MQL5 Free EA – ການກວດສອບໂດຍ backtesting 26 “GoldGainer”
ໃນຊຸດ “ການກວດສອບໂດຍ backtesting" ພວກເຮົາຢືນຢັນການປະຕິບັດງານຂອງ EAs ຟຣີທີ່ລົງທະບຽນໃນຊຸມຊົນ MQL5 ຈາກຜົນການທົດສອບຫຼັງ. ພວກເຮົາຫວັງວ່າມັນຈະຊ່ວຍໃຫ້ທ່ານເລືອກ EA.
* ການລົງທະບຽນສະມາຊິກ (ຟຣີ) ແມ່ນຕ້ອງດາວນ໌ໂຫລດ EAs ແລະຕົວຊີ້ວັດຈາກຊຸມຊົນ MQL5, ດັ່ງນັ້ນໃຫ້ເຮົາສ້າງບັນຊີໂດຍອ້າງເຖິງ ບົດຄວາມນີ້!

ສະບັບທີ 26 ແມ່ນ “GoldGainer“.
ກ່ຽວກັບ “GoldGainer"
ອ້າງອີງຈາກຫນ້າທາງການ MQL5 (ການແປພາສາ)
ແນະນໍາ GoldGainer EA, ທີ່ປຶກສາຊ່ຽວຊານທີ່ leverages AI algorithms, MACD ແລະ RSI ເພື່ອກໍານົດໂອກາດການຊື້ຂາຍໃນ M30 timeframe. EA ໄດ້ສັ່ງທັນທີເມື່ອສັນຍານຖືກກວດພົບໂດຍອີງໃສ່ການຄິດໄລ່ທາງຄະນິດສາດຂອງຕົນເອງ. ຈໍານວນການຊື້ຂາຍສູງສຸດແມ່ນຖືກກໍານົດໄວ້ລ່ວງໜ້າ, ພ້ອມກັບຄ່າ Stop Loss ແລະ Take Profit ຄົງທີ່.
ຂ້າງລຸ່ມນີ້ແມ່ນລາຍລະອຽດການປ້ອນຂໍ້ມູນທີ່ທ່ານຄວນຮູ້:
- initial Lot Size: 0.01 (ຂະໜາດລອດເລີ່ມຕົ້ນ)
- Balance: 200 (ເພີ່ມລອດເມື່ອຍັງມີ 200 ດອນຢູ່ໃນບັນຊີ)… ໃນສະບັບປະຈຸບັນແມ່ນ 175 ດອນ
- MaxCountOrders: 2 (ຈໍານວນຄຳສັ່ງສູງສຸດທີ່ສາມາດເປີດໄດ້ທີ່ຈະລົງ)
- MaxSpread: 200 (ຊິ້ນສູງສຸດທີ່ອະນຸຍາດ)
- TakeProfit: 150 (ຈໍານວນປິບຂອງການຮັບການລາງວັນ)
- StopLoss: 120 (ຈໍານວນປິບຂອງການຈຳກັດການສູນ)
- Magic: 2628 (ຈຳນວນຄວາມສູງຂອງໄຟ້ໃນການການຊື້ຂາຍ)
- Comment: GoldGainerV_2.6 (ຄວາມຄິດເຫັນ)
ລັກສະນະອື່ນໆຂອງ GoldGainer EA ມີດັ່ງນີ້:
- ຄູ່ສະກຸນເງິນ: XAUUSD/Gold
- ແກນເວລາ: M30
- ຈໍານວນເງິນຝາກທີ່ແນະນໍາ: 200 ໂດລາ, ຈໍານວນເບື້ອງຕົ້ນ 0.01
ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຈື່ຈໍາວ່າຜົນໄດ້ຮັບການຊື້ຂາຍທີ່ຜ່ານມາບໍ່ມີການຮັບປະກັນວ່າຜົນໄດ້ຮັບໃນອະນາຄົດຈະຄືກັນ. ເງື່ອນໄຂຕະຫຼາດສາມາດປ່ຽນແປງຢ່າງໄວວາແລະມີຫຼາຍປັດໃຈທີ່ສາມາດສົ່ງຜົນກະທົບຕໍ່ການປະຕິບັດຍຸດທະສາດການຄ້າຂອງທ່ານ. ດັ່ງນັ້ນ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສະເຫມີພິຈາລະນາຄວາມສ່ຽງທີ່ກ່ຽວຂ້ອງກ່ອນທີ່ຈະລົງທຶນໃນຍຸດທະສາດການຄ້າໃດໆ. ນີ້ປະກອບມີຄວາມເຂົ້າໃຈການສູນເສຍແລະຜົນກໍາໄລທີ່ອາດຈະເກີດຂຶ້ນແລະການປະເມີນຄວາມທົນທານຕໍ່ຄວາມສ່ຽງຂອງທ່ານຕາມຄວາມເຫມາະສົມ. ພວກເຮົາຍັງແນະນໍາໃຫ້ທ່ານຊອກຫາຄໍາແນະນໍາດ້ານວິຊາຊີບຂອງທີ່ປຶກສາດ້ານການເງິນຫຼືຜູ້ຊ່ຽວຊານດ້ານການອື່ນໆເພື່ອຊ່ວຍໃຫ້ທ່ານຕັດສິນໃຈຢ່າງມີຂໍ້ມູນ.
GoldGainer ຊື້ຂາຍແນວໃດ

