有关MQL5数据分析和统计的文章

本文研讨自定义交易历史的评估方法。 并为下载和分析历史记录编写了两个类。 第一个收集交易历史并将其表述为汇总表格。 第二个是处理统计数据: 它计算众多变量并构建图表，以便更有效地评估交易结果。

本文提供了一种走势延续模型的程序化定义。 主要思路是定义两个波浪 — 主浪和修正浪。 对于极值点，我应用分形以及“潜在”分形 - 尚未形成分形的极值点。

在技术分析中比较几个时间序列是一种很常用的任务，需要合适的工具。在本文中，我提出开发一种用于图形化分析的工具，可以侦测两个或者多个时间序列之间的相互关联。

在本文中，我们将研究显示文本的消息类。 目前，我们有众多的不同消息。 是时候重新编排它们的存储、俄/英语言翻译成其他语言、以及显示消息的方法。 此外，最好引入便利的方法来向函数库中添加新语言，并在它们之间快速切换。

本文介绍针对交易系统开发的多元回归分析的运用方法。它说明策略搜索自动化的回归分析的运用。生成了一个回归等式，并作为一个例子集成在一个不需要精通编程的 EA 中。

本文采用图形界面实现 MQL 应用程序来扩展可视化的优化过程。 图形界面采用 EasyAndFast 函数库的最新版本。 许多用户可能会问为什么他们在 MQL 应用程序中需要图形界面。 本文为交易者展示了众多实用情况之一。

在本文中，我将着手开发操控市场深度的功能。 我还将创建市场深度抽象订单对象，及其衍生类。

在上一篇文章中，我们遵照函数库对象的一般概念创建了相对应的延后请求对象类。 本次，我们将着手允许管理延后请求对象的类。

本文探讨了在分离在不同市场条件下的优化方法,分离优化意味着分别为上涨趋势和下跌趋势分别定义交易系统的最佳参数. 为了减少错误信号的影响，提高盈利能力，系统变得灵活，这意味着它们有一些特定的设置或输入数据，这是合理的，因为市场行为不断变化。

本文描述了一种新的方法来进行仓位对冲, 并在 MetaTrader 4 和 MetaTrader 5 的用户之间就此事的争辩划清界线。这是: "在 MetaTrader 5 里使用 HedgeTerminal (对冲终端) 面板进行双向交易和仓位对冲" 第一部分的延续。在第二部分里, 我们讨论自定义 EA 与 HedgeTerminalAPI 的集成, 其作为特别的可视化程序库, 设计用于在一个舒适的软件环境里作为工具进行便利的双向交易仓位管理。

文章在测试报告中给出了数据的计算公式和定单计算。

本文介绍了使用电子表格（Excel、Calc、Google）分析任何策略的基本原则和方法。所得结果与 MetaTrader 5 测试器进行了比较。

一分钟数据模式质量等级

在接下来的系列文章中，我将演示探讨大多数市场因素的自适应算法的开发，以及如何将这些情况系统化，用逻辑描述它们，并在您的交易活动中应用它们。我将从一个非常简单的算法开始，这个算法将逐渐获得理论，并发展成一个非常复杂的项目。

分数型差分的应用范围足够广泛。 例如，差分序列通常作为机器学习算法的输入。 问题是，必须在机器学习模型可识别的前提下，显示相应历史阶段的新数据。 在本文中，我们将研究时间序列差分的原始方法。 本文还包含基于所接收差分序列的交易系统自我优化示例。

在本文中，我将向您展示如何计算任何交易的总盈利或亏损，包括佣金和掉期利息。 我会提供最精准的数学模型，并依据它来编写代码，之后将其与标准进行比较。 此外，我还将尝试进入主要 MQL5 函数的内部来计算利润，并从规则中获取所有必要值的根底。

在之前的文章中，我们已着手创建一个大型跨平台函数库，简化 MetaTrader 5 和 MetaTrader 4 平台上的程序开发。 在第四部分中，我们测试了在帐户上跟踪交易事件。 在本文中，我们将开发交易事件类，并将它们置于事件集合当中。 从那里，它们将被发送到 Engine （引擎）库的基准对象，并控制程序图表。

大多数订阅者是通过优美的余额曲线和订阅用户数量来选择交易信号。 这就是为什么如今许多提供者只在乎漂亮的统计数据而非信号的真实质量，经常玩弄手数把戏并人为地将余额曲线整理到理想的外观。 本文论述了可靠性准则，以及提供者可用于提高其信号质量的方法。 展现特定信号历史的示例性分析，以及有助于提供者提升盈利并降低风险的方法。

