赫兹股票期货量化软件-CSDN博客

原创量化软件——赫兹MT5模式搜索的暴力方法循环优化

考虑到我上一篇文章中的材料，我可以说这只是我在算法中引入的所有函数的肤浅描述。它们不仅涉及EA创建的完全自动化，还涉及诸如结果优化和选择的完全自动化以及随后用于自动交易，或者我稍后将展示的更先进的EA的创建等重要函数。由于交易终端、通用EA和算法本身的共生关系，您可以完全摆脱手动开发，或者在最坏的情况下，只要您具备必要的计算能力，就可以将可能改进的劳动强度降低一个数量级。由于我给出了这样的数学，我有义务提供算法实现的示例。当然，就我们的问题而言，这不太可能对我们有任何有益的好处。这就完成了标准的计算。

2024-07-22 10:40:29 700

原创量化软件——赫兹MT5通过EA操作图制作具有趋势标记的数据集

但我们的外汇或股票数据是特殊的，其中包含复杂的市场信息和时间信息，数据标注很困难，但我们可以很容易地在图表上分析历史数据的趋势。这些初始化操作将在我们的OnInit（）中实现，包括定义我们需要的变量。最重要的是明确我们希望图表移动的位置并开始标记。注意：这里应该注意的是，我们使用的是“do-while”循环，它与“while”循环的不同之处在于，它首先执行运算符，然后计算表达式。但是名称的初始化是个问题，我们可以这样做。注意：由于我们想将图表向左移动，我们必须在“iBarShift（）”函数之前添加“-”

2024-07-22 09:49:49 663

原创量化软件——赫兹MT5使用Python制作带有趋势标记的数据集

当然，最基本的是你的电脑上已经安装了python，如果没有，作者不建议安装官方版本的python，而是更喜欢使用易于维护的Anaconda。但普通版的Anaconda体积巨大，集成了丰富的内容，包括可视化管理、编辑等，令人尴尬的是我几乎不用它们，所以我强烈推荐minincoda，简洁明了，简单实用。在这一部分中，让我们以不同的方式思考：从数据本身开始。注意：当我们创建conda虚拟环境时，记得添加python=x.xx，否则我们在使用过程中会遇到莫名其妙的麻烦，这是一个吃过苦头的人的建议！

2024-07-18 14:47:23 376

原创量化软件——赫兹MT5暴力方式搜素形态全新视角

取代使用标准和黯然无趣的数学和代码，我为本人的读者给出了完全不同的解决问题途径。我厌倦了耍小聪明，并把不必要的方程式和代码扔进历史的垃圾堆，故本文对任何读者来说都尽可能简单易懂。任何算法都有其适用性的限制，许多看似不符合开发人员或客户期望的 EA 都有他们自己未用到的资源。决定这样的冒险并不容易，因为出于本能，您总是想拿到一款超级 EA，把它放在终端里，按下一个按钮，然后把它丢之脑后至少几周。在我的系统中，我使用通用 EA 绕过了这个问题，它是一个便捷的可选项，在已生成的智能系统（设置）里附加组件。

2024-07-18 10:20:45 416

原创量化软件——赫兹MT5为EA交易提供的趋势指标

不同的价格序列平滑算法的缺点之一是，意外的价格跳跃会导致虚假趋势信号的出现。与前几篇文章一样，我们将在本系列的第一篇文章中创建的仪表板上显示从指标接收的数据。创建 ENUM_LINE_STATE 枚举是为了简化获取指标线的状态，即其相对于另一个指标或任何级别的线的形状和位置。[in] 应用的价格，可以是 ENUM_APPLIED_PRICE 价格常数中的任一个或者是另一个指标的句柄。[in] 其数据将用于计算指标的金融工具的交易品种名称。在振荡指标文章中的ATR指标参数部分可以查找有关枚举的更多信息。

