添加新文章
您应当知道的 MQL5 向导技术（第 51 部分）：配以 SAC 的强化学习
您应当知道的 MQL5 向导技术（第 51 部分）：配以 SAC 的强化学习
柔性参与者评论者是一种利用 3 个神经网络的强化学习算法。一名参与者网络和 2 个评论者网络。这些机器学习模型按主从伙伴关系配对，其中所建模评论者能提升参与者网络的预测准确性。在这些序列中引入 ONNX 的同时，我们探讨了如何将这些思路作为由向导汇编的智能系统的自定义信号，推进测试。
量子计算与交易：价格预测的新方法
量子计算与交易：价格预测的新方法
本文介绍了一种利用量子计算预测金融市场价格走势的创新方法。该方法主要应用量子相位估计（QPE）算法来寻找价格模式的原型，从而使交易者能够显著加快市场数据分析的速度。
交易中的趋势准则
交易中的趋势准则
趋势是许多交易策略的重要组成部分。在本文中，我们将考察一些用来识别趋势及其特征的工具。理解并正确解释趋势，能够显著提升交易效率，并将风险最小化。
价格行为分析工具包开发（第九部分）：外部数据流
价格行为分析工具包开发（第九部分）：外部数据流
本文将利用专为高级分析而设计的外部库，探索一个全新的分析维度。这些库（如pandas）提供了强大的工具，用于处理和解读复杂数据，使交易者能够更深入地洞察市场动态。通过整合此类技术，我们能够整合原始数据与可执行策略之间的差距。加入我们，共同为这一创新方法奠定基础，并释放技术与交易专业知识相结合的潜力。
交易中的神经网络：多智代自适应模型（终篇）
交易中的神经网络：多智代自适应模型（终篇）
在上一篇文章中，我们讲述了多智代自适应框架 MASA，它结合了强化学习方法和自适应策略，在动荡的市场条件下提供了盈利能力、及风险之间的和谐平衡。我们已在该框架内构建了单个智代的功能。在本文中，我们继续我们已开始的工作，令其得出合乎逻辑的结论。
在MQL5中实现基于经济日历新闻事件的突破型智能交易系统（EA）
在MQL5中实现基于经济日历新闻事件的突破型智能交易系统（EA）
重大经济数据发布前后市场波动率通常显著上升，为突破交易策略提供了理想的环境。在本文中，我们将阐述基于经济日历的突破策略的实现过程。我们将全面覆盖从创建用于解析和存储日历数据的类，到利用这些数据开发符合实际的回测系统，最终实现实盘交易执行代码的完整流程。
大爆炸-大坍缩（BBBC）算法
大爆炸-大坍缩（BBBC）算法
本文介绍了大爆炸-大坍缩方法，该方法包含两个关键阶段：随机点的循环生成，以及将这些点压缩至最优解。该方法结合了探索与精炼过程，使我们能够逐步找到更优的解，并开拓新的优化可能性。
重构经典策略（第十三部分）：最小化均线交叉的滞后性
重构经典策略（第十三部分）：最小化均线交叉的滞后性
在我们交易者社区中，均线交叉策略已是广为人知，然而，自该策略诞生以来，其核心思想却几乎一成未变。在本次讨论中，我们将为您呈现对原策略的一项微调，其目的在于最小化该交易策略中存在的滞后性。所有原策略的爱好者们，不妨根据我们今天将要探讨的见解，来重新审视并改进这一策略。通过使用两条周期相同的移动平均线，我们可以在不违背策略基本原则的前提下，显著减少交易策略的滞后。
基于Python与MQL5的多模块交易机器人（第一部分）：构建基础架构与首个模块
基于Python与MQL5的多模块交易机器人（第一部分）：构建基础架构与首个模块
我们将开发一个模块化交易系统，该系统结合了 Python 进行数据分析，并使用 MQL5 执行交易。四个独立模块并行监控市场的不同方面：成交量、套利、经济指标和风险，并使用包含400棵树的随机森林（ RandomForest ）。特别强调风险管理，因为即使是最先进的交易算法，如果没有适当的风险管理，也是毫无用处的。
流动性攫取交易策略
流动性攫取交易策略
流动性攫取交易策略是智能资金概念（SMC）的核心组成部分，旨在识别并利用市场中机构投资者的操作行为。该策略聚焦于高流动性区域（如支撑位或阻力位），在这些区域，大额订单可引发价格波动，随后市场恢复原有趋势。本文将详细阐释流动性攫取的概念，并概述如何在MQL5中开发流动性攫取交易策略的智能交易系统（EA）。
构建K线趋势约束模型（第十部分）：战略均线金叉与死叉（智能交易系统EA）
构建K线趋势约束模型（第十部分）：战略均线金叉与死叉（智能交易系统EA）
您是否知道，基于移动平均线交叉的金叉和死叉策略，是识别长期市场趋势最为可靠的指标之一？当短期移动平均线上穿长期移动平均线时，金叉发出看涨趋势信号；而当短期移动平均线下穿长期移动平均线时，死叉则表明看跌趋势。尽管这些策略简单且有效，但手动运用时往往会导致错失机会或延迟交易。
开发先进的 ICT 交易系统：在指标中实现订单区块
开发先进的 ICT 交易系统：在指标中实现订单区块
