有关 MQL5 编程和自动交易使用的文章

据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。

我们将继续讨论决策转换器方法系列。从上一篇文章中，我们已经注意到，训练这些方法架构下的转换器是一项相当复杂的任务，需要一个大型标记数据集进行训练。在本文中，我们将观看到一种使用未标记轨迹进行初步模型训练的算法。

若干交易员同事发送电子邮件或评论了如何基于经纪商提供的名称里带有前缀和/或后缀的品种使用此多币种 EA，以及如何在该多币种 EA 上实现交易时区或交易时段。

在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。

在离线学习期间，我们基于训练样本数据优化了智能体的政策。成品政策令智能体对其动作充满信心。然而，这种乐观情绪并不总是正当的，并且可能会在模型操作期间导致风险增加。今天，我们要寻找降低这些风险的方法之一。

出于分析和预测目的而把数据分类是机器学习中一个非常多样化的领域，它具有大量的方式和方法。本文着眼于一种这样的方式，即集聚层次化分类。

最近两篇文章专门介绍了决策转换器方法，其在期望奖励的自回归模型境况下针对动作序列进行建模。在本文中，我们将研究该方法的另一种优化算法。

在上一篇文章中，我们领略了决策变换器。但是，外汇市场复杂的随机环境不允许我们充分发挥所提议方法的潜能。在本文中，我将讲述一种算法，旨在提高在随机环境中的性能。

我们继续探索强化学习方法。在本文中，我将专注于一种略有不同的算法，其参考智能体政策构造一连串动作的范式。

本文中的多币种智能交易系统是智能交易系统或交易机器人，它仅在一个品种图表上就能交易（开单、平单、和管理订单，例如：尾随停损和止盈）超过 1 个交易品种对。这次我们只用 1 个指标，即抛物线 SAR 或 iSAR， 将其应用在 PERIOD_M15 到 PERIOD_D1 的多个时间帧。

随着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，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。

在此，我将研究相当新颖的随机边际扮演者-评论者（SMAC）算法，该算法允许在熵值最大化的框架内构建潜在变量政策。

今天，我们将学习一种技术，它可以在程序员职业生涯的不同阶段对我们有很大帮助。通常，受到限制的不是平台本身，而是谈论限制的人的知识。这篇文章将告诉你，凭借常识和创造力，你可以让 MetaTrader 5 平台变得更加有趣和通用，而无需创建疯狂的程序或类似的东西，并创建简单但安全可靠的代码。我们将利用我们的创造力修改现有代码，而不删除或添加源代码中的任何一行。

强化学习中的环境研究是一个紧迫的问题。我们之前已视察过一些方式。在本文中，我们将讲述另一种基于最大化核范数的方法。它允许智能体识别拥有高度新颖性和多样性的环境状态。

在改进了C_Mouse类之后，我们可以专注于创建一个类，该类旨在为我们的分析创建一个全新的框架。我们不会使用继承或多态性来创建这个新类。相反，我们将改变，或者更好地说，在价格线中添加新的对象。这就是我们在这篇文章中要做的。在下一节中，我们将研究如何更改分析。所有这些都将在不更改C_Mouse类的代码的情况下完成。实际上，使用继承或多态性会更容易实现这一点。然而，还有其他方法可以达到同样的结果。

无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。

本文中的多币种智能交易系统是交易机器人，它只能在单一品种图表中运营，但可交易（开单、平单和管理订单）超过一个品种对。

我们已经不止一次地讨论过正确选择奖励函数的重要性，我们通过为单独动作添加奖励或惩罚来刺激代理者的预期行为。但是关于由代理者解密我们的信号的问题仍旧悬而未决。在本文中，我们将探讨将单独信号传输至已训练代理者时的奖励分解。

加入我们的《利用 MQL5 的交互式 GUI 改进您的交易图表》系列的第 III 部分，我们将探索将交互式 GUI 集成到 MQL5 中的可移动交易仪表板之中。本文建立在第 I 部分和第 II 部分的基础上，指导读者将静态交易仪表板转换为动态、可移动的。

由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。

最后两篇文章研究了软性扮演者-评论者算法，该算法将熵正则化整合到奖励函数当中。这种方式在环境探索和模型开发之间取得平衡，但它仅适用于随机模型。本文提出了一种替代方式，能适用于随机模型和确定性模型两者。

这是一篇关于一个新的重要话题的新文章，这个话题是关于日期和时间的。作为交易工具的交易员或程序员，了解如何很好、有效地处理日期和时间这两个方面至关重要。因此，我将分享一些重要信息，关于我们如何处理日期和时间，以便顺利、简单地创建有效的交易工具。

随着人工智能的快速发展，大型语言模型（LLM）成为人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。

在上一篇文章中，我们实现了软性扮演者-评论者算法，但未能训练出一个可盈利的模型。在此，我们将优化先前创建的模型，以期获得所需的结果。

在这篇文章中，我将展示一种完全不同的方式进行算法交易，我经历了很长一段时间后才最终遇到它。当然，这一切所作所为全靠我的暴力程序，其经历了许多更改，令其能够并发解决若干问题。尽管如此，这篇文章明面上仍然比较笼统和尽可能简单，这就是为什么它也适合那些对暴力一无所知的人。

本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

在这篇文章中，我们介绍了几种被称为夏普比率（Sharpe ratio）替代品的风险回报标准的实现，并检查了假设的权益曲线以分析其特征。

在这篇文章中，我们将探讨配对交易（pair trading），即它的原理是什么，以及它的实际应用是否有前景。我们还将尝试创建一个配对交易策略。

我们继续讨论解决连续动作空间问题的强化学习算法。在本文中，我将讲演软性扮演者-评论者（SAC）算法。SAC 的主要优点是拥有查找最佳策略的能力，不仅令预期回报最大化，而且拥有最大化的动作熵（多样性）。

本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

依靠我们的以 MQL5 创建可移动 GUI 的深度指南，在您的交易策略和实用程序中解锁动态数据表达的潜力。深入研究面向对象编程的基本原理，并探索如何在同一图表上轻松高效地设计和实现单个或多个可移动 GUI。