MQL4和MQL5编程文章

在本文中，我将研究猴子优化算法（MA）。 这些动物克服困难障碍，并到达最难以接近的树顶的能力构成了 MA 算法思想的基础。

文章讨论了使用优化算法即时查找最佳 EA 参数，以及交易操作和 EA 逻辑虚拟化的实际问题。这篇文章可作为在 EA 中实现优化算法的指导。

梯度下降在训练神经网络和许多机器学习算法中起着重要作用。 它是一种快速而智能的算法，尽管它的工作令人印象深刻，但它仍然被许多数据科学家误解，我们来看看有关它的全部。

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。

今天，我们将首次更新指标系统的功能。 在“一张图表上的多个指标”的前一篇文章中，我们研究了允许在图表子窗口中加载多个指标的基本代码。 但其所代表的只是一个更大系统的起点。

我将研究的下一个算法是 Levy 飞行正在使用的杜鹃搜索优化。 这是最新的优化算法之一，也是排行榜的新领导者。

我们继续研究分布式 Q-学习算法。 在之前的文章中，我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中，我们训练了给定数值范围的概率。 在第二种算法中，我们用给定的概率训练了范围。 在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。 在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。

本文解决了MQL5论坛中常见的初学者问题，并演示了实用的解决方案。学习执行基本任务，如买卖、获取烛形价格以及管理自动交易方面，如交易限额、交易期限和盈亏阈值。获取分步指导，以增强您对 MQL5 中这些概念的理解和实现。

基于机器学习的交易机器人开发：详细指南本系列文章的第一篇将重点讨论数据的收集与准备以及特征的选择。该项目采用Python编程语言及其相关库，并结合MetaTrader 5平台来实现。

这篇文章是关于道义期望。 我们将看到在交易中运用它的若干示例，以及在它的帮助下可以达成的结果。

本文从振荡指标类开始研究标准指标，我们将创建现成的模板，用于EA中——声明和设置参数、指标初始化和去初始化，以及从EA中的指标缓冲区接收数据和信号。

有多种用于交易策略和参数自我优化的算法。这些算法基于历史和当前市场数据自动改进交易策略。在本文中，我们将通过Python和MQL5的示例来探讨其中一种算法。

让我们继续阅读关于使用Python和MQL5开发交易机器人系列的文章。在本文中，我们将用Python中创建一个交易算法。

我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。

旧时的交易策略本文介绍了一种纯技术型的趋势跟踪策略。该策略纯粹是技术性的，使用一些技术指标和工具来传递信号和目标。该策略的组成部分如下：一个周期数为14的随机振荡指标，一个周期数为5的随机振荡指标，一个周期数为200的移动平均指标，一个斐波那契投影工具（用于设定目标）。

在本文中，我们将讨论在频域中分析时间序列的相关方法。 构建预测模型时，强调检验时间序列功率谱的效用 在本文中，我们将讨论运用离散傅里叶变换（dft）在频域中分析时间序列获得的一些实用观点。

如何通过 MetaTrader 5 访问在线数据？ 互联网上有很多网站，提供海量信息。 您需要知道的是，在哪里查找、以及如何才能最好地利用这些信息。

回归是一项依据未标记样本预测真实数值的任务。 所谓的回归衡量度则是用来评估回归模型的预测准确性。

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。

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。