎

价格行为分析工具包开发(第三十八部分):基于Tick环形缓冲区的VWAP与短窗口失衡引擎

在本文中,我们搭建一套可投入实盘使用的MT5监控面板,它能够将原始逐笔tick数据转化为可用于交易的信号。该EA会缓存tick数据,用于计算tick级别的VWAP、短窗口订单失衡(资金流)指标,以及基于ATR的仓位大小。面板采用减少闪烁的柱状图,直观展示点差、ATR与资金流。系统会输出建议手数与1倍风险止损位,并支持自定义告警:低点差、强资金流、具备交易优势的行情状态均可触发提醒。自动交易功能被有意禁用;本项目的重心放在稳定可靠的信号生成与简洁友好的交互体验上。
从新手到专家:使用 Reporting EA 打造详尽的交易报告

从新手到专家:使用 Reporting EA 打造详尽的交易报告

本文深入探讨如何丰富交易报告的细节,并以 PDF 格式通过电子邮件发送最终报告。本文是前序文章内容的延伸,我们将继续探索如何利用 MQL5 与 Python,生成并定时输出格式专业、使用便捷的交易报告。跟随本文,你将了解如何在 MQL5 生态中优化交易报告的生成流程。
市场模拟:MQL5 中的 SQL 入门(五)

市场模拟:MQL5 中的 SQL 入门(五)

在上一篇文章中,我展示了如何添加查询机制。这是必要的,以便在 MQL5 代码中能够充分利用 SQL,并使用 SQL SELECT 查询来检索结果。但还有一个函数需要实现,即 DatabaseReadBind 函数。由于要正确理解这个函数需要稍作详细解释,因此决定不在上一篇文章中介绍,而是在今天的文章中详述。鉴于这个主题内容较多,让我们直接进入下一节。
基于协整股票的统计套利(第三部分):数据库搭建

基于协整股票的统计套利(第三部分):数据库搭建

本文提供一个 MQL5 Service(服务)的实现示例,用于保持新建数据库及时更新;该数据库作为数据分析以及一篮子协整股票交易的数据来源。文中详细阐述数据库的设计思路,并整理数据字典以供查阅。配套提供MQL5与Python脚本,用于数据库创建、表结构初始化以及行情数据写入。
梦境优化算法(DOA)

梦境优化算法(DOA)

这是一种基于种群的优化算法,其灵感源自一种尚存争议、研究较少的现象 —— 人类梦境的机制。该算法拥有一个具备不同“记忆”的智能体种群,用余弦波调制移动步长,并采用独特的99/1时间分配比例。让我们看一下这些特性会如何影响交易策略的优化效率。
决斗者算法

决斗者算法

如果您的交易策略能像真实的决斗者一样互相较量、彼此学习,会怎样?决斗者算法(Duelist Algorithm)是一种新的优化方法:在该算法中,不同的参数组合会像决斗者一样相互较量,争夺最优解的位置。
MQL5自优化智能交易系统(第十二部分):利用矩阵分解构建线性分类器

MQL5自优化智能交易系统(第十二部分):利用矩阵分解构建线性分类器

本文探讨矩阵分解在算法交易中的强大作用,重点介绍其在 MQL5 程序里的应用。从回归模型到多目标分类器,我们通过实战示例演示如何借助 MQL5 内置函数轻松集成这类技术。无论你是预测价格方向,还是构建指标行为模型,这份教程都为你使用矩阵方法搭建智能交易系统打下坚实基础。
市场模拟:MQL5 中的 SQL 入门(一)

市场模拟:MQL5 中的 SQL 入门(一)

在今天的文章中,我们将开始学习如何在 MQL5 代码中使用 SQL。我们还将探讨如何创建数据库。或者更准确地说,如何使用 MQL5 内置的功能来创建 SQLite 数据库文件。我们还将了解如何创建表,以及如何通过使用主键和外键来建立表之间的关系。所有这些都将再次使用 MQL5 来完成。我们将看到,通过使用一个有助于封装底层实现细节的类,创建代码是多么容易,这些代码稍后可以迁移到其他 SQL 实现中。而且,最重要的是,我们将看到,在使用 SQL 时,我们可能会在不同阶段面临出错的风险。这是因为,在 MQL5 代码中,SQL 代码总是被放置在字符串中。
市场模拟(第 22 部分):SQL 入门(五)

市场模拟(第 22 部分):SQL 入门(五)

亲爱的读者,在你放弃并决定不再学习 SQL 之前,请允许我提醒你,我们目前所使用的只是最基本的内容。我们尚未探讨 SQL 的一些功能。一旦你理解了这些功能,你会发现 SQL 远比它看起来要实用得多。不过,由于创作过程是动态的,我们最终很可能会改变我们正在构建的方向。我们将更多地展示如何在 SQL 中创建不同的内容,因为这对你来说确实非常重要且有用。仅仅认为自己比整个程序员和开发人员社区更有能力,只会导致时间和机会的浪费。别担心,因为接下来的内容将会更加有趣。
科学家群体优化(CoSO):算法实现

