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！
在 MQL5 中实现其他语言的实用模块（第 01 部分）：构建受 Python 启发的 SQLite3 库
Python 中的 sqlite3 模块提供了一种使用 SQLite 数据库的简单方法，它既快速又方便。在本文中，我们将在内置的 MQL5 函数的基础上构建一个类似的模块，用于处理数据库，使在 MQL5 中使用 SQLite3 数据库更容易，就像在 Python 中一样。
数据科学和机器学习（第 34 部分）：时间序列分解，剖析股票市场的核心
在一个充斥着杂乱且不可预测数据的世界里，识别有意义的形态可能颇具挑战性。在本文中，我们将探讨季节性分解，这是一种强力分析技术，有助于把数据拆分为关键成分：趋势、季节性形态、和噪声。以该途径拆解数据，我们能够揭示隐藏的洞见，并配以更清晰、更易解读的信息工作。
MQL5 中的策略可视化：在标准图表中展示优化结果
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。
您应当知道的 MQL5 向导技术（第 64 部分）：运用 DeMarker 和包络通道形态，搭配白噪内核
DeMarker 振荡器和包络指标是动量和支撑/阻力工具，能够在开发智能系统时配对。我们延续上一篇文章，概述在机器学习中加入把这对指标。我们正在使用一个循环神经网络，利用白噪内核来处理来自这两个指标的向量化信号。这是在一个自定义信号类文件中完成，其与 MQL5 向导汇编的智能系统搭配工作。
您应当知道的 MQL5 向导技术（第 31 部分）：选择损失函数
损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。
交易中的神经网络：搭配区段注意力的参数效率变换器（终篇）
在之前的工作中，我们讨论了 PSformer 框架的理论层面，其中包括经典变换器架构的两大创新：参数共享（PS）机制，以及时空区段注意力（SegAtt）。在本文中，我们继续实现所提议方式的 MQL5 版本。
开发多币种 EA 交易（第 23 部分）：整理自动项目优化阶段的输送机（二）
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。
从新手到专家：使用 MQL5 制作动画新闻标题（七）—— 新闻交易的后冲击策略
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。
从基础到中级：结构（四）
在本文中，我们将探讨如何创建所谓的结构化代码，即将处理变量和信息的整个上下文和方法都置于一个结构中，从而为任何代码的实现创造一个合适的上下文环境。因此，我们将探讨使用代码私有部分来区分公有部分和非公有部分的必要性，从而遵守封装原则，并保留创建数据结构时的上下文。
从基础到中级：FOR 语句
在本文中，我们将了解 FOR 语句最基本的概念。了解这里将显示的所有内容非常重要。与我们迄今为止讨论的其他语句不同，FOR 语句有一些怪癖，很快就会变得非常复杂。所以不要让这样的事情堆积起来，尽快开始学习和练习。
开发回放系统（第 60 部分）：玩转服务（一）
很长一段时间以来，我们一直在研究指标，但现在是时候让服务重新工作了，看看图表是如何根据提供的数据构建的。然而，由于整个事情并没有那么简单，我们必须注意了解前方等待我们的是什么。
Connexus请求解析（第六部分）：创建HTTP请求与响应
在Connexus库系列文章的第六篇中，我们将聚焦于完整的HTTP请求，涵盖构成请求的各个组件。我们将创建一个表示整个请求的类，这将有助于将之前创建的各个类整合在一起。
价格走势：数学模型与技术分析
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。
克服机器学习的局限性（第二部分）：缺乏可重复性
本文探讨了即便使用相同的策略和金融标的，不同经纪商的交易结果为何仍会存在显著差异，原因在于定价的分散化以及数据差异。本文有助于MQL5开发者理解为何他们的产品在MQL5市场上的评价褒贬不一，并敦促开发者针对特定经纪商调整方法，以确保结果透明且可重复。如果这一做法能被广泛地采用，将有望成为我们社区重要的特定领域最佳实践。
交易中的神经网络：基于 ResNeXt 模型的多任务学习（终篇）
我们继续探索基于 ResNeXt 的多任务学习框架，其特征是模块化、高计算效率、及识别数据中稳定形态的能力。使用单一编码器和专用“头”可降低模型过度拟合风险，提升预测品质。
使用MQL5经济日历进行交易（第七部分）：基于资源型新闻事件分析的策略测试准备
在本文中，我们通过将经济日历数据作为非实盘分析资源嵌入到MQL5交易系统中，为策略测试做好准备。我们实现了按时间、货币和影响程度加载和筛选事件的功能，并在策略测试器中验证其有效性。这使得基于新闻事件的策略能够进行高效的回测。
市场模拟（第二部分）：跨期订单（二）
与上一篇文章中所做的不同，这里我们将使用 EA 交易来测试选择选项。虽然这还不是最终的解决方案，但目前已经足够了。在本文的帮助下，您将能够理解如何实现一种可能的解决方案。
通过协整股票实现统计套利（第一部分）：恩格尔 - 格兰杰检验与约翰森协整检验
本文旨在以适合交易者且通俗易懂的方式，介绍最常用的协整检验方法，并附带一份解读检验结果的简易指南。恩格尔 - 格兰杰检验与约翰森协整检验，能够识别出具备长期联动关系、且在统计上显著的资产配对或资产组合。约翰森检验尤其适用于包含三种及以上资产的投资组合，因其可一次性测算出所有协整向量的强度。