在本文中，我们将学习如何创建一个指标来检测、绘制订单区块并提醒订单块的缓解。我们还将详细研究如何在图表上识别这些区块，设置准确的提醒，并使用矩形可视化它们的位置，以更好地了解价格行为。该指标将成为遵循聪明钱概念和内圈交易者（ICT，Inner Circle Trader）方法的交易者的关键工具。
MQL5自动化交易策略（第二部分）：基于一目均衡表与动量震荡器的云突破交易系统
MQL5自动化交易策略（第二部分）：基于一目均衡表与动量震荡器的云突破交易系统
在本文中，我们将创建一个智能交易系统（EA），利用一目均衡表指标与动量震荡器，实现云图突破策略的自动化交易。我们将逐步解析以下核心流程：指标句柄初始化、突破条件检测和自动化交易执行。此外，我们还实现追踪止损机制与动态仓位管理，以提升EA的盈利能力及对市场波动的适应性。
基于通用 MLP 逼近器的EA
基于通用 MLP 逼近器的EA
本文介绍了一种在交易 EA 中使用神经网络的简单且易于实现的方法，该方法不需要深厚的机器学习知识。该方法免除了对目标函数进行归一化的步骤，同时克服了“权重爆炸”和“网络停滞”等问题，并提供了直观的训练过程和结果的可视化控制。
使用凯利准则与蒙特卡洛模拟的投资组合风险模型
使用凯利准则与蒙特卡洛模拟的投资组合风险模型
几十年来，交易员们一直使用凯利准则公式来确定投资或赌注的最优资本配置比例，其目标是在最大化长期增长的同时，最小化破产风险。然而，对于个人交易者而言，盲目地依据单次回测的结果来遵循凯利准则往往是危险的，因为在实盘交易中，交易优势会随着时间的推移而减弱，并且过往业绩并不能保证未来的结果。在本文中，我将提出一种在 MetaTrader 5 平台中，为一个或多个智能交易系统进行风险分配的现实方法，该方法将融合来自 Python 的蒙特卡洛模拟结果。
外汇投资组合优化：风险价值理论与马科维茨理论的融合
外汇投资组合优化：风险价值理论与马科维茨理论的融合
外汇市场中的投资组合交易是如何运作的？我们如何将用于优化投资组合权重的马科维茨投资组合理论与用于优化投资组合风险的VaR模型结合起来？我们基于投资组合理论创建一个EA，一方面，我们将获得低风险；另一方面，获得可接受的长期盈利能力。
经典策略重塑（第12部分）：欧元兑美元（EURUSD）突破交易策略
经典策略重塑（第12部分）：欧元兑美元（EURUSD）突破交易策略
今天，我们将挑战在MQL5中构建一套盈利的突破交易系统。我们选择欧元兑美元（EURUSD）货币对，尝试在H1（1小时）时间框架下捕捉价格的突破行情。初期挑战：系统难以区分假突破与真实趋势的开端，导致亏损较多。我们给系统叠加了多层过滤器，旨在把亏损压到最低，同时把盈利抬到最高。最终，我们成功地让系统实现盈利，并大幅降低假突破带来的风险。
交易中的神经网络：双曲型潜在扩散模型（终篇）
交易中的神经网络：双曲型潜在扩散模型（终篇）
正如 HypDIff 框架所提议，使用各向异性扩散过程针对双曲潜在空间中的初始数据进行编码，助力保留当前市场状况的拓扑特征，并提升其分析品质。在上一篇文章中，我们开始利用 MQL5 实现所提议的方式。今天，我们将继续我们已开始的工作，并得出合乎逻辑的结论。
使用MQL5经济日历进行交易（第五部分）：添加响应式控件和过滤按钮的增强型仪表盘
使用MQL5经济日历进行交易（第五部分）：添加响应式控件和过滤按钮的增强型仪表盘
在本文中，我们创建了用于货币对过滤、重要性级别过滤、时间过滤以及取消选项的按钮，以改进仪表盘的控制功能。通过编程让这些按钮能够动态响应用户操作，实现无缝交互。我们还对其行为进行了自动化处理，以便在仪表盘上实时反映变化。这样就提升了面板的整体功能性、灵活性和响应速度。
MQL5 交易工具包（第 3 部分）：开发挂单管理 EX5 库
MQL5 交易工具包（第 3 部分）：开发挂单管理 EX5 库
了解如何在 MQL5 代码或项目中开发和实现全面的挂单 EX5库。本文将向您展示如何创建一个全面的挂单管理 EX5 库，并通过构建交易面板或图形用户界面（GUI）来指导您导入和实现它。EA 交易订单面板将允许用户直接从图表窗口上的图形界面打开、监控和删除与指定幻数相关的挂单。
通过成交量洞察交易：趋势确认
通过成交量洞察交易：趋势确认
增强型趋势确认技术结合了价格行为、成交量分析和机器学习，用以识别真实的市场行情。该技术要求价格突破和成交量激增（高于平均值50%）这两个条件同时满足以验证交易信号，同时使用一个LSTM神经网络进行附加确认。该系统采用基于ATR（平均真实波幅）的仓位调整和动态风险管理，使其能够适应不同的市场条件，同时过滤掉虚假信号。
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（二）-LoRA-调优
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（二）-LoRA-调优
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。