2024-07-17 10:44:27 903

原创量化软件——赫兹MT5中MQL5中的替代风险回报标准

夏普比率是一种流行的风险收益衡量标准，以对所分析的收益分配强加不切实际的先决条件而闻名。在本文中，我们提供了替代风险回报指标的实现，并生成假设的权益曲线来分析其特征。初始资本将标准化为可配置的金额。该函数需要一组描述净值曲线的净值数值，以及一个表示计算中要考虑的最高回撤次数的整数值。使用平均收益作为分子的Burke比率计算被实现为 meanreturns_Burke 函数，并且具有类似的输入参数。当指定默认值为零时，函数使用公式N/20设置要考虑的回撤次数，其中N是权益数组的大小。

2024-07-17 10:10:31 644

原创量化软件——赫兹MT5使用标签数据的示例

计算原始时间索引的余数除以（max_encoder_length+2max_prediction_length），并将结果用作新的时间索引。如果你不能简单地使用它来初始化它，你需要将MT5终端的路径作为参数传递给这个函数（在示例中“D:\Project\mt\MT5\terminal64.exe”是我的个人路径位置，在实际应用中你需要将它配置到你自己的路径位置）。在本例中，我们获得了“GOLD_micro”品种的“mt_data_len”M15（15分钟）周期数据的最新长度。首先，我们需要导入所需的库。

2024-07-16 09:54:10 625

原创量化软件——赫兹MT5线性序函子

塞缪尔·艾伦伯格（Samuel Eilenberg）和桑德斯·麦克莱恩（Saunders Mac Lane）于 1950 年代引入的范畴论可看作一种研究系统的手段，强调每个阶段的转变，而非阶段本身。鉴于我们对使用这个函子进行预测很感兴趣，我们的范畴会是动态的，因为它将在每根新柱线上重新定义，但从它到 NASDAQ 范畴的函子将是恒定的。现在，已在定义中注明的函子不仅映射了两个范畴中的对象，而且还映射了态射。在系列中，范畴理论到目前为止已经局部化了，从某种意义上说，它关注的是子范畴级别的信息和结构；

2024-07-16 09:22:46 918

原创量化软件——赫兹MT5创建多交易品种、多周期指标

继续为 EA 交易和指标中的技术指标创建模板的主题，该主题从与创建仪表盘相关的文章中开始，然后在另外三篇文章中发展，其中我们探讨了振荡器、交易量指标和比尔威廉姆斯以及趋势指标，今天我们将开始创建多交易品种、多周期指标的主题。如果事先不知道要复制的数据量，建议使用动态数组作为目标数组缓冲区，因为CopyBuffer（）会尝试将接收数组的大小分配到复制的数据的量。复制数据的元素（具有索引buffer_num的指标缓冲区）从开始位置开始计数，从现在到过去，也就是说，等于0的开始位置表示当前柱（当前柱的指标值）。

2024-07-15 15:18:31 822

原创量化软件——赫兹MT5在MQL5中置换价格柱

rel_open 系列值表示从一个柱形到下一个柱形的变化，而rel_high、rel_low和rel_close表示柱形内的变化。新的OHLC系列是从打乱的柱间数据构建的，以获得由打乱的柱内变化构建的具有相应最高价、最低价和收盘价的新开盘价。该系列的一般特征应该相似，唯一的区别应该是第一柱和最后一个柱之间每个开盘价、最高价、最低价、收盘价（OHLC）的绝对值。实现这一点的代码与在 MetaTrader 5 的蒙特卡罗置换测试一文中介绍的CPermuteTicks类中使用的代码非常相似。

2024-07-15 14:22:36 860

原创量化软件——赫兹MT5使用标签数据的可解释性分解

然而，需要注意的是，本文的重点应该放在模型的可解释性上，并将给出为什么也引入协变量主题的答案。当然，这两个模型本质上是高质量的可解释模型，您也可以扩展到其他模型，用我文章中提到的库来验证您的想法。值得一提的是，本系列文章旨在为问题提供解决方案，在直接应用于您的真实交易之前，请仔细考虑，真实交易的实施可能需要更多的参数调整和优化方法，以提供可靠稳定的结果。此外，该模型采用了对偶残差叠加拓扑，使得每个构建块都有两个残差分支，一个沿着反向预测，另一个沿着正向预测，大大提高了模型的可训练性和可解释性。

