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！
您应该了解的MQL5向导技巧（第 75 部分）：动量震荡指标与包络线的应用
比尔・威廉姆斯的动量震荡指标（AO）与包络线通道是一对可以在 MQL5 智能交易系统（EA）中互补使用的指标组合。我们利用动量震荡指标识别趋势的能力，同时引入包络线通道来定义支撑位和阻力位。在探索这组指标组合的过程中，我们使用 MQL5 向导来构建并测试二者可能具备的交易潜力。
您应该了解的MQL5向导技巧（第七十四部分）：结合监督学习运用一目均衡表与ADX-Wilder形态
本文为前一篇文章的延续，之前我们介绍了一目均衡表（Ichimoku）与ADX指标组合，本篇将探讨如何通过监督学习对这一指标组合进行优化改进。一目均衡表与ADX是一组互补型指标组合，前者侧重支撑/阻力判断，后者侧重趋势识别。我们采用的监督学习方案基于深度谱混合核神经网络，对该指标组合的预测结果进行精细调优。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导直接组装成智能交易系统（EA）。
市场模拟（第 19 部分）：SQL 入门（二）
正如我们在第一篇关于 SQL 的文章中所解释的那样，没有必要花费时间编写程序来执行 SQL 中已经内置的功能。然而，如果不了解基础知识，你就无法使用 SQL 或充分利用这个工具所提供的一切功能。因此，在本文中，我们将探讨如何在数据库中执行基本任务。
海豚回波定位算法（DEA）
在本文中，我们将深入探讨 DEA 算法：一种受海豚利用回声定位捕食的独特能力启发而设计的元启发式优化方法。从数学基础到 MQL5 中的实际实现，从原理分析到与经典算法的对比，我们将详细剖析为什么这一相对较新的方法值得在面临优化问题的研究者工具箱中占有一席之地。
市场模拟（第 21 部分）：SQL 入门（四）
你们中的许多人可能比我更有数据库工作经验，因此可能会有不同的看法。由于有必要解释数据库为何以这样的方式设计，以及SQL为何具有这样的形式 — 尤其是主键和外键为何出现 — 因此有些内容必须保持一定的抽象性。
市场模拟（第 24 部分）：SQL 入门（七）
在上一篇文章中，我们完成了对 SQL 的必要介绍。而且，在我看来，我们已经恰当地阐明了我们想要展示和解释的关于 SQL 的内容。这样做是为了让任何前来查看正在构建的市场回放/模拟系统的人，至少能对那里可能发生的情况有所了解。关键在于，对于那些 SQL 能完美处理的事情，编程是没有意义的。
按小时、星期几和每月日期分析的季节性指标
本文介绍如何开发一款用于分析金融市场中重复性价格模式的工具 —— 可按每月日期（1-31 日）、星期几（周一至周日）或每日小时（0-23 时）进行分析。该指标分析历史数据，计算每个周期的平均收益率，并以直方图形式展示结果并附带预测。指标包含可自定义参数：季节性类型、分析 K 线数量、以百分比或绝对值显示、图表颜色等。
您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用
本文将承接前一篇文章，之前我们介绍了MACD与OBV指标组合，本文将探讨如何通过机器学习对这一指标组合进行优化增强。MACD属于趋势指标，OBV属于成交量指标，二者为互补指标组合。本文采用卷积神经网络机器学习方案，通过有理二次核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
MQL5中的价格时间缺口分析（第二部分）：构建时间维度下的流动性分布热力图
这是一份详细的MetaTrader 5热力图指标构建教程，能够可视化展示价格随时间的分布状态。本文阐述了时间密度分析的数学原理，将各个价格区间以色彩区分：红色代表价格停留时间最短，蓝色代表价格停留时间最长。
从基础到中级：函数指针
在编程方面，您可能已经听说过指针。但是您知道我们可以在 MQL5 中使用这种类型的数据吗？当然，必须以一种让我们始终保持控制、避免程序在执行时出现异常行为的方式来使用它。尽管如此，由于这是一个具有非常特定目的且针对特定类型任务的功能，因此很少听到有人讨论指针是什么以及如何在 MQL5 中使用它。
在 MQL5 中实现保本机制（第 2 部分）：基于 ATR 和风险回报比的保本机制
