在Python和MQL5中应用局部特征选择
在Python和MQL5中应用局部特征选择
本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。
开发回放系统（第 61 部分）：玩转服务（二）
开发回放系统（第 61 部分）：玩转服务（二）
在本文中，我们将研究使回放/模拟系统更高效、更安全地运行的修改。我也不会对那些想要充分利用这些类的人置之不理。此外，我们将探讨 MQL5 中的一个特定问题，即在使用类时降低代码性能，并解释如何解决它。
随机优化和最优控制示例
随机优化和最优控制示例
这款名为SMOC（可能代表随机模型最优控制）的EA，是MetaTrader 5平台上一个较为先进的算法交易系统的简单示例。它结合了技术指标、模型预测控制以及动态风险管理来做出交易决策。该EA融入了自适应参数、基于波动率的仓位规模调整以及趋势分析，以优化其在不同市场条件下的表现。
开发回放系统（第 60 部分）：玩转服务（一）
开发回放系统（第 60 部分）：玩转服务（一）
很长一段时间以来，我们一直在研究指标，但现在是时候让服务重新工作了，看看图表是如何根据提供的数据构建的。然而，由于整个事情并没有那么简单，我们必须注意了解前方等待我们的是什么。
数据科学和机器学习（第 28 部分）：使用 AI 预测 EURUSD 的多个期货
数据科学和机器学习（第 28 部分）：使用 AI 预测 EURUSD 的多个期货
众多人工智能模型的惯常做法是预测单一未来值。不过，在本文中，我们将钻研运用机器学习模型的更强大技术，即预测多个未来值。这种方式被称为多步预测，它令我们不仅能够预测明天的收盘价，还可以预测后天、及更久的收盘价。通过掌握多步骤预测，交易者和数据科学家能够获得更深入的见解，并制定更明智的决策，从而显著增强他们的预测能力和策略计划。
数据科学与机器学习（第 15 部分）：SVM，每个交易员工具箱中的必备工具
数据科学与机器学习（第 15 部分）：SVM，每个交易员工具箱中的必备工具
探索支持向量机 (SVM，Support Vector Machines) 在塑造未来交易中不可或缺的作用。本综合指南探讨了 SVM 如何提升您的交易策略，增强决策能力，并在金融市场中释放新的机会。通过实际应用、分步教程和专家见解深入了解 SVM 的世界。为自己配备必要的工具，帮助您应对现代交易的复杂性。使用 SVM 提升您的交易能力 — 这是每个交易者工具箱中的必备工具。
在 MQL5 中创建交易管理员面板（第一部分）：构建消息接口
在 MQL5 中创建交易管理员面板（第一部分）：构建消息接口
本文讨论了为 MetaTrader 5 创建一个消息接口，旨在帮助系统管理员在平台内直接与其他交易者进行沟通。MQL5 最近与社交平台的整合使得信号能够通过不同渠道快速广播。想象一下，只需点击“是”或“否”就能确认发送信号。继续阅读以了解更多信息。
周期与外汇
周期与外汇
周期在我们的生活中具有极其重要的意义。昼夜交替、四季更迭、一周的七天以及许多其他不同性质的周期都存在于每个人的生活中。在本文中，我们将探究金融市场中的周期。
无政府社会优化（ASO）算法
无政府社会优化（ASO）算法
本文中，我们将了解无政府社会优化（Anarchic Society Optimization，ASO）算法，并探讨一个基于无政府社会（一个摆脱中央权力和各种等级制度的异常社会交互系统）中参与者非理性与冒险行为的算法是如何能够探索解空间并避免陷入局部最优陷阱的。本文提出了一种适用于连续问题和离散问题的统一ASO结构。
使用MQL5中的动态时间规整进行模式识别
使用MQL5中的动态时间规整进行模式识别
在本文中，我们探讨了动态时间规整（Dynamic Time Warping，DTW）作为识别金融时间序列中预测模式的一种方法。我们将深入了解其工作原理，并在纯MQL5语言中展示其实现方法。
动物迁徙优化（AMO）算法
动物迁徙优化（AMO）算法
本文介绍了AMO算法，该算法通过模拟动物的季节性迁徙来寻找适合生存和繁殖的最优条件。AMO的主要特点包括使用拓扑邻域和概率更新机制，使得其易于实现，并且能够灵活应用于各种优化任务。
人工蜂巢算法（ABHA）：测试与结果
人工蜂巢算法（ABHA）：测试与结果
在本文中，我们将继续深入探索人工蜂巢算法（ABHA），通过深入研究代码并探讨其余的方法。正如您可能还记得的那样，模型中的每只蜜蜂都被表示为一个独立的智能体，其行为取决于内部和外部信息以及动机状态。我们将在各种函数上测试该算法，并通过在评分表中呈现结果来总结测试效果。
开发回放系统（第 59 部分）：新的未来
开发回放系统（第 59 部分）：新的未来
正确理解不同的想法可以让我们事半功倍。在本文中，我们将探讨为什么在服务与图表交互之前需要配置模板。此外，如果我们改进鼠标指标，这样我们就可以用它做更多的事情呢？
人工蜂巢算法（ABHA）：理论及方法
人工蜂巢算法（ABHA）：理论及方法
在本文中，我们将探讨2009年开发的人工蜂巢算法（ABHA）。该算法旨在解决连续优化问题。我们将研究ABHA如何从蜂群的行为中汲取灵感，其中每只蜜蜂都有独特的角色，帮助它们更有效地寻找资源。
开发回放系统（第 58 部分）：重返服务工作
开发回放系统（第 58 部分）：重返服务工作
在回放/模拟器服务的开发和改进暂停之后，我们正在恢复该工作。现在我们已经放弃使用终端全局变量等资源，我们将不得不完全重组其中的一些部分。别担心，我们会详细解释这个过程，这样每个人都可以关注我们服务的发展。
基于转移熵的时间序列因果分析
基于转移熵的时间序列因果分析
在本文中，我们讨论了如何将统计因果关系应用于识别预测变量。我们将探讨因果关系与传递熵（Transfer Entropy, TE）之间的联系，并展示用于检测两个变量之间信息方向性传递的MQL5代码。
开发回放系统（第 57 部分）：了解测试服务
开发回放系统（第 57 部分）：了解测试服务
需要注意的一点是：虽然服务代码没有包含在本文中，只会在下一篇文章中提供，但我会解释一下，因为我们将使用相同的代码作为我们实际开发的跳板。因此，请保持专注和耐心。等待下一篇文章，因为每一天都变得更加有趣。
将您自己的 LLM 集成到 EA 中（第 3 部分）：使用 CPU 训练自己的 LLM
将您自己的 LLM 集成到 EA 中（第 3 部分）：使用 CPU 训练自己的 LLM
在人工智能飞速发展的今天，大语言模型（LLM）是人工智能的重要组成部分，所以我们应该思考如何将强大的 LLM 融入到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。