在 MQL5 中创建交易管理员面板（第十部分）：基于外部资源的界面
今天，我们将深入挖掘 MQL5 的潜力，利用外部资源（例如 BMP 格式的图片）为交易管理面板打造独具风格的主界面。文中演示的策略在打包多种资源（包括图片、声音等）以实现高效分发时尤为实用。欢迎随我们一起探讨，如何利用这些功能为我们的 New_Admin_Panel EA 实现现代、美观的界面设计。
辩证搜索（DA）
本文介绍了辩证算法（DA），这是一种受辩证法哲学概念启发的新的全局优化方法。该算法利用了人口中独特的划分，将其分为投机思想者和实践思想者。测试表明，在低维问题上，性能令人印象深刻，高达 98%，整体效率为 57.95%。本文解释了这些度量，并详细描述了算法和不同类型函数的实验结果。
您应当知道的 MQL5 向导技术（第 60 部分）：推理学习（Wasserstein-VAE），配合移动平均线和随机振荡器形态
我们将目光转向 MA 与随机振荡器的互补配对，实证推理学习在后监督学习与强化学习状况中扮演的角色。显然，推理学习有多种途径可供选择，不过我们的方式是使用变分自编码器。我们先以 Python 探索这些，然后将训练好的模型以 ONNX 格式导出，可在 MetaTrader 中供向导汇编智能系统所用。
在 MQL5 中实现其他语言的实用模块（第 02 部分）：构建受 Python 启发的 REQUESTS 库
在本文中，我们实现了一个类似于 Python 中 requests 模块的功能，以便更轻松地使用 MQL5 在 MetaTrader 5 中发送和接收 Web 请求。
重构经典策略（第十三部分）：让我们的交叉策略迈向新维度（2）
欢迎参与讨论，一起探索移动平均线交叉策略的更多改进方法。我们将运用数据科学技能，致力于将策略的滞后性降至更低水平，从而提升其可靠性。众所周知，将数据投影到更高维度有时能提高机器学习模型的性能。我们将向交易者展示这一做法的实际意义，并说明如何利用MetaTrader 5交易终端运用这一强大原理。
Connexus助手（第五部分）：HTTP方法和状态码
在本文中，我们将了解HTTP方法和状态码，这是网络上客户端与服务器之间通信的两个非常重要的部分。了解每种方法的作用，可以让您更精确地发出请求，告知服务器您想要执行的操作，从而提高效率。
MQL5 MVC架构中表格视图与控制器组件：简单控件
本文探讨了如何在MVC（模型 - 视图 - 控制器）架构下实现表格，重点介绍简单控件，它们是构建复杂视图组件的基础。控制器主要用来处理用户与元素、元素与元索之间的交互。这是关于视图组件的第二篇文章，也是关于为MetaTrader 5客户端创建表格系列文章中的第四篇。
数据科学和机器学习（第 35 部分）：MQL5 中的 NumPy — 用更少代码制作复杂算法的艺术
NumPy 库几乎为所有 Python 语言编程的机器学习算法提供核心动力，在本文中我们即将实现一个类似的模块，其收集了所有复杂的代码，辅助我们构建各种类的复杂模型和算法。
台球优化算法(BOA)
BOA方法灵感源自经典的台球运动，它将寻求最优解的过程模拟为一场游戏：球体致力于落入代表最佳结果的球袋之中。本文将探讨BOA的基本原理、数学模型及其在解决各类优化问题中的效率。
从基础到中级：数组（一）
本文是迄今为止所讨论的内容与新的研究阶段之间的过渡。要理解这篇文章，您需要阅读前面的文章。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。
神经类群优化算法 (NOA)
一种新的生物启发的优化元启发式算法——NOA（Neuroboids Optimization Algorithm，神经类群优化算法），结合了集体智能和神经网络的原理。与传统方法不同，该算法使用了一个由具备自学习能力的“神经类群（neuroboids）”组成的群体，每个神经类群都拥有自己的神经网络，能够实时调整其搜索策略。本文揭示了该算法的架构、代理的自学习机制，以及这种混合方法在解决复杂优化问题方面的应用前景。
大逃杀优化器（BRO）
本文探讨了大逃杀优化器算法 —— 这是一种元启发式算法，其中各解与其最近邻进行竞争，累积"伤害"，当超过阈值时被替换，并周期性地在当前最优解周围缩小搜索空间。文章提供了CAOBRO类的伪代码及MQL5中的实现，包括邻近搜索、向最优解移动以及自适应δ间隔。在Hilly、Forest和Megacity测试函数上的实验结果突出了该方法的优势与局限性。读者可以获得一套开箱即用的基础框架，用于实验和调优关键参数，如种群大小（popSize） 和最大伤害值（maxDamage）。
您应当知道的 MQL5 向导技术（第 57 部分）：搭配移动平均和随机振荡器的监督训练
移动平均线和随机振荡器是十分常用的指标，因其滞后性质，一些交易者或许较少使用。在一个三部分的“迷你序列”中，研究机器学习的三大主要形式，我们会考证对这些指标的偏见是否合理，或者它们可能占据优势。我们经由向导汇编的智能系统来进行实证。
从基础到中级：模板和类型名称（二）
本文解释了如何处理您可能遇到的最困难的编程情况之一：在同一个函数或过程模板中使用不同的类型。尽管我们大部分时间只关注函数，但这里介绍的所有内容都是有用的，并且可以应用于过程。
MQL5 简介（第 13 部分）：构建自定义指标的初学者指南（二）
本文将指导您从头开始构建自定义 Heikin Ashi 指标，并演示如何将自定义指标集成到 EA 中。它涵盖了指标计算、交易执行逻辑和风险管理技术，以增强自动化交易策略。