有关MQL5交易系统自动化的文章

在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证神经网络是否对交易者有任何帮助。 若在交易中运用神经网络的话， MetaTrader 5 完全可作为一款自给自足的工具。

我们继续研究无监督学习算法。 一些读者可能对最近发表的与神经网络主题的相关性有疑问。 在这篇新文章中，我们回到了对神经网络的研究。

我们将会令订单系统更加灵活。 在此，我们将研究代码的修改，令其更加灵活，而这也让我们能够更快地修改持仓破位价。

今天，我们将继续开发新订单系统。 实现一个新系统并非那么容易，因为我们经常会遇到各种问题令过程复杂化。 当这些问题出现时，我们必须停下来重新分析我们前进的方向。

本系列中的一篇新文章,介绍了如何依据 MQL5 最流行的技术指标为 MetaTrader 5 设计交易系统。 在本文中，我们将学习如何依据 Williams‘ %R 指标设计交易系统。

我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。

最后，视觉系统将开始工作，尽管它尚未完工。 在此，我们将完成主要更改。 这只是它们当中很少一部份，但都是必要的。 嗯，整个工作将非常有趣。

这是我们系列中有关如何基于最热门指标设计交易系统的一篇新文章，这回我们将详细讨论 Ichimoku 指标，以及如何依据该指标设计交易系统。

作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。 这种问题类型首先用于零售业，即超市等，来分析市场篮子。 在本文中，我们将讨论这些算法在交易中的适用性。

决策树模仿人类的方式针对数据进行分类。 我们看看如何构建这棵树，并利用它们来分类和预测一些数据。 决策树算法的主要目标是将含有杂质的数据分离成纯节点或靠近节点。

我们继续实现新的订单系统。 创建这样的一个系统需要熟练地掌握 MQL5，以及了解 MetaTrader 5 平台的实际工作方式，及其提供的资源。

今天的交易者都是一位哲学家，他几乎总是（有意识地或无意识地）寻找新的思路，尝试它们，选择修改或抛弃它们；这是一个需要付出相当勤奋程度的探索过程。 这显然会花费交易者高昂的时间，且需要避免错误。 本系列文章将提出，MQL5 向导应该是交易者的支柱。 为什么呢？ 因为交易者不仅经由 MQL5 向导组装他的新想法来节省时间，而且大大减少了重复编码的错误；他最终会把精力集中在交易哲学的几个关键领域。

在本文中，我们将开发一个“看看发生了什么”类型的图形订单系统。 请注意，我们这次不是从头开始，只不过我们将修改现有系统，在我们交易的资产图表上添加更多对象和事件。

这是我们系列文集中的新篇章，介绍如何基于最流行的技术指标设计交易系统。 本文将专门讨论交易量指标。 作为一个概念，交易量是金融市场交易中非常重要的因素之一，我们必须予以关注。 贯穿本文，我们将学习如何基于交易量指标设计一款简单的系统。

在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证神经网络是否对交易者有任何帮助。

在本部分中，我们将继续讨论人工智能模型。 即，我们研究无监督学习算法。 我们已经讨论了众多聚类算法之一。 在本文中，我将分享一种解决与降维相关问题的方法。

这篇新文章出自我们的系列文章，是有关基于最流行的技术指标设计交易系统，它研究了一个新的技术指标 — 资金流动性指数（MFI）。 我们将详细学习它，利用 MQL5 开发一个简单的交易系统，并在 MetaTrader 5 中执行它。

这是新订单系统的第一部分。 自从我们在文章中开始打造这个 EA 以来，它已经历了各种变化和改进，同时保持了相同的图表订单系统模型。

在本文中，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。

欢迎阅读本系列的新文章，了解如何基于最流行的技术指标设计交易系统。 在本文中，我们将学习一种新的技术指标，称为建仓/派发指标，并了解如何基于简单的 AD 交易策略设计一款 MQL5 交易系统。

在上一篇文章中，我们为数据聚类创建了一个类。 在本文中，我想分享在解决实际交易任务时应用所获结果会遇到的可能变体。

这一次，我们的模型是由矩阵构建的，它更具灵活性，同时它允许我们构建更强大的模型，不仅可以处理五个独立变量，但凡我们保持在计算机的计算极限之内，它还可以处理更多变量，这篇文章肯定会是一篇阅读起来很有趣的文章。

这是一篇新文章，将针对初学者继续我们的系列，介绍如何基于一些流行指标设计交易系统。 我们将学习一个新的指标，即能量潮（OBV），我们将学习如何使用并基于它来设计交易系统。

我们继续研究聚类方法。 在本文中，我们将创建一个新的 CKmeans 类来实现最常见的聚类方法之一：k-均值。 在测试期间，该模型成功地识别了大约 500 种形态。

在本文中，我们将继续讲述如何基于最流行的指标设计交易系统。 在本文中，我们将详细学习抛物线 SAR 指标，以及如何运用一些简单的策略来设计用于 MetaTrader 5 的交易系统。

在本文中，我们将学习一款可在交易中运用的新技术工具，作为我们学习如何设计简单交易系统系列的延续。 这次我们将选取另一个流行的技术指标：平均真实范围（ATR）。

今天，我们要将更多资源加入 EA。 这篇有趣的文章可以提供一些展示信息的新思路和方法。 与此同时，它能帮助修复项目中的小缺陷。

今天，我们将针对市场分析构建《时序与交易》系统的第二部分。 在前一篇文章《时序与交易（I）》当中，我们讨论了一种替代的图表组织系统，该系统能够针对市场上执行的成交进行最快速的解释。

数据分类对于算法交易者和程序员来说是至关重要的。 在本文中，我们将重点关注一种分类逻辑算法，它有帮于我们识别“确定或否定”、“上行或下行”、“做多或做空”。

今天，我们将创建时序与交易，从而快速解读订单流程。 这是我们构建系统的第一部分。 在下一篇文章中，我们将补全该系统缺失的信息。 为了实现这一新功能，我们需要在智能交易系统代码中添加一些新的内容。

在本文中，我们将创建一个交叉订单系统。 有一种类型的资产让交易员的生涯变得非常困难 — 那就是期货合约。 但为什么令他们的职业生涯变得如此困难？

如何在智能交易系统中直接访问自定义指标？ 一款交易 EA 仅在能够使用自定义指标的情况下才是真正有用；否则，它只是一组代码和指令而已。

查看这些有用的资料选集，它们可以辅助交易者提高他们的算法交易知识。 简约算法时代正在成为过去，如果不运用机器学习技术和神经网络，成功变得越来越困难。

这是目前最强力的指标之一。 任何满怀信心尝试交易的人都必须在他们的图表上拥有这个指标。 最常用的指标都是那些喜欢在交易时“读磁带”的人所采用。 此外，而该指标则是那些交易时仅依据价格动作的人会采用。