MQL4和MQL5编程文章

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。

比尔·威廉姆斯（Bill Williams）的分形是一个强有力的指标，在价格图标上初现时很容易被忽视。它出现得过于繁忙，大概也不够精锐。我们的靶标是配以由向导汇编的智能系统针对所有指标进行前向漫游测试，检验其在各种形态下能够取得怎样的成果，从而揭开该指标的面纱。

在本文中，我们将开始创建一个核心风险管理类，这将是控制系统风险的关键。我们将重点建立基础，定义基本结构、变量和函数。此外，我们将实施设定最大损益值的必要方法，从而为风险管理奠定基础。

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。

在本文中，我们将讨论该主题的第一部分，这对初学者来说并不容易理解。为了避免更加困惑并正确解释这个话题，我们将把解释分为几个阶段。我们将把这篇文章用于第一阶段。然而，尽管在本文末尾，我们似乎已经陷入僵局，但事实上，我们将朝着另一种情况迈出一步，这将在下一篇文章中得到更好的理解。

鉴于目前所展示的一切，我认为我们现在可以开始实现某种应用程序，以便直接在图表上运行某些交易品种。然而，首先我们需要讨论一个对初学者来说可能相当困惑的概念。也就是说，在 MQL5 中开发并用于在图表上显示的应用程序的创建方式与我们迄今为止看到的不同。在本文中，我们将开始更好地理解这一点。

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。

在本文中，我们将非常仔细地研究如何解决上一篇文章末尾提出的问题。尝试创建这种类型的模板，以便能够创建数据联合的模板。

强化学习中的回放缓冲区对于像 DQN 或 SAC 这样的无政策算法尤为重要。这样就会聚光在该记忆缓冲区的抽样过程。举例，SAC 默认选项从该缓冲区随机选择，而优先经验回放缓冲区则基于 TD 分数从缓冲区中抽样对其优调。我们回顾强化学习的重要性，并一如既往，在由向导汇编的智能系统中验证这一假设（而‘非交叉验证）。

我们将在 MQL5 中开发货币强势分析的专业指标。这本分步指南将向你展示如何为 MetaTrader 5 开发一款功能强大的交易工具，该工具带有可视化仪表板。您将学习如何计算多个时间周期（H1、H4、D1）内货币对的强度，实现动态数据更新，并创建用户友好的界面。

本文展示了利用机器学习创建黄金交易策略的一种方法。通过多角度考量所提出的金融时间序列分析与预测方法，相较于单纯依赖此类分析构建交易系统的其他方法，我们能够明确该方法的优势和劣势。

本文对珊瑚礁优化（CRO）算法进行了全面分析，该算法是一种受珊瑚礁形成与发育生物过程启发的元启发式方法。该算法对珊瑚进化的关键环节进行了建模，包括广播产卵（群体产卵）、体内受精（抱卵孵化）、幼虫附着、无性繁殖以及有限礁区空间的竞争。尤其关注该算法的改进版本。

与我们开发实用型价格行为工具的初衷相一致，本文将探讨如何开发一款 EA。该 EA 能够识别 Pin Bar 和吞没形态，并利用 RSI 背离作为确认信号，仅在条件满足时生成交易提示。

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。

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。

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。

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。

本文介绍了一种受万有引力定律启发的中心引力优化（CFO）算法。它探讨了物理引力的原理如何解决优化问题，其中“较重”的解决方案会吸引不太成功的对应物。

本文将探讨并实现一种方法：利用单一数据集同时作为训练集和验证集，来评估模型质量。

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。

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。

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。

移动平均线和随机振荡器是十分常用的指标，我们在前一篇文章中探讨了它们的共通形态，并通过监督学习网络，见识了哪些“形态能粘附”。我们自该文加以分析，进一步研究当使用该已训练网络时，强化学习的效能。读者应当注意，我们的测试时间窗口非常有限。无论如何，我们在展示这一点时，会继续追求由 MQL5 向导提供最低编码需求。

我们邀您探索 FinCon 框架，这是一款基于大语言模型（LLM）的多智代系统。该框架利用概念性词汇强化来提升决策制定和风险管理，能在多种金融任务中有高效表现。

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。

学习如何使用图表对象在 MQL5 中构建谐波形态指标。了解如何检测波动点、应用斐波那契回撤线以及自动识别形态。

今天的文章是上一篇文章的延续。我们将研究 EA 交易的实现，主要关注服务器代码的执行方式。上一篇文章中给出的代码不足以使一切按预期工作，因此我们需要更深入地挖掘它。因此，有必要阅读这两篇文章，以便更好地了解会发生什么。

文章提供了 ATA 优化算法关键组成部分和创新的详细讨论，其为一种进化方法，具有独特的双重行为系统，可根据状况进行调整。ATA 结合了个体和社会学习，同时使用交叉进行探索和迁徙，从而在陷入局部最优时找到解。

成功餐饮经营者算法（SRA）是一种受餐饮业管理原则启发的创新优化方法。与传统方法不同，SRA不会直接淘汰劣质解，而是通过融合优质解的元素对其进行改进。该算法在优化问题中展现出极具竞争力的表现，并为平衡探索与利用提供了全新视角。

价格行为分析是识别盈利交易机会的基础方法。然而，人工监测价格走势和形态不仅困难而且极其耗时。为解决这一痛点，我们开发了自动分析价格行为的工具，一旦检测到潜在机会，就会立刻发出信号。本文将介绍一款强大的工具，该工具结合分形突破以及14周期指数移动平均线（EMA 14）和200周期指数移动平均线（EMA 200）来生成可靠的交易信号，帮助交易者更自信地做出明智决策。

如果要自动进行周期性优化，我们需要考虑自动更新交易账户上已经运行的 EA 设置。这样一来，我们就可以在策略测试器中运行 EA，并在单次运行中更改其设置。

本文将深入探究配对交易的核心逻辑，以及相关性交易的运作机制。我们还将编写一套自动化配对交易EA，并为其加入基于历史数据的算法自动优化功能。此外，在整个项目中，我们还会学习如何通过 Z 值（Z-Score）计算两个交易品种之间的价差偏离度。

我们继续构建 Hidformer 层次化双塔变换器模型，专为分析和预测复杂多变量时间序列而设计。在本文中，我们会把早前就开始的工作推向逻辑结局 — 我们将在真实历史数据上测试模型。