2024-07-12 17:28:25 446

原创量化软件——赫兹MT5多层感知器函子

一个对象可以有一个元素，但在这种情况下，数据点不仅包含我们感兴趣的数值，还有我们的范畴未考虑的额外数据包括：财经数据发布日期、该数据发布前的预测共识、以及 MetaTrader 终端的日历选项卡中列出的其它数据。不过，在这篇文章中，我们对标普 500 指数更感兴趣，不仅仅是因为它的波动性，就像上一篇文章的情况，还有它的趋势。本文也不会提供关于感知器的入门知识，因为已有太多文章，不仅有发表在本网站上的文章，也有普遍的在线文章，故邀请好奇的读者自行去背景研究，这将有助于澄清这里讲述的内容。

2024-07-11 15:08:08 684

原创量化软件——赫兹MT5自然性四边形归纳法

因此，我们将在非优化的环境中打印 EURUSD 收盘价的预测和实际变化，并使用这些结果来支持或反驳我们的论点，即自然性四边形归纳法在进行预测时是有用的。我们使用在序列中充当态射的RDF和在序列中的自然变换来映射我们的共域范畴中的对象，以对由训练停止日期和测试停止日期定义的测试数据进行预测。因此，我们在n个归纳上的自然性四边形将形成一个四边形，我们认为它有角A、B、C和D，这样AB和CD将是我们的变换，而AC和BD将是态射。因此，我们像上一篇文章中那样的预测将集中在形成自然性四边形的共域中的对象上。

2024-07-10 13:36:06 820

原创量化软件——赫兹MT5函子与幺半群

在上一篇文章中，训练是在初始化时完成的，如果所选网络设置可用，则加载最有利可图的网络权重，并将其用作调整权重的训练过程的起点。因此，正如我们在第 9 篇文章中曾用到的非常基本的交易系统，每个步骤中都用幺半群来告知决策，以及随后的其它一些类似步骤，我们将对本文做同样的事情，唯一的例外是最后一步将被省略，保留四个步骤。）这种协同作用的想法。故此，如同之前的文章，对每个幺半群制定决策的编码是由一个函数处理，即 “Operate” 函数，并且取决于输入幺半群的操作方法，它涉及从幺半群集的数值中进行选择。

2024-07-10 10:49:50 583

原创量化软件——赫兹MT5对双重指数移动平均的不同看法

我们在上一篇文章中探讨了它的反义词，我们在文章中看到了如何在两个类别之间检索三个函子，这意味着当类别是价格时间序列和相同价格的移动平均时间序列这样简单的数据集时，可以推断出垂直组合中的两个自然变换。移动平均的移动平均。因此，预测波动性就是我们的专家跟踪类实例正在做的事情，就像本系列中的几篇文章中的情况一样。它们的大小和以前一样是一个输入参数“m_transforms”，就像上一篇文章中的情况一样，因此这一重要步骤的处理方式与我们在上一篇中实现的方式几乎相同，主要区别是我们有4个移动平均实例用于缓冲区。

2024-07-08 10:20:13 617

原创量化软件——赫兹MT5利用核范数推动研究

甚至，许多方法使用 L2 范数，或方差来衡量研究的新颖性，这会由于平方操作而增加产生的噪声。同时，我们构建了一个实现随机政策的模型，从而强调使用核范数最大化方法进行此类决策的可能性。我们的动作方向很明确，故到了开始工作的时间了。在该方法的主体中，我们创建一个局部变量，存储指向一个定义 CLayerDescription 神经层的对象指针，并在必要时初始化定义所用模型架构方案的动态数组。在 “...\NNM\Trajectory.mqh” 文件中，我们把环境状态的压缩表示和模型内部全连接层的大小都增加了。

