添加新文章
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。
适应性社会行为优化（ASBO）：两阶段演变
适应性社会行为优化（ASBO）：两阶段演变
我们继续探讨生物体的社会行为及其对新数学模型 ASBO（适应性社会行为优化）开发的影响。我们将深入研究两阶段演变，测试算法并得出结论。正如在自然界中，一群生物体共同努力生存一样，ASBO 使用集体行为原理来解决复杂的优化问题。
用Python和MQL5进行投资组合优化
用Python和MQL5进行投资组合优化
本文探讨了使用Python和MQL5结合MetaTrader 5进行高级投资组合优化的技术。文章展示了如何开发用于数据分析、资产配置和交易信号生成的算法，强调了在现代金融管理和风险缓解中数据驱动决策的重要性。
您应当知道的 MQL5 向导技术（第 20 部分）：符号回归
您应当知道的 MQL5 向导技术（第 20 部分）：符号回归
符号回归是一种回归形式，它从最小、甚或没有假设开始，而底层模型看起来应当映射所研究数据集。尽管它可以通过贝叶斯（Bayesian）方法、或神经网络来实现，但我们看看如何使用遗传算法实现，从而有助于在 MQL5 向导中使用自定义的智能信号类。
改编版 MQL5 网格对冲 EA（第 IV 部分）：优化简单网格策略（I）
改编版 MQL5 网格对冲 EA（第 IV 部分）：优化简单网格策略（I）
在第四篇中，我们重新审视了之前开发的“简单对冲”和“简单网格”智能系统（EA）。我们的专注点转移到通过数学分析和暴力方式完善简单网格 EA，旨在优化策略用法。本文深入策略的数学优化，为在以后文章中探索未来基于编码的优化奠定了基础。
开发回放系统（第 56 部分）：调整模块
开发回放系统（第 56 部分）：调整模块
虽然模块之间已经可以正常交互，但在回放服务中尝试使用鼠标指标时会出现错误。在进入下一步之前，我们需要解决这个问题。此外，我们还将修复鼠标指标代码中的一个问题。所以这个版本经过适当的打磨，最终会稳定下来。
开发回放系统（第 55 部分）：控制模块
开发回放系统（第 55 部分）：控制模块
在本文中，我们将实现一个控制指标，以便它可以集成到我们正在开发的消息系统中。虽然这并不难，但关于这个模块的初始化，有一些细节需要了解。此处提供的材料仅用于教育目的。除了学习和掌握所示的概念外，绝不应将其视为任何目的的应用程序。