在第一部分中，我们曾创建了一个大型跨平台函数库，简化 MetaTrader 5 和 MetaTrader 4 平台程序的开发。 再者，我们实现了历史订单和成交的集合。 我们的下一步是创建一个类，用来针对订单、成交和仓位的集合进行选择和排序。 我们将实现名为引擎（Engine）的基准函数库对象，并向函数库中添加市价订单和仓位的集合。

技术分析的很多程序允许在历史数据上测试交易策略。在大多数情况下， 测试被连接到已经完成的数据上，在价格柱内这些数据不带有任何试图模式化的趋势。测试会快速进行，但是不精确。

对某个序列的统计参数进行估计非常重要，因为大多数数学模型和方法均基于不同的假设。例如，正态分布规律或离差值（或其他参数）就是这样。因此，在分析和预测时间序列时，我们需要一个简单方便的工具，用于快速清晰地估计主要统计参数。本文简要说明了一个随机序列的最简单统计参数，以及其可视分析的几种方法。本文还说明了如何在 MQL5 中实现这些方法，以及使用 Gnuplot 应用程序对计算结果进行可视化的方法。

本文力求升级此前创建的指标，并简要讲述了利用自助法与分位数评估预测置信区间的一种方法。如此一来，我们便会获得将用于评估预测准确性的预测指标和脚本。

上篇文章中，我们在函数库中为 MQL4 定义了平仓事件，并删除了若干未使用的订单属性。 在此，我们将研究创建 Account 对象，开发帐户对象的集合，并筹备跟踪帐户事件的功能。

本文概述终端创建和运用自定义品种的能力，提供了使用自定义品种模拟交易历史、趋势和各种图表形态的选项。

如果采用基于历史数据的优化方法来选择参数，就不可能得到真正稳定的算法。一个稳定的算法应该知道在任何时候操作任何交易工具时需要哪些参数。它不应该预测或猜测，它应该确定知道。

我们可以毫不费力地找到测试的圣杯，然而，要摆脱它却困难得多。 本文重点介绍 Expert Advisor 操作参数的选择，以及在最大限度利用终端性能和最大限度减少终端用户负载的情况下对优化和测试结果进行自动化分组处理。

找到交易系统的规则，再于“EA 交易”中进行编程，任务就完成一半了。随着交易结果的累积，您需要通过某种方式纠正“EA 交易”的操作。本文讲述一种方法，通过创建平衡曲线斜率的测量反馈，改善“EA 交易”的性能。

本文探讨了开发交易算法的方法，即使用一致的科学方法来分析可能的价格模式，并基于这些模式构建交易算法。开发的理念是通过实例来展示的。

本文描述了一种通用的基于CSS选择器的HTML文档数据分析和转换方法。交易报告、测试报告、您最喜欢的经济日历、公共信号、账户监控和其他在线报价源将直接从MQL获得。

本文介绍使用 MQL 中实现的内置测试器和辅助函数库来准确模拟前瞻优化的方法。

我将继续采用最少的必要功能来充实算法，并测试结果。 其获利能力十分低下，但文章展示的全自动盈利交易的模型，是在不同的行情基本面及完全不同的金融产品上进行。

在这篇文章中，我将展示在选择一个系统或信号来投资你的资金时所使用的标准，以及描述开发交易系统的最佳方法，并强调这个问题在外汇交易中的重要性。

也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。 当然，我们不打算在家用 PC 上创建如此庞然之物。 然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。

本文提供一种在信号服务中搜寻交易信号的系统性方法，寻找能够平衡获利、风险、交易欲望，并且能适用于各类交易帐户及交易对象的交易信号。

经验丰富的交易者非常清楚交易中最劳神的事情并非开单和跟踪持仓，而是选择交易品种并寻找入场点。 在本文中，我们将开发一款 EA，可为您简化依据经纪商所提供交易产品搜索入场点的任务。

MetaTrader 5 客户端提供了各种机会来优化 EA 交易的参数。除了策略测试程序中包含的优化标准以外，开发人员还有机会创建自己的标准。这样一来，EA 交易的测试和优化便具有了无限的可能性。本文介绍了创建此类标准的实用方法，既适用于复杂标准，也适用于简单标准。