MQL4和MQL5编程文章

在离线学习期间，我们基于训练样本数据优化了智能体的政策。成品政策令智能体对其动作充满信心。然而，这种乐观情绪并不总是正当的，并且可能会在模型操作期间导致风险增加。今天，我们要寻找降低这些风险的方法之一。

本文探讨因果推理中的匹配问题。匹配用于比较数据集中的类似观察结果，这对于正确确定因果关系和消除偏见是必要的。作者解释了这如何有助于构建基于机器学习的交易系统，这些系统在没有经过训练的新数据上变得更加稳定。倾向性评分在因果推理中起着核心作用并被广泛应用。

移动平均线和随机振荡器可用于生成趋势跟踪交易信号。然而，这些信号只有在价格行为发生之后才会被观察到。我们可以有效地利用人工智能克服技术指标中这种固有的滞后性。本文将教您如何创建一个完全自主的人工智能驱动型EA，这种方式可以改进您现有的任何交易策略。即使是最古老的交易策略也可以被改进。

在上一篇文章中，我们概述了 DDPG 方法，它允许在连续动作空间中训练模型。然而，与其它 Q-学习方法一样，DDPG 容易高估 Q-函数的数值。这个问题往往会造成训练代理者时选择次优策略。在本文中，我们将研究一些克服上述问题的方式。

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。

本文提出了使用机器学习创建 EA 交易的方法。

本文详细探讨了受射箭启发的优化算法——射箭算法（Archery Algorithm, AA），重点介绍了如何使用轮盘赌法（roulette method）作为选择“箭矢”目标区域的机制。该方法允许评估解决方案的质量，并选择最有希望的位置进行进一步的探究。

在这篇文章中，我们探索了弹性网络回归的实际实现，以最大限度地减少过拟合，同时自动将有用的预测因子与那些预测能力很小的预测因子区分开来。

本文提供了一个使用因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在MQL5中实现复杂交易系统的全面指南。文章涵盖了这些方法的理论背景，详细解释了交易算法中的关键函数，并提供了实现的示例代码。

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。

在本文中，我们讨论了如何将统计因果关系应用于识别预测变量。我们将探讨因果关系与传递熵（Transfer Entropy, TE）之间的联系，并展示用于检测两个变量之间信息方向性传递的MQL5代码。

通过识别背离，可以有效地分析价格行为，而像 RSI 这样的技术指标则能提供关键的确认信号。在下面的文章中，我们将解释自动化的 RSI 背离分析如何识别趋势的延续和反转，从而为市场情绪提供宝贵的见解。

在本文中，我们将开始稳固整个系统，若无，则我们可能无法进行后续步骤。

在本文中，我们将重新考虑密码锁，将它们从安全机制转变为解决复杂优化问题的工具。让我们探索密码锁的世界，不再将其视为简单的安全装置，而是作为优化问题新方法的灵感来源。我们将创建一整群“锁”，其中每把锁都代表问题的一个独特解决方案。然后，我们将开发一种算法来“破解”这些锁，并从机器学习到交易系统开发等多个领域中找到最优解。

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。

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。

在开始开发多币种 EA 后，我们已经取得了一些成果，并成功地进行了多次代码改进迭代。但是，我们的 EA 无法处理挂单，也无法在终端重启后恢复运行。让我们添加这些功能。

我们从梳理当前状况开始，因为我们尚未以最好的方式开始。 如果我们现在不这样做，我们很快就会遇到麻烦。

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。

学习面向对象的编程范式，及其在 MQL5 代码中的应用。这是第二篇文章，更深入地讲解面向对象编程的规范，并通过一个实际示例提供上手经验。您将学习如何运用 EMA 指标，和烛条价格数据，将我们早期开发的过程化价格行为智能系统转换为面向对象的代码。

作为一名价格行为的观察者和交易者，我注意到当一个趋势得到多个时间周期的确认时，它通常会朝着该方向延续。可能不同的是趋势持续的时间，而这取决于您是哪种类型的交易者，无论是长期持仓还是从事剥头皮交易。您为确认所选的时间周期起着至关重要的作用。读这篇文章，了解一个快速、自动化的系统，只需点击一下按钮或通过定期更新，就能帮助您分析不同时间周期的整体趋势。

在本文中，您将学习如何基于订单簿交易量（市场深度）开发订单块（Order Blocks）指标，并使用缓冲区对其进行优化以提高准确性。这结束了项目的当前阶段，并为下一阶段做准备，下一阶段将包括实施风险管理类和使用指标生成的信号的交易机器人。

我们将研究一种市场趋势分析新方法，基于市场微观结构的三维可视化、及张量分析。

本文讨论了基于随机游走原理的随机扩散搜索（Stochastic Diffusion Search，SDS）算法，它是一种非常强大和高效的优化算法。该算法允许在复杂的多维空间中找到最优解，同时具有高收敛速度和避免局部极值的能力。

蒙特卡洛是我们正在研究的第四种不同的强化学习算法，目的是探索它在向导汇编智能交易系统中的实现。尽管它锚定在随机抽样，但它提供了我们可以利用的多种模拟方法。