2024-07-08 09:59:35 891

原创量化软件——赫兹MT5智能交易系统项目 — C_Mouse 类

在这个片段中，我们看到 C_Terminal 类由 C_Mouse 类公开继承，这意味着使用 C_Mouse 类，我们就可访问 C_Terminal 类中的所有公开方法。以这种方式，编译器就可确保任何代码接收常量的引用，且无法更改其值。因此，即使在 C_Terminal 类内部，尝试在函数中以不恰当的方式更改数值，编译器也会将此过程识别为错误，因为根据编译器的说法，没有任何信息可以更改。还有另一种结构，而在这种情况下，我更喜欢使用这种方式，因为它清楚地表明内容是特殊的，且只在代码中非常特定的位置才可访问。

2024-07-03 15:06:47 724

原创量化软件——赫兹MT5使用 CatBoost 的理论、示例代码和实现分析

样本可以是有代表性的——这是指其中记录的观察结果描述了所研究现象的整个过程，也可以是不具有代表性的，因为有尽可能多的数据可以收集，这只允许对所研究现象过程进行部分描述。算法交易员在研究中依赖的正是这一观察结果，希望在新的事件中会有与以前类似的事件，并且它们的结果将与确定的概率相似。之前，我们看了一个量化如何工作的简单例子，但它缺少量化中经常使用的步骤之一，即对经过一些计算后获得的尺度进行重新划分，以找到区间的平均值，这通常被称为质心。量化的间隔将最终由两个附近质心的边界之间的距离的一半来确定。

2024-07-03 14:54:09 333

原创量化软件——赫兹MT5神经网络变得简单（第 58 部分）决策转换器DT

不过，我们表示的是期望的结果，而非实际的结果。在这种情况下，我们不使用激活函数，因为我们需要在所需的子空间中获取序列的每个元素的投影。在测试已训练模型时，我们可以指定所需的奖励（例如，1 代表成功，或 0 代表失败），以及环境的初始状态，作为触发生成的信息。执行为当前状态生成的动作之后，我们依据环境中接收到的数额降低目标奖励，并重复该过程，直到获得所需的总奖励，或世代完成。该方法的作者建议依据先前执行的动作和访问状态的上下文构建智能体的动作轨迹，就像语言模型依据普通文本的上下文构建句子（单词序列）一样。

2024-07-02 13:42:39 646

原创量化软件——赫兹MT5群体优化算法混合蛙跳算法（SFL）

尽管模因是纯粹的信息，但它们的功能会导致人类行为的重大变化。在M-算法的上下文中，模因是局部优化算法的实现，该算法在每次迭代或一定次数的迭代后细化当前解。M-算法可以被视为一种基于群体的全局搜索算法和一种或多种经典的或基于群体的局部优化算法的混合。模因类是一类广泛的算法，由一个共同的想法统一起来：将个体的个体学习纳入遗传算法，并使用关于可能解的空间结构的信息。然后，该方法在-DBL_MAX中设置每个模因复合体的fBest变量的初始值，并为每个具有所需大小的模因复合体创建cBest数组。

2024-07-02 10:10:50 1437

原创量化软件——赫兹MT5群体优化算法思维进化计算（MEC）算法

想象“观念”概念最简单明了的方法是，它可以是科学的观念，也可以是艺术的、文学的或任何其他的。为了确保全局搜索，有必要确保在群体中出现超出当前想法的新想法，否则这些想法将陷入局部极值，并且不会出现更好的适应度函数值。在对每个群体的想法进行单独分类后，我们从占主导地位的群体中去除最差的想法，用另一个群体中最好的想法取代它，从而确保想法的交流。在备选组的空位上，我们放置了一个新的想法，它是从优势组（不包括最后一个）中随机选择的想法的摘要中组装而成的。如果一个组的得分低于所有落后组的得分，则该组将从群体中移除。

