添加新文章
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。
利用深度强化学习优化Ilan智能交易系统

利用深度强化学习优化Ilan智能交易系统

本研究对经典Ilan网格交易策略进行改进，通过在MQL5中集成Q-learning算法，构建出适用于MetaTrader 5平台的自适应版本。本文展示如何定义状态特征、将连续状态空间映射为Q-table可处理的离散值、使用ε-贪婪算法选择操作，以及针对平均持仓收益与平仓事件设计奖励机制。您将实现Q-table的存储与加载功能、通过参数调优优化学习效率，并在策略测试器中对EURUSD（欧元兑美元）/AUDUSD（澳元兑美元）进行测试，以评估稳定性和回撤风险。
从新手到专家：用MQL5实现动态新闻头条（八）—— 新闻交易快捷交易按钮

从新手到专家：用MQL5实现动态新闻头条（八）—— 新闻交易快捷交易按钮

虽然算法交易系统可以实现自动化操作，但许多新闻交易者与剥头皮交易者更倾向于在高影响力新闻事件和快节奏行情中主动掌控交易，这就要求具备快速的订单执行与管理能力。这一点凸显了对直观前端交互工具的需求 —— 这类工具需集成实时新闻推送、财经日历数据、指标分析、AI分析以及高响应交易控件。
使用机器学习检测与分类分形模式

使用机器学习检测与分类分形模式

在本文中，我们将探讨一个有趣的话题：利用机器学习进行分形分析和市场预测。这只是迈向探索金融价格图表上形成的各种分形结构的最初几步。我们将利用相关性来发现模式，并使用 CatBoost 算法对这些模式进行分类。
协方差矩阵自适应演化策略（CMA-ES）

协方差矩阵自适应演化策略（CMA-ES）

本文探讨了一种最有趣的非梯度优化算法，该算法能够学习理解目标函数的几何特性。我们将重点关注对 CMA-ES 的经典实现，并稍作修改 — 用幂律分布代替正态分布。我们将深入探究算法背后的数学原理以及实际实现方式，并验证 CMA-ES 在哪些方面无懈可击，以及在哪些方面应避免使用。
极值优化（EO）

极值优化（EO）

本文介绍极值优化算法（EO），这是一种受Bak-Sneppen（巴克–斯内彭）自组织临界性模型启发的优化方法，通过淘汰系统中表现最差的组件来实现演化。该算法的改进种群版本表明，其设计已从理论原则转向更注重实际效率，由此构建出高效的计算工具。
海豚回波定位算法（DEA）

海豚回波定位算法（DEA）

在本文中，我们将深入探讨 DEA 算法：一种受海豚利用回声定位捕食的独特能力启发而设计的元启发式优化方法。从数学基础到 MQL5 中的实际实现，从原理分析到与经典算法的对比，我们将详细剖析为什么这一相对较新的方法值得在面临优化问题的研究者工具箱中占有一席之地。
您应该了解的MQL5向导技巧（第七十四部分）：结合监督学习运用一目均衡表与ADX-Wilder形态

您应该了解的MQL5向导技巧（第七十四部分）：结合监督学习运用一目均衡表与ADX-Wilder形态

本文为前一篇文章的延续，之前我们介绍了一目均衡表（Ichimoku）与ADX指标组合，本篇将探讨如何通过监督学习对这一指标组合进行优化改进。一目均衡表与ADX是一组互补型指标组合，前者侧重支撑/阻力判断，后者侧重趋势识别。我们采用的监督学习方案基于深度谱混合核神经网络，对该指标组合的预测结果进行精细调优。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导直接组装成智能交易系统（EA）。
老鹰策略（ES）

老鹰策略（ES）

老鹰策略是一种模拟老鹰两阶段捕猎策略的算法：通过曼特尼亚（Mantegna）方法实现的莱维（Levy）飞行进行全局搜索，与利用萤火虫算法进行的密集局部开发交替进行，这是一种在数学上合理的探索与开发平衡方法，也是一种将两种自然现象融合为单一计算方法的生物启发式概念。
机器学习交易系统中的隐马尔可夫模型

机器学习交易系统中的隐马尔可夫模型

隐马尔可夫模型（HMM）是一类强大的概率模型，用于分析序列数据，其中观测值取决于形成马尔可夫过程的某些未观察（隐藏）状态的序列。HMM 的主要假设包括隐状态的马尔可夫性质，即转移到下一个状态的概率仅取决于当前状态，以及在当前隐状态已知的情况下，观测值是独立的。
基于生物地理学的优化算法（BBO）