科学家群体优化(CoSO):算法实现

我们继续讨论“科学家群体优化”这一主题。不应将 CoSO 视为现成的解决方案,而应将其视为一个有前景的研究平台。经过适当开发,CoSO 可以在那些适应性和应变能力至关重要、计算时间不是关键的任务中找到自己的定位。
MQL5 中的量子神经网络(第二部分):基于 ALGLIB 马尔可夫矩阵的神经网络反向传播训练

MQL5 中的量子神经网络(第二部分):基于 ALGLIB 马尔可夫矩阵的神经网络反向传播训练

本文介绍了一种创新的量子神经网络架构,用于结合量子力学原理与现代机器学习方法进行算法交易。该系统引入了量子效应(共振、干涉、退相干)、不同时间尺度的多级记忆、结合 ALGLIB 库的马尔可夫链以及自适应参数控制。整个实现过程使用 MQL5 内置的矩阵/向量类型完成,从而降低了在 MetaTrader 5 中实现该系统的门槛。
从新手到专家:报表 EA — 搭建工作流程

从新手到专家:报表 EA — 搭建工作流程

经纪商通常会根据预定的时间表定期提供交易账户报表。这些公司通过其 API 技术,可以访问您的账户活动和交易历史,从而为您生成业绩报表。同样,MetaTrader 5 终端会存储您交易活动的详细记录,这些记录可以使用 MQL5 来创建完全定制的报表,并定义个性化的交付方式。
构建交易系统(第 1 部分):量化方法

构建交易系统(第 1 部分):量化方法

许多交易者根据短期表现来评估策略,往往过早放弃盈利的系统。然而,长期盈利能力取决于通过优化的胜率、风险回报比以及有纪律的仓位规模来实现的正期望值。这些原则可以通过 Python 中的蒙特卡洛模拟以及回测指标进行验证,以评估策略是否稳健或是否可能随时间推移而失败。
通过套接字将 MetaTrader 的 Tick 信息从 MQL5 服务传输到 Python 应用程序

通过套接字将 MetaTrader 的 Tick 信息从 MQL5 服务传输到 Python 应用程序

有时候,并非所有东西都能用 MQL5 语言编程实现。即使有可能在 MQL5 中转换现有的高级库,那也将是一项耗时的任务。本文试图证明,我们可以通过使用套接字将 MetaTrader 服务中的买卖报价和时间等 tick 信息传输到 Python 应用程序中,从而绕过对 Windows 操作系统的依赖。
科学家群体优化(CoSO):理论

科学家群体优化(CoSO):理论

元启发式方法中交易策略有效优化的秘诀。科学家群体优化算法是一种新型的基于种群的算法,其灵感来源于科学界的运作机制。与传统的自然启发式隐喻不同,CoSO 模型展现了人类科学活动的独特方面:在期刊上发表成果、竞争资助以及组建研究团队。
市场模拟:仓位视图(三)

市场模拟:仓位视图(三)

在之前的文章中,我们提到过有时需要为 ZOrder 属性设置一个值。但是为什么呢?原因在于,许多向图表添加对象的代码根本不使用(或者更准确地说,不定义)此属性的值。关键在于,我并不是来规定每个程序员应该或不应该做什么,或者他们应该或不应该如何编写代码的。亲爱的读者,我在此向您以及所有真正想了解这些过程内部运作原理的人展示,幕后究竟发生了什么。
在线性自回归模型残差上训练非线性 U-Transformer

在线性自回归模型残差上训练非线性 U-Transformer

本文介绍一套用于汇率预测的创新混合系统,它将线性自回归模型与用于残差分析的 U-Transformer 架构相结合。系统会根据信号质量自动切换信号来源,并内置完整的交易逻辑,支持摊平加仓/金字塔加仓策略。该方法的核心优势在于:神经网络只在线性模型的残差上训练,从而简化了任务并降低过拟合风险。整套实现完全使用 MQL5 编写,可直接用于实盘交易,并具备随市场环境变化自动适应的能力。
价格行为分析工具包开发(第三十七部分):市场情绪偏向计

价格行为分析工具包开发(第三十七部分):市场情绪偏向计

市场情绪是影响价格走势最容易被忽视的强大因素之一。尽管大多数交易者依赖滞后指标或是主观猜测,但市场情绪偏向计(STM)智能交易系统(EA)能够将原始市场数据转化为清晰的可视化指引,实时显示市场倾向看涨、看跌还是保持中性。这让确认交易、避免虚假入场信号以及更有效地把握市场参与时机变得更加容易。
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。
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。
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。
市场模拟:MQL5 中的 SQL 入门(四)

市场模拟:MQL5 中的 SQL 入门(四)

许多人往往低估了SQL,甚至根本不使用它,因为他们并不完全了解它的实际工作原理。在针对SQL数据库运行查询时,我们并不总是寻求一个通用的答案;在某些情况下,我们需要一个非常具体且实用的答案。如果数据库的结构和数据模型设计得当,几乎任何类型的信息都可以被整合到其中。