MQL4和MQL5编程文章
在众多发表的文章中研究 MQL5语言编程交易策略 的多数由您—我们 MQL5.community的会员所作。文章以类别分组来帮助您迅速找到任何有关MQL5编程问题的答案：集成，测试，交易策略等等。
Follow our 新发表讨论它们在 MQL5.community论坛！
神经网络变得简单（第 95 部分）：降低变换器模型中的内存消耗
基于变换器架构的模型展现出高效率，但由于在训练阶段、及运行期间都资源成本高昂，故它们的使用变得复杂。在本文中，我提议领略那些能够降低此类模型内存占用的算法。
开发多币种 EA 交易（第 21 部分）：准备重要实验并优化代码
为了取得进一步的进展，最好看看我们是否可以通过定期重新运行自动优化并生成新的 EA 来改进结果。关于使用参数优化的许多争论中的绊脚石是，在将盈利能力和回撤保持在指定水平的同时，所获得的参数在未来一段时间内可用于交易的时间有多长。有可能做到这一点吗？
交易中的神经网络：使用小波变换和多任务注意力的模型
我们邀请您探索一个结合小波变换和多任务自注意力模型的框架，旨在提高波动市场条件下预测的响应能力、和准确性。小波变换可将资产回报分解为高频和低频，精心捕捉长期市场趋势、和短期波动。
利用Python进行季节性过滤并为EA的ONNX深度学习模型选择时间周期
在利用Python构建深度学习模型时，我们能否从季节性因素中获益？为ONNX模型过滤数据是否有助于获得更好的结果？我们应该使用哪个时间周期？本文将全面探讨这些问题。
神经网络变得轻松（第五十五部分）：对比内在控制（CIC）
对比训练是一种无监督训练方法表象。它的目标是训练一个模型，突显数据集中的相似性和差异性。在本文中，我们将谈论使用对比训练方式来探索不同的扮演者技能。
动物迁徙优化（AMO）算法
本文介绍了AMO算法，该算法通过模拟动物的季节性迁徙来寻找适合生存和繁殖的最优条件。AMO的主要特点包括使用拓扑邻域和概率更新机制，使得其易于实现，并且能够灵活应用于各种优化任务。
神经网络变得简单（第 94 部分）：优化输入序列
在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。
开发多币种 EA 交易（第 20 部分）：整理自动项目优化阶段的输送机（一）
我们已经创建了不少有助于安排自动优化的组件。在创建过程中，我们遵循了传统的循环结构：从创建最小的工作代码到重构和获得改进的代码。是时候开始清理我们的数据库了，这也是我们正在创建的系统中的一个关键组件。
开发回放系统 — 市场模拟（第 28 部分）：智能交易系统项目 — C_Mouse 类 （II）
当人们开始创建第一个拥有计算能力的系统时，一切都需要工程师的参与，他们必须非常熟知该项目。我们谈论的是计算机技术的曙光，那个时代甚至没有用于编程的终端。随着它的发展，越来越多的人对能够创造一些东西感兴趣，涌现出新的思路和编程方式，取代了旧式风格的改变连接器位置。这就是第一个终端出现的时刻。
构建MQL5自优化智能交易系统（第二部分）：美元兑日元（USDJPY）剥头皮策略
今天我们齐聚一堂，挑战为美元兑日元（USDJPY）货币对打造一套全新交易策略。我们将基于日线图上的K线形态开发交易策略，因为日线级别的信号通常蕴含更强的市场动能。初始策略已实现盈利，这激励我们进一步优化策略，并增加风险控制层以保护已获利资本。
构建K线图趋势约束模型（第六部分）：一体化集成
我们的一个主要挑战是：如何管理运行相同程序但具有不同功能的同一货币对的多个图表窗口。让我们讨论一下如何将多个窗口集成整合到一个主程序中。此外，我们还将分享如何配置程序以将信息打印到日志中，以及在图表界面上对成功发出的信号进行注释的见解。随着本系列文章的推进，您将在本文中找到更多的相关信息。
您应当知道的 MQL5 向导技术（第 25 部分）：多时间帧测试和交易
默认情况下，由于组装类中使用了 MQL5 代码架构，故基于多时间帧策略，且由向导组装的智能系统无法进行测试。我们探索一种绕过该限制的方式，看看搭配二次移动平均线的情况下，研究运用多时间帧策略的可能性。
为 MetaTrader 5 开发MQTT客户端：TDD方法——第3部分
本文是一系列文章的第三部分，介绍了我们为MQTT协议开发本机MQL5客户端的步骤。在这一部分中，我们详细描述了如何使用测试驱动开发来实现CONNECT/CONNACK数据包交换的操作行为部分。在这一步骤结束时，我们的客户端必须能够在处理连接尝试可能产生的任何服务器结果时表现得正常。
接受者操作特征（ROC）曲线入门
ROC 曲线是用于评估分类器性能的图形工具。尽管 ROC 图形相对简单，但在实践中使用它们时，仍存在一些常见的误解和误区。本文旨在为那些希望理解分类器性能评估的交易者提供一份关于 ROC 图形的入门介绍。
在 MQL5 中创建交易管理员面板（第五部分）：双因素认证（2FA）
