添加新文章
在 MQL5 中创建交易管理面板（第九部分）：代码组织（二）：模块化
在 MQL5 中创建交易管理面板（第九部分）：代码组织（二）：模块化
在本次讨论中，我们进一步将 MQL5 程序分解为更小、更易于管理的模块。然后，这些模块化组件将被集成到主程序中，从而增强其组织性和可维护性。这种方法简化了我们主程序的结构，并使各个组件可以在其他EA和指标的开发中复用。通过采用这种模块化设计，我们为未来的增强功能创建了坚实的基础，这将使我们的项目和更广泛的开发者社区都受益。
创建MQL5交易管理员面板（第九部分）：代码组织（1）
创建MQL5交易管理员面板（第九部分）：代码组织（1）
这次将深入探讨处理大型代码库时遇到的挑战。我们将探索在MQL5中进行代码组织的最佳实践，并采用一种实用方法来提升我们交易管理面板源代码的可读性和可扩展性。此外，我们致力于开发可复用的代码组件，这些组件有可能为其他开发者在其算法开发过程中带来益处。请继续阅读并参与讨论。
开发回放系统（第 78 部分）：新 Chart Trade（五）
开发回放系统（第 78 部分）：新 Chart Trade（五）
在本文中，我们将研究如何实现部分接收方代码。在这里我们将实现一个 EA 交易来测试和了解协议交互是如何工作的。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
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。
集成学习模型中的门控机制
集成学习模型中的门控机制
在本文中，我们继续探讨集成模型，重点讨论“门控”的概念，尤其是门控如何通过整合模型输出来提升预测准确性或模型泛化能力。
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。
循环孤雌生殖算法（CPA）
循环孤雌生殖算法（CPA）
本文提出了一种新的群体优化算法——循环孤雌生殖算法（CPA），其灵感源自蚜虫独特的生殖策略。该算法融合了两种生殖机制：孤雌生殖（无性繁殖）与有性生殖，并借助蚜虫的群体结构以及群体间的迁徙能力。算法的核心特点包括：在不同生殖策略之间自适应切换和通过“迁飞”机制实现群体间的信息交换。
开发回放系统（第 76 部分）：新 Chart Trade（三）
开发回放系统（第 76 部分）：新 Chart Trade（三）
在本文中，我们将看看上一篇文章中缺少的 DispatchMessage 代码是如何工作的。我们还会介绍下一篇文章的主题。因此，在继续下一个主题之前，了解这段代码的工作原理非常重要。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
在训练中激活神经元的函数：快速收敛的关键？
在训练中激活神经元的函数：快速收敛的关键？
本文研究了在神经网络训练背景下，不同激活函数与优化算法之间的相互作用。我们特别关注了经典的 ADAM 算法及其种群版本在处理多种激活函数（包括振荡的 ACON 和 Snake 函数）时的表现。通过使用一个极简的 MLP (1-1-1) 架构和单个训练样本，我们将激活函数对优化的影响与其他因素隔离开来。文章提出了一种通过激活函数边界来管理网络权重的方法，以及一种权重反射机制，这有助于避免训练中的饱和和停滞问题。
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。
量子计算与交易：价格预测的新方法
量子计算与交易：价格预测的新方法
本文介绍了一种利用量子计算预测金融市场价格走势的创新方法。该方法主要应用量子相位估计（QPE）算法来寻找价格模式的原型，从而使交易者能够显著加快市场数据分析的速度。
人工部落算法（ATA）
人工部落算法（ATA）
文章提供了 ATA 优化算法关键组成部分和创新的详细讨论，其为一种进化方法，具有独特的双重行为系统，可根据状况进行调整。ATA 结合了个体和社会学习，同时使用交叉进行探索和迁徙，从而在陷入局部最优时找到解。
重新定义MQL5与MetaTrader 5指标
重新定义MQL5与MetaTrader 5指标
MQL5中一种创新的指标信息收集方法，使开发者能够向指标传递自定义输入参数以进行即时计算，从而实现了更灵活、更高效的数据分析。这种方法在算法交易中尤为实用，因为它能突破传统限制，增强对指标所处理信息的掌控力。
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。
开发回放系统（第 75 部分）：新 Chart Trade（二）
开发回放系统（第 75 部分）：新 Chart Trade（二）
在本文中，我们将讨论 C_ChartFloatingRAD 类。这就是 Chart Trade 发挥作用的原因。然而，解释并未就此结束，我们将在下一篇文章中完成它，因为这篇文章的内容相当广泛，需要深入理解。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
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。
开发回放系统（第 74 部分）：新 Chart Trade（一）
开发回放系统（第 74 部分）：新 Chart Trade（一）
在本文中，我们将修改本系列关于 Chart Trade 中显示的最后一段代码。这些变化对于使代码适应当前的回放/模拟系统模型是必要的。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
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。
开发回放系统（第 72 部分）：异常通信（一）
开发回放系统（第 72 部分）：异常通信（一）
我们今天创造的东西将很难理解。因此，在这篇文章中，我将只谈论初始阶段。请仔细阅读这篇文章，这是我们继续下一步的重要前提。本材料的目的纯粹是教学性的，因为我们只会学习和掌握所提出的概念，而没有实际应用。
开发一款波段交易入场监控智能交易系统（EA）
开发一款波段交易入场监控智能交易系统（EA）
随着年末临近，长期交易者往往会回顾市场历史数据，分析市场行为与趋势，以期预测未来可能的走势。本文将探讨如何使用MQL5开发一款长期交易入场监控智能交易系统（EA）。该系统的开发旨在解决因手动交易和缺乏自动化监控系统而导致的长期交易机会错失问题。我们将以交易量最为活跃的货币对之一为例，有效制定策略并开发我们的解决方案。
数据科学和机器学习（第 32 部分）：保持您的 AI 模型更新，在线学习
数据科学和机器学习（第 32 部分）：保持您的 AI 模型更新，在线学习
在瞬息万变的交易世界中，适应市场变化不仅是一种选择 — 而且是一种必要。每天都有新的形态和趋势出现，即使是最先进的机器学习模型，也难以面对不断变化的条件保持有效。在本文中，我们将探讨如何通过自动重训练，令您的模型保持相关性、及对新市场数据的响应能力。
基于通用 MLP 逼近器的EA
基于通用 MLP 逼近器的EA
本文介绍了一种在交易 EA 中使用神经网络的简单且易于实现的方法，该方法不需要深厚的机器学习知识。该方法免除了对目标函数进行归一化的步骤，同时克服了“权重爆炸”和“网络停滞”等问题，并提供了直观的训练过程和结果的可视化控制。
开发回放系统（第 71 部分）：取得正确的时间（四）
开发回放系统（第 71 部分）：取得正确的时间（四）
在本文中，我们将研究如何实现上一篇文章中所示的与回放/模拟服务相关的内容。就像生活中的许多其他事情一样，问题必然会出现。这次的情况也不例外。在这篇文章中，我们将继续改进。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。