MQL4和MQL5编程文章

在此，我们将见到自定义事件是如何被触发的，以及指标如何报告回放/模拟服务的状态。

本文探讨了一种用于自动化交易的EA的开发，该EA结合了技术分析和深度学习预测。

第一部分专注于众所周知、且流行的算法 — 模拟退火。我们已经通盘研究了它的利弊。本文的第二部分专注于算法的彻底变换，将其转变为一种新的优化算法 — 模拟各向同性退火（SIA）。

本文探讨了受自然界鸟类集群行为启发而产生的基于鸟群的算法（BSA）。BSA中的个体采用不同的搜索策略，包括在飞行、警戒和觅食行为之间的切换，使得该算法具有多面性。它利用鸟类集群、交流、适应性、领导与跟随等规则来高效地找到最优解。

有些概念乍一看似乎简单明了，但在实际操作中的实现却颇具挑战。在接下来的文章中，将带您了解我们创新性地自动化一款运用均值回归策略分析市场的智能交易系统（EA）的方法。与我们一同揭开这一激动人心的自动化过程的神秘面纱吧。

我们将通览 GUI 函数库的基础知识，以便您能理解它们如何工作，甚至着手打造您自己的函数库。

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。

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。

自从第一篇专门讨论强化学习的文章以来，我们以某种方式触及了 2 个问题：探索环境和检定奖励函数。最近的文章曾专门讨论了离线学习中的探索问题。在本文中，我想向您介绍一种算法，其作者完全剔除了奖励函数。

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！

本主题聚焦于将训练好的人工智能（AI）模型（如长短期记忆网络（LSTM）等强化学习模型，或基于机器学习的预测模型）集成到现有的MQL5交易策略中。

当我们揭开 R 和 MetaTrader 5 无缝结合的艺术面纱时，您将开始一场金融分析与算法交易的精彩探索。本文是您将 R 语言中的分析技巧与 MetaTrader 5 强大的交易功能连接起来的指南。

在本文中，我想向您介绍一种为解决自动驾驶领域问题而开发的有趣的轨迹预测方法。该方法的作者结合了各种架构解决方案的最佳元素。

在本文中，我们将探讨市场轮廓指标。我们将探究这个名称背后隐藏的内容，尝试理解其运行原理，并分析其程序代码（MarketProfile）。

一种将成交量分析与机器学习技术（特别是LSTM神经网络）相结合的算法交易系统。与主要关注价格波动的传统交易方法不同，该系统强调成交量模式及其衍生指标，以预测市场走势。该方法包含三个主要组成部分：成交量衍生指标分析（一阶和二阶导数）、基于LSTM的成交量模式预测，以及传统技术指标。

通过我们的综合指南，掌握VWAP的强大力量！学习如何使用MQL5和Python将VWAP分析集成到您的交易策略中。最大化您的市场洞察力，并改善您今天的交易决策。

目前，我们的 EA 使用数据库来获取交易策略单个实例的初始化字符串。然而，这个数据库相当大，包含许多实际 EA 操作不需要的信息。让我们尝试在不强制连接到数据库的情况下确保 EA 的功能。

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。

卡尔曼滤波器是一种递归算法，在算法交易中用于通过滤除价格走势中的噪声来估计金融时间序列的真实状态。它能够根据新的市场数据动态更新预测，这使得它在均值回归等自适应策略中极具价值。本文首先介绍卡尔曼滤波器，涵盖其计算方法和实现方式。接下来，我们以外汇领域一个经典的均值回归策略为例，应用该滤波器。最后，我们通过将卡尔曼滤波器与移动平均线（MA）在外汇不同货币对上进行比较，开展各种统计分析。

在本文中，我们将继续讨论收集数据至训练集之中的方法。显然，学习过程需要与环境不断互动。不过，状况可能会有所不同。

增强型趋势确认技术结合了价格行为、成交量分析和机器学习，用以识别真实的市场行情。该技术要求价格突破和成交量激增（高于平均值50%）这两个条件同时满足以验证交易信号，同时使用一个LSTM神经网络进行附加确认。该系统采用基于ATR（平均真实波幅）的仓位调整和动态风险管理，使其能够适应不同的市场条件，同时过滤掉虚假信号。

在之前的文章中，我们讨论了决策转换器方法，以及从其衍生的若干种算法。我们测验了不同的目标设定方法。在测验期间，我们依据各种设定目标的方式进行操作。然而，该模型早期研究时验算过的轨迹，始终处于我们的关注范围之外。在这篇文章中。我想向您介绍一种填补此空白的方法。

长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），其设计初衷是通过有效捕捉数据中的长期依赖关系，并解决传统RNN存在的梯度消失问题，从而实现对时序数据的高效建模。本文将系统阐述如何利用LSTM进行未来趋势预测，进而提升趋势跟踪策略的实战表现。具体内容涵盖这些模块：LSTM关键概念介绍与发展契机、从MetaTrader 5平台提取数据、在Python中构建并训练模型、将机器学习模型嵌入MQL5中、基于统计回测的结果分析与改进方向。

在这篇文章中，我们终于要开始做我们早就想做的事情了。之前，由于缺乏 "坚实的基础"，我没有信心公开介绍这部分内容。现在我有了这样做的基础。我建议您尽可能集中精力理解本文的内容。我指的不仅仅是阅读，我想强调的是，如果你不理解这篇文章，你可能就是完全放弃了理解以后文章内容的希望。

随着当今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，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。