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。
人工电场算法（AEFA）
人工电场算法（AEFA）
本文介绍了一种受库仑静电力定律启发的人工电场算法（AEFA）。该算法通过模拟电学现象，利用带电粒子及其相互作用来解决复杂的优化问题。与其他基于自然法则的算法相比，AEFA具有独特性质。
化学反应优化（CRO）算法（第一部分）：在优化中处理化学
化学反应优化（CRO）算法（第一部分）：在优化中处理化学
在本文的第一部分中，我们将深入化学反应的世界并发现一种新的优化方法！化学反应优化 (CRO，Chemical reaction optimization) 利用热力学定律得出的原理来实现有效的结果。我们将揭示分解、合成和其他化学过程的秘密，这些秘密成为了这种创新方法的基础。
开发回放系统（第 53 部分）：事情变得复杂（五）
开发回放系统（第 53 部分）：事情变得复杂（五）
在本文中，我们将介绍一个很少有人了解的重要话题：定制事件。危险。这些要素的优缺点。对于希望成为 MQL5 或其他语言专业程序员的人来说，本主题至关重要。在此，我们将重点介绍 MQL5 和 MetaTrader 5。
跨邻域搜索（ANS）
跨邻域搜索（ANS）
本文揭示了跨邻域搜索（ANS）算法的潜力，作为重要的一步，旨在开发灵活且智能的优化方法，使其能够在搜索空间中考虑问题的具体特性和环境的动态变化。
开发回放系统（第 51 部分）：事情变得复杂（三）
开发回放系统（第 51 部分）：事情变得复杂（三）
在本文中，我们将研究 MQL5 编程领域最困难的问题之一：如何正确获取图表 ID，以及为什么对象有时不会绘制在图表上。此处提供的材料仅用于教学目的，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。
开发回放系统（第 49 部分）：事情变得复杂 (一)
开发回放系统（第 49 部分）：事情变得复杂 (一)
在本文中，我们将把问题复杂化。通过前面文章中展示的内容，我们将开始打开模板文件，以便用户可以使用自己的模板。不过，我将逐步进行修改，因为我还将改进指标，以减少 MetaTrader 5 的负载。
数据科学与机器学习（第22部分）：利用自编码器神经网络实现更智能的交易——从噪声中提炼信号
数据科学与机器学习（第22部分）：利用自编码器神经网络实现更智能的交易——从噪声中提炼信号
在瞬息万变的金融市场中，从噪音中分离出有意义的信号对于成功交易至关重要。通过采用复杂的神经网络架构，利用自动编码器发掘市场数据中的隐藏模式，将嘈杂的输入转化为可操作的类型。本文探讨了自动编码器如何改变交易实践，为交易者提供了一个强大的工具，以改善决策制定，并在当今瞬息万变的市场中获得竞争优势。
可视化交易图表（第二部分）：数据图形化展示
可视化交易图表（第二部分）：数据图形化展示
接下来，我们将从头开始编写一个脚本，以简化交易订单截图的加载过程，便于分析交易入场点。所有关于单个交易的必要信息都将方便地显示在一个图表上，并且该图表具备绘制不同时间框架的能力。
您应当知道的 MQL5 向导技术（第 13 部分）：智能信号类 DBSCAN
您应当知道的 MQL5 向导技术（第 13 部分）：智能信号类 DBSCAN
《基于密度的空间聚类参与噪声应用》是一种无监督的数据分组形式，除 2 个参数外，几乎不需要任何输入参数，比之其它方式，譬如 k-平均，这是一个福音。我们深入研究使用由向导组装的智能系统如何在测试、及最终交易时起到建设性作用。
在MetaTrader 5中集成隐马尔可夫模型
在MetaTrader 5中集成隐马尔可夫模型
在本文中，我们将展示如何将使用Python训练的隐马尔可夫模型（Hidden Markov Models, HMMs）集成到MetaTrader 5应用程序中。HMM是一种强大的统计工具，用于对时间序列数据进行建模，其中被建模的系统以不可观察（隐藏）的状态为特征。HMM的一个基本前提是，在特定时间处于给定状态的概率取决于该过程在前一个时间点的状态。