MQL4和MQL5编程文章

在本文中，我们将讨论另一种模型类型，它们旨在研究环境状态的动态。

本文介绍了非洲水牛优化（ABO）算法，这是一种于2015年开发的元启发式方法，基于这些动物的独特行为。文章详细描述了算法实现的各个阶段及其在解决复杂问题时的效率，这使得它成为优化领域中一个有价值的工具。

这是上一篇研究社群概念文章的延续。本文使用迁徙和记忆算法探讨社群的演化。结果将有助于理解社区系统的演化，并将其应用于优化和寻找解。

我们概述多智代自适应投资组合优化框架（MASAAT），其结合了注意力机制和时间序列分析。MASAAT 生成一组智代，分析价格序列和方向变化，能够在不同细节层次识别资产价格的明显波动。

本文将深入探讨改进EA在策略测试器中运行时间的方法，通过编写代码将新闻事件时间按小时分类。在指定的小时段内将访问这些新闻事件。这样确保了EA能够在高波动性和低波动性环境中高效管理事件驱动的交易。

在本文中，我们将了解适用于MQL5的ALGLIB库的优化方法。本文包含了使用ALGLIB解决优化问题的简单且清晰的示例，旨在使读者能够尽可能轻松地掌握这些方法。我们将详细探讨BLEIC、L-BFGS和NS等算法的连接方式，并使用它们来解决一个简单的测试问题。

强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。

了解如何创建可导出函数的 EX5 模块，无缝查询和保存最近填写的挂单数据。在本全面的分步指南中，我们将通过开发专用和分隔的函数来检索最后填写的挂单的基本属性，从而增强历史管理 EX5 库。这些属性包括订单类型、设置时间、执行时间、填充类型以及有效管理和分析挂单交易历史所需的其他关键细节。

今天我们将开始第二阶段，研究市场回放/模拟系统。首先，我们将展示跨期订单的可能解决方案。我会向你展示解决方案，但它还不是最终的。这将是我们在不久的将来需要解决的一个问题的可能解决方案。

在本文中，我们将探讨如何将 Telegram 命令与 MQL5 集成，以自动在交易图表上添加指标。我们涵盖了解析用户命令、在MQL5中执行命令以及测试系统以确保基于指标的交易顺利进行的过程

SAMformer 为长期时间序列预测中变换器模型的主要缺点，譬如训练复杂性，及小型数据集的普适能力差，提供了解决方案。其浅层架构和锐度感知优化有助于避免次优的局部最小值。在本文中，我们将继续利用 MQL5 实现方式，并评估其实用价值。

“深度-Q-网络” 是一种强化学习算法，在机器学习模块的训练过程中，神经网络参与预测下一个 Q 值和理想动作。我们曾研究过另一种强化学习算法 “Q-学习”。本文因此出示了另一个如何配以强化学习训练 MLP 的示例，可于自定义信号类中所用。

本文讲述新的 PSformer 框架，其适配雏形变换器架构，解决与多元时间序列预测相关的问题。该框架基于两项关键创新：参数共享（PS）机制，和区段注意力（SegAtt）。

在本文中，我将向您讲解基本的文件操作，以及如何配置一个灵活的自定义处理器。我们将更新 CLogifyHandlerFile 类，以将日志直接写入文件。我们将通过在 EURUSD 上模拟一周的策略来进行性能测试，在每个 tick 生成日志，总耗时为 5 分 11 秒。其结果将在未来的文章中进行比较，届时我们将实现一个缓存系统来提升性能。

在本文中，我们将对第一个循环语句进行实用且非常直观的介绍。尽管许多初学者在面对创建循环的任务时感到害怕，但知道如何正确安全地完成它只能通过经验和练习来实现。但谁知道呢，也许我可以通过向你展示在代码中使用循环时的主要问题和预防措施来减少你的麻烦和痛苦。

