Add a new article
在Python中使用Numba对交易策略进行快速测试
在Python中使用Numba对交易策略进行快速测试
本文实现了一个快速策略测试器，它使用Numba对机器学习模型进行快速策略测试。它的速度比纯 Python 策略回测器快 50 倍。作者推荐使用该库来加速数学计算，尤其是那些涉及循环的计算。
周期与交易
周期与交易
本文将探讨如何在交易中运用周期理论。我们将考虑基于周期模型构建交易策略。
构建K线趋势约束模型（第九部分）：多策略EA（2）
构建K线趋势约束模型（第九部分）：多策略EA（2）
理论上，可以集成至EA中的策略数量没有上限。然而，每新增一种策略都会提升算法复杂度。通过融合多策略架构，EA能够更灵活地适应不同市场环境，从而可能提升整体盈利能力。今天，我们将探讨如何通过MQL5实现理查德·唐奇安（Richard Donchian）的经典通道突破策略，以此进一步拓展我们的趋势约束型EA功能体系。
人工喷淋算法（ASHA）
人工喷淋算法（ASHA）
本文介绍了人工喷淋算法（Artificial Showering Algorithm，ASHA），这是一种为解决一般优化问题而开发的新型元启发式方法。基于对水流和积聚过程的模拟，该算法构建了理想场的概念，其中要求每个资源单元（水）找到最优解。我们将了解 ASHA 如何调整流和累积原则来有效地分配搜索空间中的资源，并查看其实现和测试结果。
在MQL5中创建交易管理员面板（第七部分）：可信任用户、密码恢复与加密技术
在MQL5中创建交易管理员面板（第七部分）：可信任用户、密码恢复与加密技术
每次刷新图表、通过管理面板EA添加新交易品种或重启终端时触发的安全提示，可能会让人感觉繁琐。在本次讨论中，我们将探索并实现一项功能，该功能通过跟踪登录尝试次数来识别可信用户。在达到一定次数的失败尝试后，应用程序将切换至高级登录流程，该流程还为可能忘记密码的用户提供密码恢复功能。此外，我们还将介绍如何将加密技术有效集成到管理面板中，以增强安全性。
MQL5 交易管理面板开发指南（第六部分）：交易管理面板（续篇）
MQL5 交易管理面板开发指南（第六部分）：交易管理面板（续篇）
在本文中，我们对多功能管理面板的“交易面板”进行升级。我们引入一个强大的辅助函数，大幅简化代码，提高可读性、可维护性与运行效率。同时演示如何无缝集成更多按钮，并优化界面，以支持更广泛的交易任务。无论是持仓管理、订单调整，还是简化交互，本文将助您打造稳健且易用的交易管理面板。
从Python到MQL5：量子启发式交易系统的探索之旅
从Python到MQL5：量子启发式交易系统的探索之旅
本文探讨了量子启发式交易系统的开发过程，该系统从Python原型过渡到MQL5实现，以应用于现实世界的交易中。该系统运用了量子计算原理（如叠加态和纠缠态）来分析市场状态，尽管这是在经典计算机上使用量子模拟器运行的。该系统的关键特性包括：采用三量子比特系统，可同时分析八种市场状态；设置24小时的回溯观察期；并运用七种技术指标进行市场分析。尽管准确率看似一般，但若结合恰当的风险管理策略，该系统仍能提供显著的优势。
在MQL5中创建交易管理员面板（第六部分）：多功能界面（一）
在MQL5中创建交易管理员面板（第六部分）：多功能界面（一）
交易管理员的角色不仅限于Telegram通信，他们还可以参与各种控制活动，包括订单管理、持仓跟踪和界面定制。在本文中，我们将分享有关扩展程序以支持MQL5中多种功能的实用见解。此次更新旨在克服当前管理员面板主要聚焦于通信这一局限，使其能够处理更广泛的任务。
使用MQL5经济日历进行交易（第二部分）：创建新闻交易面板
使用MQL5经济日历进行交易（第二部分）：创建新闻交易面板
在本文中，我们使用MQL5经济日历创建了一个实用的新闻交易面板，来增强我们的交易策略。我们首先设计布局，重点关注事件名称、重要性和时间等关键元素，然后在MQL5中进行设置。最后，我们实现了一个过滤系统，只显示相关性最强的新闻，为交易者快速提供有影响力的经济事件。
ALGLIB库优化方法（第一部分）
ALGLIB库优化方法（第一部分）
在本文中，我们将了解适用于MQL5的ALGLIB库的优化方法。本文包含了使用ALGLIB解决优化问题的简单且清晰的示例，旨在使读者能够尽可能轻松地掌握这些方法。我们将详细探讨BLEIC、L-BFGS和NS等算法的连接方式，并使用它们来解决一个简单的测试问题。