基于生物地理学的优化算法（BBO）

基于生物地理学的优化算法（BBO）是一种精巧的全局优化算法，灵感源自群岛中物种在各个岛屿间迁徙的自然规律。该算法的核心思路简洁且高效：优质解会主动共享自身特征，劣质解则主动吸纳新特征，信息天然从最优解向较差解传递。其独有的自适应变异算子能够很好地平衡算法的全局探索与局部利用能力。在各类优化任务中，BBO 算法均表现出较高的运算效率。
您应该了解的MQL5向导技巧（第六十九部分）：使用SAR与RVI的形态

您应该了解的MQL5向导技巧（第六十九部分）：使用SAR与RVI的形态

抛物线转向指标（SAR）与相对活力指数（RVI）是另一组可在MQL5智能交易系统（EA）中搭配使用的指标。和我们之前讲过的组合类似，这对指标也具备互补性：SAR用于判断趋势，RVI用于衡量动量。与先前一样，我们通过MQL5向导来构建并测试这一指标组合的潜在效果。
你应该了解的 MQL5 向导技巧（第67部分）：使用 TRIX 和威廉百分比范围的形态

你应该了解的 MQL5 向导技巧（第67部分）：使用 TRIX 和威廉百分比范围的形态

三重指数平滑摆动指标（TRIX）与威廉百分比指标，是另一组可在 MQL5 智能交易系统（EA）中搭配使用的技术指标。和我们此前介绍的指标组合一样，这组指标同样具备互补性：TRIX 用于判断趋势，威廉百分比指标则确认支撑位与阻力位。按照惯例，我们借助 MQL5 向导，测试这两个指标组合的实战可行性。
确定性振荡搜索（DOS）

确定性振荡搜索（DOS）

确定性振荡搜索（DOS）算法是一种创新的全局优化方法，它结合了梯度算法与群体算法的优点，且不使用任何随机数。适应度振荡与斜率机制使得DOS能够以确定性方式探索复杂的搜索空间。
在MQL5中实现盈亏平衡机制（第一部分）：基类与固定点数的盈亏平衡模式

在MQL5中实现盈亏平衡机制（第一部分）：基类与固定点数的盈亏平衡模式

本文将探讨如何使用MQL5语言，在自动化交易策略中应用盈亏平衡机制。我们会先简要介绍什么是盈亏平衡模式、其实现方式以及可能存在的不同类型。随后，该功能将被集成到我们在上一篇关于风险管理的文章中所构建的Order Blocks智能交易系统（EA）中。为评估盈亏平衡机制的效果，我们会在特定条件下进行两组回测：一组启用盈亏平衡机制，另一组则不启用。
骆驼算法（CA）

骆驼算法（CA）

骆驼算法（CA）于 2016 年被提出，该算法模拟沙漠中骆驼的行为特征来求解优化问题，同时考量温度、供给储备和耐力三大因素。本文还提出了该算法的改进版本（CAm），核心改进包括：在解的生成过程中引入高斯分布，并对绿洲效应参数进行优化。
基于分形的算法（FBA）

基于分形的算法（FBA）

本文提出了一种新型元启发式算法，该算法基于分形思想对搜索空间进行划分，以求解优化问题。该算法通过逐步识别并分离有前景的区域，构建出自相似的分形结构，从而将计算资源集中到最有前景的搜索区域。其独特的、面向更优解的变异机制，有助于在搜索空间的全局探索与局部开发之间取得良好的平衡，显著提升了算法效率。
大逃杀优化器（BRO）

大逃杀优化器（BRO）

本文探讨了大逃杀优化器算法 —— 这是一种元启发式算法，其中各解与其最近邻进行竞争，累积"伤害"，当超过阈值时被替换，并周期性地在当前最优解周围缩小搜索空间。文章提供了CAOBRO类的伪代码及MQL5中的实现，包括邻近搜索、向最优解移动以及自适应δ间隔。在Hilly、Forest和Megacity测试函数上的实验结果突出了该方法的优势与局限性。读者可以获得一套开箱即用的基础框架，用于实验和调优关键参数，如种群大小（popSize） 和最大伤害值（maxDamage）。
MQL5自优化智能交易系统（第九部分）：双移动平均线交叉

