MQL4和MQL5编程文章

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。

您可能没有注意到，矩阵建模有点奇怪，因为只指定了列，而不是行和列。在阅读执行矩阵分解的代码时，这看起来非常奇怪。如果您希望看到列出的行和列，那么在尝试分解时可能会感到困惑。此外，这种矩阵建模方法并不是最好的。这是因为当我们以这种方式对矩阵建模时，会遇到一些限制，迫使我们使用其他方法或函数，而如果以更合适的方式建模，这些方法或函数是不必要的。

线性内核是机器学习中，针对线性回归和支持向量机所用的同类中最简单的矩阵。另一方面，Matérn 内核是我们在之前的文章中讲述的径向基函数的更普遍版本，它擅长映射不如 RBF 假设那样平滑的函数。我们构建了一个自定义信号类，即利用两个内核来预测做多和做空条件。

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。

在本文中，我们将继续将新策略与创建的自动优化系统联系起来。让我们看看需要对优化项目创建 EA 以及第二和第三阶段 EA 进行哪些更改。

基于 ResNeXt 的多任务学习框架，优化了金融数据分析，可参考其高维度、非线性、和时间依赖性。使用分组卷积和专用头，令模型能有效从输入数据中提取关键特征。

欢迎参与本次深度讨论，我们将揭示 MQL5 界面设计的最新进展，着重介绍重新设计的通信面板，并继续我们关于使用模块化原则构建新管理面板的系列文章。我们将逐步开发 CommunicationsDialog 类，并详细解释如何从 Dialog 类进行继承。此外，在我们的开发过程中，还将利用数组（arrays）和 ListView 类。获取可行的方案，以提升您的 MQL5 开发技能——请阅读本文，并在评论区加入讨论！

学习如何为MQL5实现一个强大的自定义日志框架，该框架超越简单的Print()语句，支持日志严重级别、多输出处理器和自动文件轮转——所有功能均可动态配置。将单例CLogger与ConsoleLogHandler（控制台日志处理器）和FileLogHandler（文件日志处理器）集成，在“Experts”选项卡和持续的文件中捕获带时间戳的内容日志。通过清晰、可定制的日志格式和集中控制，简化智能交易系统（EA）的调试与性能跟踪工作。

该工具是一个相关性仪表盘，用于计算并显示多个货币对之间的实时相关系数。通过可视化货币对之间的相互走势，它为您的价格行为分析提供了宝贵的视角，并帮助您预测跨市场的动态。继续阅读以探索其功能和应用。

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）。

本文通过实现实时新闻更新来增强我们的经济日历仪表盘，以保持市场信息的时效性和可操作性。我们在 MQL5 中集成了实时数据获取技术，以持续更新仪表盘上的事件，从而提升界面的响应速度。此更新优化确保我们可以直接从仪表盘获取最新的经济新闻，从而基于最新数据优化交易决策。

在本文中，我们将研究如何实现上一篇文章中所示的与回放/模拟服务相关的内容。就像生活中的许多其他事情一样，问题必然会出现。这次的情况也不例外。在这篇文章中，我们将继续改进。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。

受限玻尔兹曼（Boltzmann）机是一种神经网络形式，开发于 1980 年代中叶，当时的计算资源非常昂贵。在其初创时，它依赖于 Gibbs 采样，以及对比散度来降低维度，或捕获输入训练数据集上的隐藏概率/属性。我们验证当 RBM 为预测多层感知器“嵌入”价格时，反向传播如何执行类似的操作。

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。

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。

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。

在本文中，我们将看看如何做一些与 C、C++ 和 Java 等语言中实现的非常相似的事情。我说的是在函数或过程中传递几乎无限数量的参数。虽然这似乎是一个相当高级的主题，但在我看来，任何理解了前面概念的人都可以很容易地实现这里展示的内容。只要它们真的被正确理解。

在本文中，我们将讨论并演示如何使用Python和MQL5将名义预测变量转换为适合机器学习算法的数值格式。

在本文中，我介绍了一种创新的交易算法，其针对外汇交易结合了进化算法与深度强化学习。该算法利用低效个体灭绝机制来优化交易策略。

在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。

训练变换器模型需要大量数据，并且往往很困难，因为模型不擅长类推到小型数据集。SAMformer 框架通过避免糟糕的局部最小值来帮助解决这个问题。即使在有限的训练数据集上，也能提升模型的效率。

时态差异是强化学习中的另一种算法，它基于智顾训练期间预测和实际奖励之间的差异更新 Q-值。它专门驻守更新 Q-值，而不介意它们的状态-动作配对。因此，我们考察如何在向导汇编的智能系统中应用这一点，正如我们在之前文章中所做的那样。

在本文中，我们将利用生成式对抗网络（GAN）创建一个合成品种，涉及生成逼真的财经数据，即模仿真实市场金融产品（例如 EURUSD）的行为。GAN 模型从历史市场数据中学习形态和波动性，并创建拥有相似特征的合成价格数据。

在本系列的最后一篇文章中，我们将探讨如何轻松地将历史管理 EX5 库导入到 MQL5 源代码中，以处理 MetaTrader 5 账户中的交易历史记录。通过 MQL5 中简单的单行函数调用，可以高效管理和分析交易数据。此外，您还将学习如何创建不同的交易历史分析脚本，并开发基于价格的 EA 交易，作为实际用例示例。该示例 EA 利用价格数据和历史管理 EX5 库做出明智的交易决策、调整交易量，并根据先前已平仓的交易实施恢复策略。

我们的目标是创建一个系统，用于自动定期优化最终 EA 中使用的交易策略。随着系统的发展，它变得越来越复杂，因此有必要不时地将其视为一个整体，以确定瓶颈和次优解决方案。

预测货币对走势是交易成功的重要因素。本文剖析各类价格运行模型，对比其优劣特性，并探究模型在交易策略中的实际落地方式。文中将介绍能够挖掘潜在行情规律、提升预测精准度的分析方法。

在 MetaTrader 5 终端上进行交易时，新闻可访问性是一个关键因素。虽然有很多新闻 API 可用，但许多交易者在访问这些 API 并将其有效集成到他们的交易环境中时仍面临挑战。在本次讨论中，我们的目标是开发一种简化的解决方案，将新闻直接呈现在图表上 —— 也就是最需要新闻的地方。我们将通过构建一个新闻标题 EA 来实现这一目标，该 EA 可以监控并显示来自 API 源的实时新闻更新。

在重大经济新闻发布后的第一分钟内，市场出现剧烈波动的风险极高。在那短暂的时间窗口内，价格走势可能不稳定且波动剧烈，经常会触发两个方向的挂单。在发布后不久 —— 通常在一分钟内 —— 市场趋于稳定，恢复或纠正更典型的波动性。在本节中，我们将探讨新闻交易的另一种方法，旨在评估其作为交易者工具包中有价值的补充的有效性。继续阅读，了解本讨论中的更多见解和细节。

我们经常需要后退一步，然后继续前进。在本文中，我们将展示所有必要的更改，以确保鼠标和 Chart Trade 指标不会中断。作为奖励，我们还将介绍未来将广泛使用的其他头文件中发生的其他更改。

在本文中，我们编写了一个可视化优化过程的示例，并显示了四个优化标准的前三个步骤。我们还将提供一个机会，从三个最佳通过中选择一个，以便在表格和图表上显示其数据。