添加新文章
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。
利用 MQL5 经济日历进行交易（第四部分）：在仪表盘中实现实时新闻更新
利用 MQL5 经济日历进行交易（第四部分）：在仪表盘中实现实时新闻更新
本文通过实现实时新闻更新来增强我们的经济日历仪表盘，以保持市场信息的时效性和可操作性。我们在 MQL5 中集成了实时数据获取技术，以持续更新仪表盘上的事件，从而提升界面的响应速度。此更新优化确保我们可以直接从仪表盘获取最新的经济新闻，从而基于最新数据优化交易决策。
股票交易中的非线性回归模型
股票交易中的非线性回归模型
股票交易中的非线性回归模型：能否预测金融市场？让我们考虑创建一个用于预测欧元兑美元（EURUSD）汇率的模型，并基于此模型制作两个交易机器人——分别使用Python和MQL5语言。
基于交易量的神经网络分析：未来趋势的关键
基于交易量的神经网络分析：未来趋势的关键
本文探讨了通过将技术分析原理与 LSTM 神经网络架构相结合，基于交易量分析来改进价格预测准确性的可能性。文章特别关注异常交易量的检测与解读、聚类方法的使用，以及基于交易量的特征创建及其在机器学习背景下的定义。
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。
开发回放系统（第 69 部分）：取得正确的时间（二）
开发回放系统（第 69 部分）：取得正确的时间（二）
今天我们将看看为什么我们需要 iSpread 功能。同时，我们将了解当没有可用的分时报价时，系统如何通知我们柱形的剩余时间。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
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。
交易中的神经网络：对比形态变换器（终章）
交易中的神经网络：对比形态变换器（终章）
在本系列的上一篇文章中，我们考察了“原子-基序对比变换器”（AMCT）框架，其用对比学习来发现各个级别的关键形态，从基本元素到复杂结构。在本文中，我们将继续利用 MQL5 实现 AMCT 方式。
创建一个基于布林带PIRANHA策略的MQL5 EA
创建一个基于布林带PIRANHA策略的MQL5 EA
在本文中，我们将创建一个MQL5 EA，它基于PIRANHA策略，并使用布林带来提升交易表现。我们会系统梳理该策略的核心原理、代码实现细节，以及测试与优化方法。并助您轻松将 EA 部署到实际的交易环境中。
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。
交易中的神经网络：对比形态变换器
交易中的神经网络：对比形态变换器
对比变换器在设计上基于单根烛条水平和整个形态来分析行情。这有助于提升行情趋势建模的品质。甚至，运用对比学习来统调烛条和形态的表示、促进自我调节，并提升预测的准确性。
价格行为分析工具包开发（第二部分）：分析注释脚本
价格行为分析工具包开发（第二部分）：分析注释脚本
秉承我们简化价格行为分析的核心理念，我们很高兴推出又一款可显著提升市场分析能力、助力您做出精准决策的工具。该工具可展示关键技术指标（如前一日价格、重要支撑阻力位、成交量），并在图表上自动生成可视化标记。
交易中的神经网络：具有相对编码的变换器
交易中的神经网络：具有相对编码的变换器
自我监督学习是分析大量无标签数据的有效方法。通过令模型适应金融市场的特定特征来提供效率，这有助于提升传统方法的有效性。本文讲述了一种替代的注意力机制，它参考输入之间的相对依赖关系。
原子轨道搜索（AOS）算法：改进与拓展
原子轨道搜索（AOS）算法：改进与拓展
在本文的第二部分，我们将继续开发一种改进版的原子轨道搜索（AOS）算法，重点聚焦于特定操作符的优化设计，以提升算法的效率和适应性。在分析了该算法的基本原理和运行机制之后，我们将探讨提升其性能以及分析复杂解空间能力的方法，并提出新的思路以扩展其作为优化工具的功能。
交易中的神经网络：受控分段（终章）
交易中的神经网络：受控分段（终章）
我们继续上一篇文章中开启的工作，使用 MQL5 构建 RefMask3D 框架。该框架旨在全面研究点云中的多模态互动和特征分析，随后基于自然语言提供的描述进行目标对象识别。
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。
重构经典策略（第十一部分）移动平均线的交叉（二）
重构经典策略（第十一部分）移动平均线的交叉（二）
移动平均线和随机振荡器可用于生成趋势跟踪交易信号。然而，这些信号只有在价格行为发生之后才会被观察到。我们可以有效地利用人工智能克服技术指标中这种固有的滞后性。本文将教您如何创建一个完全自主的人工智能驱动型EA，这种方式可以改进您现有的任何交易策略。即使是最古老的交易策略也可以被改进。
您应当知道的 MQL5 向导技术（第 41 部分）：深度-Q-网络
您应当知道的 MQL5 向导技术（第 41 部分）：深度-Q-网络
“深度-Q-网络” 是一种强化学习算法，在机器学习模块的训练过程中，神经网络参与预测下一个 Q 值和理想动作。我们曾研究过另一种强化学习算法 “Q-学习”。本文因此出示了另一个如何配以强化学习训练 MLP 的示例，可于自定义信号类中所用。
交易中的神经网络：广义 3D 引用表达分段
交易中的神经网络：广义 3D 引用表达分段
在分析市场状况时，我们将其切分为不同的段落，标识关键趋势。然而，传统的分析方法往往只关注一个层面，从而限制了正确的感知。在本文中，我们将学习一种方法，可选择多个对象，以确保对形势进行更全面、及多层次的理解。