本文将完成 MQL5 中基于 ATR 和风险回报比（RRR）的保本机制实现，并从零开始开发一个类，使得在无需重新输入参数的情况下即可轻松切换保本模式。为评估每种保本类型的有效性，我们将进行多次回测，并在算法交易的背景下分析它们各自的优缺点。
数据科学与机器学习（第四十六部分）：在Python中使用N-BEATS进行股票市场预测
N-BEATS是一款革新性的深度学习模型，专为时间序列预测打造。该模型的初衷是超越ARIMA、PROPHET、VAR等传统时间序列预测模型。在本文中，我们将探讨该模型，并利用其实现股市行情预测。
数据科学与机器学习（第四十五部分）：利用Facebook的Prophet模型进行外汇时间序列预测
Prophet模型由Facebook研发，是一款稳健的时间序列预测工具，能够自动捕捉趋势、季节性与节假日效应，且几乎无需人工调整。该模型已被广泛应用于需求预测与商业规划。在本文中，我们将探讨Prophet模型在外汇交易品种波动率预测中的效果，展示其如何应用于传统商业场景之外的任务。
极值优化（EO）
本文介绍极值优化算法（EO），这是一种受Bak-Sneppen（巴克–斯内彭）自组织临界性模型启发的优化方法，通过淘汰系统中表现最差的组件来实现演化。该算法的改进种群版本表明，其设计已从理论原则转向更注重实际效率，由此构建出高效的计算工具。
您应该了解的MQL5向导技巧（第七十六部分）：利用AO形态与包络通道进行监督学习建模
本文承接前一篇文章。之前我们介绍了动量震荡指标（AO）与包络通道组合指标，本篇将探讨如何通过监督学习对该组合进行优化增强。动量震荡指标与包络通道是一组在趋势识别与支撑/阻力判断方面彼此互补的指标组合。我们采用的监督学习模型为卷积神经网络（CNN），该网络通过点积核函数与跨时间注意力机制自适应调整卷积核与通道维度。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导组装成智能交易系统（EA）。
在MQL5中自定义交易品种：创建三维K线自定义品种
本文详细讲解创新指标文件3DBarCustomSymbol.mq5的完整制作流程，该指标可在MetaTrader 5中生成自定义品种，将价格、时间、成交量与波动率整合为一体化三维可视化图形。我们会讲解其数学理论基础、系统架构、实操实现步骤，以及在交易策略中的实际应用方式。
市场模拟（第 23 部分）：SQL 入门（六）
在本文中，我们将探讨如何可视化一个数据库，并借此了解其结构。这是通过分析数据库的内部结构来实现的。虽然乍一看这似乎没有必要，但如果我们真的想成为数据库管理员，那么这样做是完全合理的。毕竟，有些人以维护和设计数据库为生。
MQL5中的自优化智能交易系统（第十部分）：矩阵分解
分解是一种用于挖掘数据属性规律的数学方法。当我们将分解应用于以行列形式组织的海量市场数据时，能够从中挖掘市场的模式与特征。分解是一种强大的工具，本文将展示如何在MetaTrader 5终端中通过MQL5 API使用该方法，从而更深入地洞察市场数据。
使用机器学习检测与分类分形模式
在本文中，我们将探讨一个有趣的话题：利用机器学习进行分形分析和市场预测。这只是迈向探索金融价格图表上形成的各种分形结构的最初几步。我们将利用相关性来发现模式，并使用 CatBoost 算法对这些模式进行分类。
价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型
你是否曾错过市场突然的尖峰行情，或者在行情发生时措手不及？预判实时行情的最佳方法是从历史形态中学习。为了训练一个机器学习模型，本文首先向您展示如何在 MetaTrader 5 中创建一个脚本，用于摄取历史数据并将其发送到 Python 进行存储 —— 为您的尖峰检测系统奠定基础。继续阅读，了解每个步骤的实际操作。
协方差矩阵自适应演化策略（CMA-ES）
本文探讨了一种最有趣的非梯度优化算法，该算法能够学习理解目标函数的几何特性。我们将重点关注对 CMA-ES 的经典实现，并稍作修改 — 用幂律分布代替正态分布。我们将深入探究算法背后的数学原理以及实际实现方式，并验证 CMA-ES 在哪些方面无懈可击，以及在哪些方面应避免使用。
神经网络在交易中的应用：基于自适应模态分解（ACEFormer）的时间序列预测
我们诚邀您探索 ACEFormer 架构 — 一种将概率注意力机制的有效性与自适应时间序列分解相结合的现代解决方案。本文将对那些寻求在金融市场中平衡计算性能和预测准确性的读者有所帮助。