MQL5自优化智能交易系统（第九部分）：双移动平均线交叉

本文将介绍双移动平均线交叉策略的设计思路：利用更高的时间框架（日线D1）的信号指导更低的时间框架（15分钟M15）的入场，并通过中间风险周期（4小时H4）计算止损位。本文将讲解系统常量、自定义枚举，以及趋势跟踪和均值回归模式的逻辑，同时强调代码模块化与未来遗传算法优化的扩展性。该方法支持灵活的入场/出场条件，通过让较低的时间框架入场与较高的时间框架趋势保持一致，减少信号滞后、优化交易时机。
MQL5自优化智能交易系统（第八部分）：多策略分析（3）—— 加权投票机制

MQL5自优化智能交易系统（第八部分）：多策略分析（3）—— 加权投票机制

本文将探讨如何确定集成策略中最优的策略数量 —— 这是一个复杂问题，而借助MetaTrader 5的遗传算法优化器可以轻松解决。同时，我们也会使用MQL5云端计算作为核心资源，加速回测与优化过程。具体而言，本篇内容将为后续开发统计评估模型奠定基础，用于基于初始集成结果评估并改进交易策略。
构建动态多品种EA（第三部分）：均值回归与动量策略

构建动态多品种EA（第三部分）：均值回归与动量策略

在本文中，我们将继续讲解构建动态多品种智能交易系统（EA）的第三部分内容，重点聚焦于均值回归策略与动量交易策略的融合。我们将详细拆解如何检测价格对均值的偏离（通过Z-分数）并据此执行交易，以及如何在多个外汇对上测算动量，以此确定交易方向。
珊瑚礁优化算法（CRO）

珊瑚礁优化算法（CRO）

本文对珊瑚礁优化（CRO）算法进行了全面分析，该算法是一种受珊瑚礁形成与发育生物过程启发的元启发式方法。该算法对珊瑚进化的关键环节进行了建模，包括广播产卵（群体产卵）、体内受精（抱卵孵化）、幼虫附着、无性繁殖以及有限礁区空间的竞争。尤其关注该算法的改进版本。
市场模拟（第 14 部分）：套接字（八）

市场模拟（第 14 部分）：套接字（八）

许多程序员可能会认为，我们应该放弃使用 Excel，直接使用 Python，使用一些允许 Python 生成 Excel 文件以供以后分析结果的包。不过，正如前一篇文章提到的，虽然这个解决方案对于很多程序员来说是最简单的，但它不会被一些用户接受。在这种特殊情况下，用户总是正确的。作为程序员，我们必须找到一种让一切都能正常工作的方法。
MQL5交易管理面板开发（第十二部分）：汇率计算器的集成

MQL5交易管理面板开发（第十二部分）：汇率计算器的集成

精准计算核心交易价值，是每位交易者必不可少的日常工作。本文介绍如何将汇率计算器集成至交易管理面板，以此拓展多面板交易管理系统的功能。在执行交易时，快速确定风险敞口、头寸规模及潜在盈利至关重要，这一新功能旨在使面板内参数的计算过程更高效、更直观。让我们共同探索MQL5在构建高级交易面板中的实战应用。
风险管理（第四部分）：完善关键类方法

风险管理（第四部分）：完善关键类方法

这是我们关于 MQL5 风险管理系列文章的第四部分，我们将继续探索保护和优化交易策略的高级方法。在前几篇文章中奠定了重要的基础之后，我们现在将专注于完成第三部分中推迟的所有剩余方法，包括检查是否达到特定利润或亏损水平的函数。此外，我们将引入新的关键事件，以实现更准确、更灵活的风险管理。
神经Boid优化算法2（NOA2）

神经Boid优化算法2（NOA2）

新型专有优化算法NOA2融合了种群智能原理与神经控制机制。NOA2将神经Boid的运动机制与自适应神经系统结合，使智能体在搜索最优解的过程中能够自我修正其行为。该算法目前正处于积极开发阶段，展现出对于解决复杂优化问题的潜力。
MQL5 交易策略自动化（第 23 部分）：带追踪止损与篮子交易的区间补仓系统

MQL5 交易策略自动化（第 23 部分）：带追踪止损与篮子交易的区间补仓系统

在本文中，我们将通过引入追踪止损机制与多篮子交易功能，对原有区间补仓系统（Zone Recovery System）进行升级优化。我们将探索升级版架构如何借助动态追踪止损机制锁定已实现利润，以及通过篮子交易管理系统高效处理多维度交易信号。通过实现与回测，我们展示了一个更强大、更能适应市场变化表现的交易系统。