添加新文章
价格行为分析工具包开发（第三十七部分）：市场情绪偏向计

价格行为分析工具包开发（第三十七部分）：市场情绪偏向计

市场情绪是影响价格走势最容易被忽视的强大因素之一。尽管大多数交易者依赖滞后指标或是主观猜测，但市场情绪偏向计（STM）智能交易系统（EA）能够将原始市场数据转化为清晰的可视化指引，实时显示市场倾向看涨、看跌还是保持中性。这让确认交易、避免虚假入场信号以及更有效地把握市场参与时机变得更加容易。
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。
价格行为分析工具包开发（第三十六部分）：实现Python直接读取MetaTrader 5行情数据流

价格行为分析工具包开发（第三十六部分）：实现Python直接读取MetaTrader 5行情数据流

借助Python的数据科学生态以及MetaTrader 5官方客户端库，充分挖掘MetaTrader 5终端的全部能力。本文演示如何完成身份校验，将实时Tick数据与分钟K线数据流直接写入Parquet存储；利用Ta技术指标库与Prophet时间序列预测工具完成高阶特征工程，并训练具备时间感知能力的梯度提升模型。接下来，我们部署轻量Flask服务，对外实时输出交易信号。无论您正在搭建混合量化框架，还是希望借助机器学习增强EA策略，都将掌握一套稳健的端到端流水线，用于数据驱动的算法交易。
量子储层计算（QRC）电路的实现

量子储层计算（QRC）电路的实现

借助量子计算实现交易领域机器学习的革命性方案。本文演示一套可实际落地的自适应量子储层计算（QRC）系统，该系统支持持续学习，用于实时预测市场行情走势。
市场模拟：MQL5 中的 SQL 入门（四）

市场模拟：MQL5 中的 SQL 入门（四）

许多人往往低估了SQL，甚至根本不使用它，因为他们并不完全了解它的实际工作原理。在针对SQL数据库运行查询时，我们并不总是寻求一个通用的答案；在某些情况下，我们需要一个非常具体且实用的答案。如果数据库的结构和数据模型设计得当，几乎任何类型的信息都可以被整合到其中。
基于Mamba选择性状态空间模型的神经网络交易机器人开发

基于Mamba选择性状态空间模型的神经网络交易机器人开发

本文探究可用于金融时间序列预测的创新性Mamba/SSM神经网络架构。我们将完整介绍该模型在MQL5平台下的实现方案，它是Transformer的现代替代方案，计算复杂度为线性O(N)，而非二次复杂度O(N²)。还会详细讲解选择性状态空间模型、硬件感知优化、分块处理，以及先进的AdamW训练算法。并附带实测结果：模型预测准确率由62%提升至71%，同时训练耗时从45分钟缩短至8分钟。本文提供一个现成的MetaTrader 5交易EA，具备自动训练与自适应风险管理能力。
基于协整股票的统计套利（第二部分）：EA、回测与优化

基于协整股票的统计套利（第二部分）：EA、回测与优化

本文展示一个智能交易系统（EA）示例，用于交易一篮子四只纳斯达克股票。选股流程如下：首先通过皮尔逊相关系数检验进行初步筛选；再对筛选后的股票组进行约翰森协整检验；最后通过ADF检验与KPSS检验验证协整价差的平稳性。本文将对这一流程做补充说明，并展示经过小幅优化后的回测结果。
Python-MetaTrader 5 策略测试器（第一部分）：交易模拟器

Python-MetaTrader 5 策略测试器（第一部分）：交易模拟器

Python 提供的 MetaTrader 5 模块支持通过 Python 在 MetaTrader 5 客户端发起交易，但存在一个重大缺陷：该模块不具备 MetaTrader 5 客户端自带的策略测试器功能。在本系列文章中，我们将搭建一套框架，实现基于 Python 环境的交易策略回测。
人工原子算法（A3）

人工原子算法（A3）

本文介绍如何在 MQL5 中实现人工原子算法（A3）—— 一种受化学过程启发的元启发式优化算法。该算法只有两个可调参数：紧凑性和较小的种群规模，这保证了较高的运行速度，同时保持了足够的解质量。
价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型

价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型

你是否曾错过市场突然的尖峰行情，或者在行情发生时措手不及？预判实时行情的最佳方法是从历史形态中学习。为了训练一个机器学习模型，本文首先向您展示如何在 MetaTrader 5 中创建一个脚本，用于摄取历史数据并将其发送到 Python 进行存储 —— 为您的尖峰检测系统奠定基础。继续阅读，了解每个步骤的实际操作。
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。
MQL5中的自优化智能交易系统（第十部分）：矩阵分解

MQL5中的自优化智能交易系统（第十部分）：矩阵分解

分解是一种用于挖掘数据属性规律的数学方法。当我们将分解应用于以行列形式组织的海量市场数据时，能够从中挖掘市场的模式与特征。分解是一种强大的工具，本文将展示如何在MetaTrader 5终端中通过MQL5 API使用该方法，从而更深入地洞察市场数据。
利用机器学习研究分形市场结构导论

利用机器学习研究分形市场结构导论

本文尝试从自相似分形结构的角度来研究金融时间序列。鉴于我们有众多类比证实市场报价可作为自相似分形来考虑，这使我们能够思考此类结构的预测视野。
您应该了解的MQL5向导技巧（第 75 部分）：动量震荡指标与包络线的应用

您应该了解的MQL5向导技巧（第 75 部分）：动量震荡指标与包络线的应用

比尔・威廉姆斯的动量震荡指标（AO）与包络线通道是一对可以在 MQL5 智能交易系统（EA）中互补使用的指标组合。我们利用动量震荡指标识别趋势的能力，同时引入包络线通道来定义支撑位和阻力位。在探索这组指标组合的过程中，我们使用 MQL5 向导来构建并测试二者可能具备的交易潜力。
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。
交易所市场算法（EMA）

交易所市场算法（EMA）

本文对交易所市场算法（EMA）进行了详细分析，该算法的灵感来源于股票市场交易者的行为模式。算法模拟股票交易过程，市场中不同成功程度的参与者采用不同策略以实现利润最大化。
按小时、星期几和每月日期分析的季节性指标

按小时、星期几和每月日期分析的季节性指标

本文介绍如何开发一款用于分析金融市场中重复性价格模式的工具 —— 可按每月日期（1-31 日）、星期几（周一至周日）或每日小时（0-23 时）进行分析。该指标分析历史数据，计算每个周期的平均收益率，并以直方图形式展示结果并附带预测。指标包含可自定义参数：季节性类型、分析 K 线数量、以百分比或绝对值显示、图表颜色等。
您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用

您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用

本文将承接前一篇文章，之前我们介绍了MACD与OBV指标组合，本文将探讨如何通过机器学习对这一指标组合进行优化增强。MACD属于趋势指标，OBV属于成交量指标，二者为互补指标组合。本文采用卷积神经网络机器学习方案，通过有理二次核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
回溯搜索算法（BSA）

回溯搜索算法（BSA）

如果一款优化算法能够记住它过往的搜索路径，并利用这些记忆去找到更优解，会是怎样的效果？回溯搜索算法（BSA）正是这样做的 —— 在全局探索与重访已验证可靠区域之间取得平衡。本文将为您揭开该算法的原理奥秘，思路简洁、参数极少、结果稳定。