Take Profit (TP) ແລະ Stop Loss (SL) ຖືກກໍານົດໂດຍພາລາມິເຕີ EA, ແຕ່ການຄ້າສ່ວນໃຫຍ່ເບິ່ງຄືວ່າຖືກປິດໂດຍເຫດຜົນພາຍໃນກ່ອນທີ່ຈະເຂົ້າຫາ TP ແລະ SL.
Backtesting ກັບການຕັ້ງຄ່າເລີ່ມຕົ້ນ (ຄວາມສົນໃຈລວມ)
- ບັນຊີ: NZX Zero (ECN) (NOZAX)
- ຄູ່ສະກຸນເງິນ: XAUUSD#
- ແກນເວລາ: M30
- ພາລາມິເຕີ: ການຕັ້ງຄ່າເລີ່ມຕົ້ນ
- ຍອດເງິນເບື້ອງຕົ້ນ: $200
- ໄລຍະເວລາ: 2020.01.01 – 2023.03.31






backtest ງ່າຍດາຍ
ເພື່ອໃຫ້ໄດ້ຜົນດອກເບ້ຍແບບງ່າຍໆ, ຂ້ອຍຕັ້ງພາລາມິເຕີ Balance ເປັນ 3000 ແລະຕັ້ງໃຫ້ເທຣດ 0.01 lots ຖ້າຍອດເງິນຢູ່ພາຍໃນ $3000.
- ບັນຊີ: NZX Zero (ECN) (NOZAX)
- ຄູ່ສະກຸນເງິນ: XAUUSD#
- ແກນເວລາ: M30
- ພາຣາມິເຕີ: Balance = 3000
- ຈໍານວນ: 0.01
- ຍອດເງິນເບື້ອງຕົ້ນ: $1,000
- ໄລຍະເວລາ: 2020.01.01 – 2023.03.31


EA ນີ້ມີ drawdown ຂະຫນາດນ້ອຍແລະເບິ່ງຄືວ່າມີກໍາໄລສູງ. ການປຽບທຽບຜົນໄດ້ຮັບ backtest ຂອງມູນຄ່າເບື້ອງຕົ້ນແລະຄວາມສົນໃຈງ່າຍດາຍ, ຂ້າພະເຈົ້າຄິດວ່າການປະສົມປານກາງສາມາດຖືກນໍາໃຊ້ດ້ວຍຄວາມສະຫງົບຂອງຈິດໃຈແທນທີ່ຈະດໍາເນີນການກັບການປະສົມທີ່ຮຸນແຮງ.
ນອກຈາກນີ້, ເນື່ອງຈາກວ່າມັນເປັນ EA ທີ່ໃຊ້ AI, ມັນຈໍາເປັນຕ້ອງກວດເບິ່ງວ່າມັນເປັນການຮຽນຮູ້ເກີນ. ນອກຈາກນີ້, ໃນໄລຍະ backtest ປະມານ 3 ປີ, ມີໄລຍະເວລາທີ່ການຂະຫຍາຍຕົວຊ້າເລັກນ້ອຍ, ສະນັ້ນມັນເບິ່ງຄືວ່າດີທີ່ຈະເລີ່ມຕົ້ນໂດຍການກວດສອບການດໍາເນີນງານດ້ວຍບັນຊີຕົວຢ່າງ.
- Overfitting ແມ່ນປະກົດການທີ່ຕົວແບບ AI overfits ຂໍ້ມູນການຝຶກອົບຮົມແລະປະຕິບັດຂໍ້ມູນໃຫມ່ທີ່ບໍ່ດີ.