MQL4和MQL5编程文章

在前一篇文章“在一张图表上的多个指标”中，我介绍了如何在一张图表上加载多个指标的概念和基本知识。 在本文中，我将提供源代码，并对其进行详解。

ONNX（开放式神经网络交换）是一种开源的机器学习模型格式。 在本文中，我们将研究如何创建 CNN-LSTM 模型，来预测金融时间序列。 我们还将展示如何在 MQL5 智能系统中运用创建的 ONNX 模型。

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。

在这篇参考文章中，我们将研究趋势指标类别中的标准指标。我们将创建现成的模板，用于EA中的指标使用——声明和设置参数、指标初始化和析构，以及从EA中的指示符缓冲区接收数据和信号。

本文提供了一个的示例，运用感知器作为自给自足的价格预测工具，展示其一般概念和最简单的已制备智能系统，然后是其优化结果。

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。

艾伦·安德鲁斯（Alan Andrews）是现世代在交易领域最著名的“教育家”之一。 他的“草叉”几乎包含在所有现代报价分析程序当中。 但大多数交易者没机会用过此工具，甚至是其提供的一小部分。 此外，安德鲁斯最初的培训课程不仅包括对草叉的描述（尽管它仍然是主要工具），还包括其它一些有用的结构。 本文提供了对安德鲁斯在其原始课程中教授的奇妙图表分析方法的见解。 （流量焦虑用户）请当心，会有很多图像。

岭回归是一种简单的技术，可降低模型复杂度，并防止简单线性回归可能导致的过度拟合。

在本文中，我将研究萤火虫算法（FA）优化方法。 致谢优化修订，该算法已从局外人变成了评级表上的真正领先者。

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。

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。

图形价格分析系统在交易者中当之无愧地广受欢迎。 在本文中，我将讲述完整的默里（Murrey）系统，包括其著名的级别，以及其它一些评估当前价格位置，并据其做出交易决策的实用技术。

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。

许多人喜欢它们，但却只有少数人理解神经网络背后的整个操作。 在本文中，我尝试用淳朴的语言来解释前馈多层感知，解密其封闭大门背后的一切。

交易策略是多种多样的，因此，或许可以采用几种策略并行运作，以分散风险，提高交易结果的稳定性。但是，如果每个策略都作为单独的 EA 交易来实现，那么在一个交易账户上管理它们的工作就会变得更加困难。为了解决这个问题，在一个 EA 中实现不同交易策略的操作是合理的。

根据本系列文章的用户和读者的评论和要求，程序已进行了修改。 本文包含一个自动优化器的新版本。 该版本实现了所需的功能，并提供了其他改进，这些是我运用该程序操作时发现的。

学习如何使用MQL5创建自定义指标。这篇入门文章将指引您了解创建简单自定义指标的基础知识，并向初次接触这一有趣话题的MQL5程序员展示编写各种自定义指标的方法。

在本文中，我们将研究如何建立所有优化通测的图形，以及选择最优结果的自定义准则。 我们还将看到如何利用网站上发表的文章和论坛评论，在几乎不了解 MQL5 的情况下创建所需的解决方案。

在本文中，我们将朝着 EA 的性能迈出最后一步。 为此，请做好长时间阅读的准备。 为了令我们的智能交易系统可靠，我们首先从代码中删除不属于交易系统的所有内容。

我们的订单系统有一项任务仍然尚未完成，但我们终将把它搞定。 MetaTrader 5 提供了一个允许创建和更正订单参数值的单据系统。 该思路是拥有一个智能系统，可令相同的票据系统更快、更高效。

这是初学者系列的延续。本文将介绍如何创建常量和变量、写入日期、颜色和其他有用的数据。我们将学习如何创建枚举，如一周中的天数或线条样式（实线、虚线等）。变量和表达式是编程的基础。它们肯定存在于99%以上的程序中，因此理解它们至关重要。因此，如果你是编程新手，这篇文章会对你非常有用。所需的编程知识水平：非常基础，在我上一篇文章（见开头的链接）的范围内。

我们继续研究强化学习算法。 到目前为止，我们所研究的所有算法都需要创建一个奖励政策，从而令代理者能够每次从一个系统状态过渡到另一个系统状态的转换中估算其每个动作。 然而，这种方式人为因素相当大。 在实践中，动作和奖励之间存在一些时间滞后。 在本文中，我们将领略一种模型训练算法，该算法可以操控从动作到奖励的各种时间延迟。