创建一个基于日波动区间突破策略的 MQL5 EA
创建一个基于日波动区间突破策略的 MQL5 EA
在本文中，我们将创建一个基于日波动区间突破策略的 MQL5 EA。我们阐述该策略的关键概念，设计EA框架蓝图，并在 MQL5 语言中实现突破策略逻辑。最后，我们将探讨用于回测和优化EA的技术，以最大限度地提高其有效性。
非洲水牛优化（ABO）
非洲水牛优化（ABO）
本文介绍了非洲水牛优化（ABO）算法，这是一种于2015年开发的元启发式方法，基于这些动物的独特行为。文章详细描述了算法实现的各个阶段及其在解决复杂问题时的效率，这使得它成为优化领域中一个有价值的工具。
大气云模型优化（ACMO）：实战
大气云模型优化（ACMO）：实战
在本文中，我们将继续深入研究大气云模型优化（ACMO）算法的实现。特别是，我们将讨论两个关键方面：云向低压区域的移动以及降雨模拟，包括液滴的初始化及其在云中的分布。我们还将研究其他在管理云的状态以及确保它们与环境相互作用方面发挥重要作用的方法。
射箭算法（Archery Algorithm, AA）
射箭算法（Archery Algorithm, AA）
本文详细探讨了受射箭启发的优化算法——射箭算法（Archery Algorithm, AA），重点介绍了如何使用轮盘赌法（roulette method）作为选择“箭矢”目标区域的机制。该方法允许评估解决方案的质量，并选择最有希望的位置进行进一步的探究。
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。
细菌趋化优化（BCO）
细菌趋化优化（BCO）
本文介绍了细菌趋化优化（Bacterial Chemotaxis Optimization，简称 BCO）算法的原始版本及其改进版本。我们将详细探讨所有不同之处，特别关注 BCOm 的新版本，该版本简化了细菌的移动机制，减少了对位置历史的依赖，并且使用了比原始版本计算量更小的数学方法。我们还将进行测试并总结结果。
禁忌搜索（TS）
禁忌搜索（TS）
本文讨论了禁忌搜索（Tabu Search）算法，这是一种最早且最为人所知的元启发式方法之一。我们将详细探讨该算法的运行过程，从选择初始解并探索邻近选项开始，重点介绍使用禁忌表。文章涵盖了该算法的关键方面及其特性。
将您自己的 LLM 集成到 EA 中（第 4 部分）：使用 GPU 训练自己的 LLM
将您自己的 LLM 集成到 EA 中（第 4 部分）：使用 GPU 训练自己的 LLM
随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合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。
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。
使用 LSTM 神经网络创建时间序列预测：规范化价格和令牌化时间
使用 LSTM 神经网络创建时间序列预测：规范化价格和令牌化时间
本文概述了一种使用每日范围对市场数据进行归一化并训练神经网络以增强市场预测的简单策略。开发的模型可以与现有的技术分析框架结合使用，也可以单独使用，以帮助预测整体市场方向。任何技术分析师都可以进一步完善本文中概述的框架，以开发适用于手动和自动交易策略的模型。
人工藻类算法（Artificial Algae Algorithm，AAA）
人工藻类算法（Artificial Algae Algorithm，AAA）
文章探讨了基于藻类微生物特征的人工藻类算法（AAA）。该算法包括螺旋运动、进化过程和适应性，使其能够解决优化问题。本文深入分析了AAA的工作原理及其在数学建模中的潜力，强调了自然与算法解决方案之间的联系。
使用 SMA 和 EMA 自动优化止盈和指标参数的示例
使用 SMA 和 EMA 自动优化止盈和指标参数的示例
本文介绍了一种用于外汇交易的复杂 EA 交易，它能够将机器学习与技术分析相结合。它专注于交易苹果股票，具有自适应优化、风险管理和多策略的特点。回溯测试显示出良好的结果，盈利能力较高，但也有显著的回撤，表明还有进一步改进的潜力。