2024-07-01 17:41:03 470

原创量化软件——赫兹MT5神经网络变动简单60在线决策转换器（ODT）

初看，最简单的事情是创建一个缓冲区的副本，并在继续与环境交互之前，将缓冲区返回到开始训练之前的状态。然而，在仔细查验该过程后，我们明白，在主模型一侧，仅用模型的顶级类运作，无需访问神经层的独立缓冲区。在转向在线训练时，我们将使用整个现有的经验复现缓冲区，我们将在与环境交互的过程中添加新的轨迹。在此我们应该说，在添加方法时，我们仅直接对 CNeuronEmbeddingOCL 类进行添加，因为其运行所需的所有 API 早前已由我们制定，并以 CNeuronBaseOCL 神经层基类的虚拟方法的形式实现。

2024-07-01 17:17:55 693

原创量化软件——赫兹MT5群体优化算法随机扩散搜索（SDS）

我们的实现对搜索策略的逻辑进行了微小的更改，这要归功于即使没有经验更好的代表，代表也会继续搜索餐厅，因此对餐厅的搜索不会停止，这与规范版本不同，在规范版本中，改变当前对餐厅的看法与前一个观点相比很重要。活跃的代理人是“快乐的矿工”，而不活跃的代理人则是“不快乐的矿工“。S_Candidate 结构具有 Init 方法，该方法初始化所有“coords”大小的数组（坐标的数量-要优化的参数），并将f和fPrev的初始值设置为-DBL_MAX，因为在第一次迭代时没有也没有人可以比较候选者的经验。

2024-06-28 14:33:28 740

原创量化软件——赫兹MT5 神经网络实验（第 7 部分）传递指标

例如，振荡器值的直接传递，以我的观点，这与资产价格没有任何共通之处。这些是开盘价、收盘价、最高价和最低价的值，当直接传递时，它们不携带任何意义，但会给系统带来难以理解的噪音。例如，打开任何货币对的日线图，查看收盘价的波动范围。在本文中，我们将更详尽地探讨在神经网络中传递有意义的数据（即所谓的时间序列）的重要性。虽然，我认为这不是极限，随着时间的推移，我对于理解到底需要传递什么、以及如何传递，会有一个新的视界。阅读大量这个主题的文章，我持续观察到一个悲伤的场面，那就是基于神经网络的交易系统的直接结果。

2024-06-28 10:40:24 713

原创量化软件——赫兹MT5 向导技术07 部分树状图

若这是主观的，如上强调那样，那么对于大多数交易者（包括我认为的所有初学者）来说，知道如何运用杠杆进行交易从长远来看可能是一个加分项，因为正如大多数交易者所熟悉的那样，高波动性可能会令账户爆仓，并非由于入场信号是错误的，而是因为波动性太过分。大多数人也能意识到，即使您的持仓有一个不错的止损，有时止损价可能不可用，以 2015 年 1 月的瑞士法郎崩盘为例，在这种情况下，您的持仓将被券商以下一次最佳可用价格平仓，这通常比您的止损更糟糕。AHC 的分类是无监督的，这意味着它可以用于不同分类器下的预测。

2024-06-27 16:27:31 469

原创量化软件——赫兹MT5神经网络变得简单（ 61 ）离线强化学习中的乐观情绪问题

在作者的版本中，通过将智能体的动作和预测状态添加到下一步的轨迹中来取得平衡。然而，在我们的案例中，考虑到对后续环境状态进行低质量规划的经验，我们有可能在轨迹中添加完全不协调的状态和动作。该方法的作者推介了一种由单个嵌入向量转换的潜在表示，类似于转换器架构下的其它一些工件中所用的位置编码。在此，我们将运作向量的组合，并将已经获得的结果传递到扮演者的输入端。在编码器的输出端，我们获得离散的潜在变量，每个维度的值数量有限。这一思路是，潜在的政策变量应当对应于不同高度的意图，类似于层次化算法的技能。

2024-06-27 10:33:06 816

原创量化因子软件——赫兹MT5Scikit-Learn 库中的分类模型及其导出到 ONNX

具体方法和模型的选择取决于数据的特点，因为不同的方法可能具有不同的有效性，并根据任务提供不同的结果。它旨在以方便的格式描述和表示各种类型的 ML 模型，例如分类、回归、聚类等，可以在支持 ONNX 的各种平台和环境中使用。机器学习模型可以成功地解决分类任务（其中有一组固定的类，目标是找到属于每个类的给定特征集的概率）和回归任务（其中目标是基于给定特征集估计目标变量的数值）。技术的发展带来了一种构建数据处理算法的全新方法。以前，为了解决每一个特定任务，都需要明确的形式化和相应算法的开发。