策略测试器允许您所做的不光是优化交易机器人的参数。我将展示如何在事后评估您账户的交易历史，并通过在测试器中更改持仓的止损来调整您的交易。

在本文中，我们将探讨如何在类库中创建和应用日志格式化工具。我们将从格式化工具的基本结构讲起，一直到样例的实现。到本文结束时，您将掌握在该库中格式化日志的必要知识，并理解其背后的工作原理。

本文详细介绍了如何使用自相关和波动性等统计方法，在MQL5中创建一个市场状态检测系统。文中提供了用于分类趋势、盘整和波动行情的类代码，以及一个自定义指标。

在今天的文章中，我们将开始探索一些特殊的数据类型。首先，我们将定义什么是字符串，并解释如何使用一些基本过程。这将使我们能够处理这类数据，这可能很有趣，尽管有时对初学者来说有点困惑。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。

在本文中，我们讨论定向扩散模型，其利用数据相关的各向异性、和定向噪声，在前向扩散过程中捕获有意义的图形表征。

LSEAttention 框架改进变换器架构。它是专为长期多变量时间序列预测而设计。该方法作者提议的方法能应用于解决雏形变换器经常遇到的熵坍缩、及学习不稳定问题。

在本次讨论中，我们进一步将 MQL5 程序分解为更小、更易于管理的模块。然后，这些模块化组件将被集成到主程序中，从而增强其组织性和可维护性。这种方法简化了我们主程序的结构，并使各个组件可以在其他EA和指标的开发中复用。通过采用这种模块化设计，我们为未来的增强功能创建了坚实的基础，这将使我们的项目和更广泛的开发者社区都受益。

在本文中，我们将使用二元分类来预测未来的极端波动。此外，我们将利用机器学习开发极端波动预测指标。

在本文的第二部分，我们将继续开发一种改进版的原子轨道搜索（AOS）算法，重点聚焦于特定操作符的优化设计，以提升算法的效率和适应性。在分析了该算法的基本原理和运行机制之后，我们将探讨提升其性能以及分析复杂解空间能力的方法，并提出新的思路以扩展其作为优化工具的功能。

本文介绍了一种在交易 EA 中使用神经网络的简单且易于实现的方法，该方法不需要深厚的机器学习知识。该方法免除了对目标函数进行归一化的步骤，同时克服了“权重爆炸”和“网络停滞”等问题，并提供了直观的训练过程和结果的可视化控制。

本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。

在嘈杂的条件下有效识别和预存市场数据的局部结构是交易中的一项关键任务。运用自注意力机制在处理这类数据方面展现出可喜的结果；不过，经典方式并未考虑底层结构的局部特征。在本文中，我将引入一种能够协同这些结构依赖关系的算法。

在本文中，我们将实现一个控制指标，以便它可以集成到我们正在开发的消息系统中。虽然这并不难，但关于这个模块的初始化，有一些细节需要了解。此处提供的材料仅用于教育目的。除了学习和掌握所示的概念外，绝不应将其视为任何目的的应用程序。

本文介绍了最初是为天气预报而开发的“构象（Conformer）”算法，其变化多端之处可与金融市场相提并论。“构象（Conformer）”是一种复杂的方法。它结合了关注度模型和常微分方程的优点。

每次刷新图表、通过管理面板EA添加新交易品种或重启终端时触发的安全提示，可能会让人感觉繁琐。在本次讨论中，我们将探索并实现一项功能，该功能通过跟踪登录尝试次数来识别可信用户。在达到一定次数的失败尝试后，应用程序将切换至高级登录流程，该流程还为可能忘记密码的用户提供密码恢复功能。此外，我们还将介绍如何将加密技术有效集成到管理面板中，以增强安全性。

许多人，尤其是非程序员，发现在 MetaTrader 5 和其他程序之间传输信息非常困难。其中一个程序就是 Excel。许多人使用 Excel 作为管理和维护风险控制的一种方式。这是一个优秀的程序，易于学习，即使对于那些不是 VBA 程序员的人来说也是如此。在这里，我们将看看如何在 MetaTrader 5 和 Excel 之间建立连接（一种非常简单的方法）。