今天，我们将讨论如何增强当前正在开发的交易管理员面板的安全性。我们将探讨如何在新的安全策略中实施 MQL5，并将 Telegram API 集成到双因素认证（2FA）中。本次讨论将提供有关 MQL5 在加强安全措施方面的应用的宝贵见解。此外，我们还将研究 MathRand 函数，重点关注其功能以及如何在我们构建的安全框架中有效利用它。继续阅读以了解更多信息！
使用MQL5经济日历进行交易（第五部分）：添加响应式控件和过滤按钮的增强型仪表盘
在本文中，我们创建了用于货币对过滤、重要性级别过滤、时间过滤以及取消选项的按钮，以改进仪表盘的控制功能。通过编程让这些按钮能够动态响应用户操作，实现无缝交互。我们还对其行为进行了自动化处理，以便在仪表盘上实时反映变化。这样就提升了面板的整体功能性、灵活性和响应速度。
神经网络变得简单（第 69 部分）：基于密度的行为政策支持约束（SPOT）
在离线学习中，我们使用固定的数据集，这限制了环境多样性的覆盖范围。在学习过程中，我们的 Agent 能生成超出该数据集之外的动作。如果没有来自环境的反馈，我们如何判定针对该动作的估测是正确的？在训练数据集中维护 Agent 的政策成为确保训练可靠性的一个重要方面。这就是我们将在本文中讨论的内容。
数据科学和机器学习（第 19 部分）：利用 AdaBoost 为您的 AI 模型增压
AdaBoost，一个强力的提升算法，设计用于提升 AI 模型的性能。AdaBoost 是 Adaptive Boosting 的缩写，是一种复杂的融合学习技术，可无缝集成较弱的学习器，增强它们的集体预测强度。
在MQL5中创建交易管理员面板（第三部分）：通过视觉样式设计增强图形用户界面（1）
在本文中，我们将专注于使用MQL5为交易管理员面板的图形用户界面（GUI）进行视觉样式设计与优化。我们将探讨MQL5中可用的各种技术和功能，这些技术和功能允许对界面进行定制和优化，确保它既能满足交易者的需求，又能保持吸引人的外观。
从基础到中级：定义（一）
在这篇文章中，我们将做一些许多人会觉得奇怪和完全脱离上下文的事情，但如果使用得当，这将使你的学习更加有趣：我们将能够根据这里显示的内容构建非常有趣的东西。这将使您更好地理解 MQL5 语言的语法。此处提供的材料仅用于教育目的。它不应以任何方式被视为最终应用程序。其目的不是探索所提出的概念。
从基础到中级：BREAK 和 CONTINUE 语句
在本文中，我们将学习如何在循环中使用 RETURN、BREAK 和 CONTINUE 语句。了解每个语句在循环执行流程中的作用对于处理更复杂的应用程序非常重要。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
在 MQL5 中构建自优化智能交易系统（第八部分）：多策略分析
如何才能最有效地整合多种策略，构建一个强大的策略组合？欢迎加入本次讨论，我们将探讨如何将三种不同的策略整合到我们的交易应用程序中。交易员通常会采用专门的策略来开仓和平仓。我们想探究的是，机器能否在这项任务上表现得比人类更出色。我们将首先从熟悉策略测试器的各项功能开始讨论，以及完成此任务所需的面向对象编程（OOP）原则。
MQL5 中的范畴论 (第 9 部分)：幺半群（Monoid）— 动作
本文是以 MQL5 实现范畴论系列的延续。 在这里，我们继续将“幺半群 — 动作”当为幺半群变换的一种手段，如上一篇文章所涵盖的内容，从而增加了应用。
人工藻类算法（Artificial Algae Algorithm，AAA）
文章探讨了基于藻类微生物特征的人工藻类算法（AAA）。该算法包括螺旋运动、进化过程和适应性，使其能够解决优化问题。本文深入分析了AAA的工作原理及其在数学建模中的潜力，强调了自然与算法解决方案之间的联系。
大气云模型优化（ACMO）：理论
本文致力于介绍一种元启发式算法——大气云模型优化（ACMO）算法，该算法通过模拟云层的行为来解决优化问题。该算法利用云层的生成、移动和传播的原理，适应解空间中的“天气条件”。本文揭示了该算法如何通过气象模拟在复杂的可能性空间中找到最优解，并详细描述了ACMO运行的各个阶段，包括“天空”准备、云层的生成、云层的移动以及水的集中。
交易中的神经网络：节点-自适应图形表征（NAFS）
我们邀请您领略 NAFS（节点-自适应特征平滑）方法，这是一种创建节点表征的非参数方法，不需要参数训练。NAFS 提取每个给定节点的邻域特征，然后把这些特征自适应组合，从而形成最终表征。
MQL5 简介（第 15 部分）：构建自定义指标的初学者指南（四）
在本文中，您将学习如何在 MQL5 中构建价格行为指标，重点关注低点 (L)、高点 (H)、更高的低点 (HL)、更高的高点 (HH)、更低的低点 (LL) 和更低的高点 (LH) 等关键点，以分析趋势。你还将学习如何识别溢价和折价区域，标记 50% 回撤位，以及如何使用风险回报比来计算利润目标。文章还介绍了如何根据趋势结构确定入场点、止损 (SL) 和止盈 (TP) 水平。