2024-06-20 15:40:11 547

原创量化因子软件——赫兹MT5群体优化带电系统搜索（CSS）算法

在物理学中，电荷周围的空间具有一种称为电场的特性。库仑证实，任何两个带电小球之间的电场力与粒子间沿连接线的距离的平方成反比，与两个粒子的电荷乘积成正比。每个粒子都被视为一个带电的球体（与电磁算法不同，电磁算法中的粒子是一个一维点），可以对其他介质（带电粒子）产生电效应。根据牛顿力学，如果粒子在空间中的位置、速度和加速度在前一时刻是已知的，那么被视为无限小质量点的粒子在任何时候的位置都是完全已知的。元启发式可以理解为一种算法，它随机搜索接近最优的问题的可能解决方案，直到满足特定条件或达到给定的迭代次数。

2024-06-20 15:17:56 653

原创量化软件——赫兹MT5神经网络变得简单 64 保守加权行为克隆CWB

然而，保守主义不一定来自架构，也可能来自适当的模型训练损失函数，就像通常基于状态和过渡成本估测的保守方法所做的那样。在训练期间，这会导致训练和测试之间的间隙，因为我们希望在评估和操作模型时，调节我们的智能体以便最大化其回报，但在训练期间强制把基于乖离数据分布的经验风险降至最低。直觉上，较小的 k 为高回报轨迹提供了更大的权重。为了优化模型训练过程，并尽量减少上述因素的影响，文章作者建议采用“保守加权行为克隆（CWBC）”框架，这是一种相当简单，但又有效的方式，可提高现有方法训练行为克隆模型的可靠性。

2024-06-19 11:23:12 781

原创量化因子软件——赫兹MT5开发回放系统 35部分进行调整

其中有些情况完全不合理，例如，当我们在 C/C++ 中使用指针或递归时，程序就会崩溃。但是，在 MQL5 中，这种情况的发生与 C/C++ 中的情况不同。这意味着在运行过程中，即使系统运行正常，也会出现服务正在执行其他任务的迹象。虽然这种错误的危害不大，但它会使重放/模拟器的使用体验变得相当不愉快，因为它更容易造成混淆，而不是提供信息。此外，我们还可以保留一些东西，这样将来我们就可以回到可视化系统，看到柱形的创建过程。不过，我们仍然需要对代码进行稍微大一点的修改，才能彻底消除影响系统运行的错误。

2024-06-19 10:52:06 790

原创量化软件——赫兹MT5三角移动平均线指标信号

因此，我们的目标是满足交易者的基本需求，即有效的高性能交易机器人，故此，依据高可靠 MQL5 提供的能力和设施，我们就能创建一款简单的多币种 EA，在本文中，且所用指标信号：三角移动平均线指标。如果”使用尾随止损/止盈（否）“选项，则智能系统不会执行尾随止损和尾随止盈。如果选项”使用自动尾随（否）“，则智能系统将采用输入属性中的值执行尾随止损。再次给出选项：“使用自动尾随（是）或（否）”如果选项“使用自动尾随（是）”，则尾随止损将由智能系统使用。选项：“使用尾随止损/止盈（是）或（否）”

2024-06-18 16:13:09 770

原创量化软件——赫兹MT5开发回放系统第34部分

在那篇文章中，我们查阅了大部分代码，并触及了我们必须解决的复杂性和问题。更糟糕的是，如果由于某种原因没有在这里展示，而您又对开发不感兴趣，那么您就无法对其进行调整，使其生成您希望看到的内容。在编写代码的现阶段，这并不会产生任何影响，但我们在 EA 中放置的代码越少，将来的效果就会越好。此外，还有其他发送的事件，我们的程序可能会忽略它们，因为它们对我们正在创建的项目并无太大帮助。首先，通过将事件处理集中在一个地方，以及使代码更容易在项目之间移植和移动，我们减少了需要放在主代码（这里是 EA）中的代码量。

