MQL5 编程示例的文章

在本文中，我将演示一些非常有趣且实用的自动交易技术。 其中一些可能您很熟悉。 我将尝试覆盖最有趣的方法，并解释为什么它们值得使用。 此外，我将展示这些技术在实战中的适用性。 我们将创建智能交易系统，并依据历史报价来测试全部所述技术。

作为研究神经网络的下一步，我建议研究在神经网络训练过程中提高收敛性的方法。 有若干种这样的方法。 在本文中，我们将研究其中之一，名为“舍弃”。

这两种方法的普及性日益增加，因此在 Matlab、R、Python、C++ 等领域开发了大量的库，它们接收到一个训练集作为输入，并自动为问题创建合适的网络。让我们试着理解基本的神经网络类型是如何工作的（包括单神经元感知机和多层感知机）。我们将探讨一个令人兴奋的算法，它负责网络训练 - 梯度下降和反向传播。现有的复杂模型往往基于这样简单的网络模型。

我们以前曾研究过神经网络中的自关注机制。 在实践中，现代神经网络体系结构会采用多个并行的自关注线程来查找序列元素之间的各种依存关系。 我们来研究这种方法的实现，并评估其对整体网络性能的影响。

我们已经经历了很长一段路，并且函数库中的代码越来越庞大。 这令跟踪所有连接和依赖性变得难以维护。 因此，我建议为先前创建的代码创建文档，并保持伴随每个新步骤进行更新。 正确准备的文档将有助我们看到操作的完整性。

在之前的文章中，我们已经测试了组织规划神经网络的各种选项。 我们还研究了自图像处理算法中借鉴而来的卷积网络。 在本文中，我建议研究关注机制，它的出现为开发语言模型提供了动力。

在引入随 MQL5 API 更新而提供的网络功能之前，MetaTrader 程序与基于 WebSocket 的服务连接和接口的能力受到许多限制。当然，这一切都改变了，在本文中，我们将探讨纯 MQL5 中 WebSocket 库的实现。WebSocket 协议的简要描述将与如何使用生成的库的逐步指南一起给出。

在本文中，我们将分析一个基于Python的深层神经网络编程的交易系统的分步实现。这将使用谷歌开发的 TensorFlow 机器学习库执行。我们还将使用 Keras 库来描述神经网络。

我们之前已研究过各种类型的神经网络及其实现。 在所有情况下，训练神经网络时都使用梯度下降法，为此我们需要选择学习率。 在本文中，我打算通过示例展示正确选择学习率的重要性，及其对神经网络训练的影响。

所有交易者都以赚取第一个百万美元为目标来访问市场。如何在没有过多风险和启动预算的情况下实现这个目标？MQL5服务为来自世界各地的开发人员和交易者提供了这样的机会。

本文提供了在 Matlab 平台上实际运用神经网络模块的讲述和指南。 它还涵盖了运用神经网络模块创建交易系统的主要方面。 为了能够在一篇文章中厘清复杂内容，我必须对其进行修改，从而在一个程序中组合若干个神经网络模块函数。