添加新文章
一张图表上的多个指标（第 06 部分）：将 MetaTrader 5 转变为 RAD 系统（II）
一张图表上的多个指标（第 06 部分）：将 MetaTrader 5 转变为 RAD 系统（II）
在我的前一篇文章中，我向您展示了如何利用 MetaTrader 5 对象创建图表交易，从而将平台转变为 RAD 系统。 该系统运行良好，可以肯定的是，许多读者也许已经考虑过创建一个函数库，令其能够在拟议的系统中扩展功能。 有基于此，就有可能开发一款更直观的智能交易系统，其界面更友好、更易于使用。
数据科学与机器学习（第 01 部分）：线性回归
数据科学与机器学习（第 01 部分）：线性回归
我们作为交易员，现在是时候基于数字所言来培训我们的系统，并自行制定决策了。 尽管我们的眼睛看不到，但我们的勇气让我们相信，这是世界前进的方向，所以，让我们顶着波浪的方向移动。
学习如何基于动量设计交易系统
学习如何基于动量设计交易系统
在我上一篇文章中，我曾提到了判断价格走势的重要性。 在本文中，我将分享最重要的概念和指标之一，即动量指标。 我还将分享如何基于这个动量指标设计一款交易系统。
您能用移动平均线做什么呢
您能用移动平均线做什么呢
本文研究了若干种移动平均指标的应用方法。 每种方法涉及到的曲线分析，都配有思想实现的可视化指标。 在大多数情况下，这里展示的所有思路均属于它们尊敬的作者。 我唯一的任务就是把它们归纳起来，令您看到其主要作用，并希望做出更合理的交易决策。 MQL5 熟练程度 — 基本。
学习如何设计不同的移动平均线系统
学习如何设计不同的移动平均线系统
有众多策略可依据任何规则过滤生成的信号，甚至可采用本文自身所讨论的移动平均值。 因此，本文的目的是与大家分享一些移动平均线策略，以及如何设计一款算法交易系统。
从市场里选择智能交易系统的正确途径
从市场里选择智能交易系统的正确途径
在本文中，我们将研究购买智能交易系统时应该注意的一些要点。 我们还将寻求提升盈利的方法，从而明智地花钱，并从付出中获取盈利。 此外，读完本文之后，您会发现，即便使用简单免费的产品也有可能赚到钱。
MQL5 中的矩阵和向量
MQL5 中的矩阵和向量
运用特殊的数据类型“矩阵”和“向量”，可以创建非常贴合数学符号本意的代码。 运用这些方法，您可以避免创建嵌套循环，或在计算中分心记忆正确的数组索引。 因此，矩阵和向量方法的运用能为开发复杂程序提高可靠性和速度。
固化价格动作止损或固化 RSI（智能止损）
固化价格动作止损或固化 RSI（智能止损）
在交易中，止损是资金管理采用的主要工具。 有效利用止损、获利回吐和成交量可以使交易者在交易中更加一致，总体上更加有利可图。 尽管止损是一个极好的工具，但在运用中也会遇到一些挑战。 最主要的是止损猎杀（stop-loss hunt）。 本文展望如何降低交易中的猎杀，并与经典的止损用例进行比较，从而判定其盈利能力。
为 MetaTrader 打造的高级 EA 构造器 - botbrains
为 MetaTrader 打造的高级 EA 构造器 - botbrains
在本文中，我们将展示 botbrains.app 的功能 — 一款无代码开发交易机器人的平台。 若要创建一款交易机器人，您无需编写任何代码 — 只需将必要的模块拖放到规划图上，设置它们的参数，并在它们之间建立连接。
手工制图表和交易工具箱（第三部分）。 优化和全新工具
手工制图表和交易工具箱（第三部分）。 优化和全新工具
在本文中，我们将深入开发利用键盘快捷键在图表上绘制图形对象的设想。 全新工具已被加到函数库当中了，包括一条贯穿任意顶点绘制的直线，以及一组能够评估逆转时间和价位的矩形。 此外，本文还展示了优化代码从而提高性能的可能性。 实现示例已经重写，能够使用其它交易程序的快捷方式。 所需的代码知识水平：略高于初学者。
使用 MQL5.0 社区频道和群聊天
使用 MQL5.0 社区频道和群聊天
MQL5.com 网站汇集了来自世界各地的交易者。 用户发表文章、共享免费代码、在市场上销售产品、执行自由职业订单、以及跟单信号。 您可以在论坛、交易者聊天和元交易者频道中与他们交流。
MVC 设计范式及其可能的应用
MVC 设计范式及其可能的应用
本文讨论了一种流行的 MVC 范式，以及它运用在 MQL 程序中的可能性、优缺点。 这个思路是将现有代码拆分为三个独立的组件：模型、视图和控制器。
神经网络变得轻松（第十一部分）：自 GPT 获取
神经网络变得轻松（第十一部分）：自 GPT 获取
也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。 当然，我们不打算在家用 PC 上创建如此庞然之物。 然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。
自适应算法(第三部分): 放弃优化
自适应算法(第三部分): 放弃优化
如果采用基于历史数据的优化方法来选择参数，就不可能得到真正稳定的算法。一个稳定的算法应该知道在任何时候操作任何交易工具时需要哪些参数。它不应该预测或猜测，它应该确定知道。
神经网络变得轻松（第十部分）：多目击者关注
神经网络变得轻松（第十部分）：多目击者关注
我们以前曾研究过神经网络中的自关注机制。 在实践中，现代神经网络体系结构会采用多个并行的自关注线程来查找序列元素之间的各种依存关系。 我们来研究这种方法的实现，并评估其对整体网络性能的影响。
利用 CatBoost 算法寻找外汇市场的季节性模式
利用 CatBoost 算法寻找外汇市场的季节性模式
本文探索了用时间过滤器建立机器学习模型，并讨论了这种方法的有效性。现在，只要简单地指示模型在一周中某一天的某个时间进行交易，就可以消除人为因素。模式搜索可以由单独的算法提供。
直推和主动机器学习中的梯度提升
直推和主动机器学习中的梯度提升
在本文中，我们将探讨利用真实数据的主动机器学习方法，并讨论它们的优缺点。也许你会发现这些方法很有用，并将它们包含在你的机器学习模型库中。直推是由支持向量机（SVM）的共同发明者弗拉基米尔·瓦普尼克（Vladimir Vapnik）提出的。
区域方法
区域方法
"区域方法(area method)"交易系统的运行是基于对RSI震荡指标读取的一种较为少见的解释。使区域方法可视化的指标，以及使用此系统交易的EA交易，在这里都会详细讨论。本文还提供了关于EA交易在各种交易品种，时段和区域数值中测试的详细发现。
开发自适应算法 (第二部分): 提高效率
开发自适应算法 (第二部分): 提高效率
在本文中，我将通过改进先前创建的算法的灵活性来继续本主题的开发。随着分析窗口中烛形数量的增加，或烛形超额阈值百分比的增加，算法变得更加稳定。我不得不做出妥协，并设置一个更大的样本量进行分析或更大的烛形超额百分比。
开发自适应算法（第一部分）：寻找基本模式
开发自适应算法（第一部分）：寻找基本模式
在接下来的系列文章中，我将演示探讨大多数市场因素的自适应算法的开发，以及如何将这些情况系统化，用逻辑描述它们，并在您的交易活动中应用它们。我将从一个非常简单的算法开始，这个算法将逐渐获得理论，并发展成一个非常复杂的项目。