2024-06-18 15:48:19 559

原创量化软件：赫兹量化MT5中如何使用因子量化选股策略提高投资收益率？

因子量化选股是一种基于因子模型和量化方法的有效选股策略，可以提高投资效率和收益率。MT5因子量化选股策略是一种基于因子模型的股票投资策略，通过整合市场数据和算法建模，识别出影响股票价格、市值和市场表现的关键因子。2.优化因子策略：根据市场变化和交易需求，优化因子领域策略和筛选方法，以提高股票选股的效率和准确性。1.因子模型：包括单因子模型、多因子模型和交叉模型等，根据投资理念和风险偏好选择适合的因子模型。4.因子评分和排名：基于因子模型和量化方法，对股票进行评分和排名，并选出最优股票组合。

2024-05-29 13:56:50 303

原创量化软件：赫兹量化MT5中技术类因子在股票交易中的应用

例如，移动平均线（MA）是技术类因子中应用较广的一种。技术类因子是股票分析中非常重要的一部分。通过技术指标的分析和应用，股票交易者可以识别市场趋势，从而制定更好的投资策略。在这里，我们将探讨技术类因子在股票交易中的应用。技术类因子是一种通常以市场数据为基础的分析方法，目的是通过股票价格波动来预测市场趋势。技术类因子的分析方法基础于统计和理性分析等各方面的投资权衡考虑。总之，技术类因子是股票交易者之间非常重要的分析方法，可以帮助交易者更好地了解市场趋势和价格走势，快速识别机会，同时降低潜在交易风险。

2024-05-28 16:53:41 224

原创量化软件：赫兹量化MT5中成长投资中的股票因子及其应用

与价值投资相比，成长投资更加关注市场上未来具有潜力和成长性的股票。成长投资者通常关注股票的市盈率（PE比率）、Price/Sales比率和Price/Cash Flow比率等因素，这些因素往往与成长股相关。对于投资者来说，这些因素是确定公司增长潜力和业绩表现的重要标准，可以作为制定投资决策的依据。成长投资是拥有高潜力和成长性的股票。长期而言，股票市场的企业增长率越高，对应股票的获利率越高。在成长投资中，对股票因子的应用是非常重要的。总之，在成长投资中，股票因子的分析和判断对于制定投资决策至关重要。

2024-05-28 16:37:50 181

原创量化软件：赫兹量化MT5中质量类因子的广泛应用及其风险管理作用

通过分析质量类因子，交易者可以评估公司财务状况、公司管理表现和公司的未来业务模式，以此来确定股票的投资价值和风险水平。通过跟踪和分析ROE和ROA的数值变化，交易者可以快速了解公司的经营表现和公司的潜在增长率，并以此来决定投资组合。在股票交易中，质量类因子是对公司财务状况、业务模式和管理表现等的综合评估。质量类因子通常由股票交易者和投资者用于评估股票的价值和未来的增长潜力。总之，质量类因子是股票投资中的一个重要分析指标，它有助于交易者对公司股票投资价值进行评估和了解，同时也在风险管理中扮演了核心角色。

2024-05-28 16:23:38 278

原创量化软件：赫兹量化MT5中价值投资和成长投资中的股票因子

价值投资通常涉及从市场中寻找被低估或被低估的股票，以获取更好的收益。在价格波动的市场中，价值投资者通常会注意到市值、营收、收益率等因子，这些因素通常是确定价格目标的关键因素。这些因子通常关注的是公司财务状况和短期市场价格波动，是价值投资策略中最常用的指标。价值投资和成长投资是两个基本的股票交易策略，每种策略都需要考虑股票因子的因素。成长投资的重点通常是寻找那些具有增长潜力的股票，例如那些年营收增长率超过15%的公司，以及那些在过去2-3年内flation-adjusted EPS增长率超过15%的公司等。

2024-05-24 11:43:54 290

空空如也

空空如也