MQL5 开发的自动交易示例的文章
神经网络变得轻松（第三十七部分）：分散关注度
在上一篇文章中，我们讨论了在其架构中使用关注度机制的关系模型。 这些模型的具体特征之一是计算资源的密集功用。 在本文中，我们将研究于自我关注度模块内减少计算操作数量的机制之一。 这将提高模型的常规性能。
神经网络变得简单（第 66 部分）：离线学习中的探索问题
使用准备好的训练数据集中的数据对模型进行离线训练，这种方法虽然有一定的优势，但其不利的一面是，环境信息被大大压缩到训练数据集的大小。这反过来又限制了探索的可能性。在本文中，我们将探讨一种方法，这种方法可以用尽可能多样化的数据来填充训练数据集。
MQL5 简介（第 5 部分）：MQL5 数组函数入门指南
在第 5 部分中探索 MQL5 数组的世界，该部分专为绝对初学者设计。本文简化了复杂的编码概念，重点在于清晰性和包容性。加入我们的学习者社区，在这里解决问题，分享知识！
构建自优化型MQL5智能交易系统（EA）（第3部分）：动态趋势跟踪与均值回归策略
金融市场通常被静态划分为震荡市或趋势市两种模式。这种简化分类虽便于短期交易决策。然而，却与真实市场行为脱节。在本文中，我们将深入探讨市场如何精准地在这两种模式间切换，并利用这方面的认知提升算法交易策略的可靠性。
算法交易中的风险管理器
本文的目标是证明在算法交易中使用风险管理器的必要性，并在一个单独的类中实现控制风险的策略，以便每个人都可以验证标准化的风险管理方法在金融市场日内交易和投资中的有效性。在本文中，我们将为算法交易创建一个风险管理类。本文是上一篇文章的延续，在前文中我们讨论了为手动交易创建风险管理器。
MQL5 中的范畴论 (第 6 部分)：单态回拉和满态外推
范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。
神经网络变得轻松（第五十四部分）：利用随机编码器（RE3）进行高效研究
无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。
MQL5 交易策略自动化（第十部分）：开发趋势盘整动量策略
在本文中，我们将基于MQL5开发趋势盘整动量策略EA。我们将结合双移动平均线交叉与 RSI 和 CCI 动量过滤器来生成交易信号。我们还将对EA进行回测，以及为提升其在真实交易环境下的表现而进行的优化。
神经网络变得轻松（第五十二部分）：研究乐观情绪和分布校正
由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。
MQL5 交易策略自动化（第十部分）：开发趋势盘整动量策略
在本文中，我们将基于MQL5开发趋势盘整动量策略EA。我们将结合双移动平均线交叉与 RSI 和 CCI 动量过滤器来生成交易信号。我们还将对EA进行回测，以及为提升其在真实交易环境下的表现而进行的优化。
神经网络变得简单（第 62 部分）：在层次化模型中运用决策转换器
在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。
神经网络变得简单（第 89 部分）：频率增强分解变换器（FEDformer）
到目前为止，我们研究过的所有模型在分析环境状态时都将其当作时间序列。不过，时间序列也能以频率特征的形式表示。在本文中，我将向您介绍一种算法，即利用时间序列的频率分量来预测未来状态。
您应当知道的 MQL5 向导技术（第 17 部分）：多币种交易
当经由向导组装一款智能系统时，默认情况下，跨多币种交易不可用。我们研究了 2 种可能采取的技巧，可令交易者在同一时间据多个品种测试他们的思路。
重塑经典策略（第四部分）：标普500指数与美国国债
在本系列文章中，我们使用现代算法分析经典交易策略，以确定是否可以利用人工智能改进这些策略。在今天的文章中，我们将重新审视一种利用标普500指数与美国国债之间关系的经典交易方法。
神经网络变得简单（第 64 部分）：保守加权行为克隆（CWBC）方法
据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。
创建一个基于布林带PIRANHA策略的MQL5 EA
在本文中，我们将创建一个MQL5 EA，它基于PIRANHA策略，并使用布林带来提升交易表现。我们会系统梳理该策略的核心原理、代码实现细节，以及测试与优化方法。并助您轻松将 EA 部署到实际的交易环境中。
神经网络变得轻松（第二十八部分）：政策梯度算法
我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。
神经网络变得简单（第 68 部分）：离线优先引导政策优化
自从第一篇专门讨论强化学习的文章以来，我们以某种方式触及了 2 个问题：探索环境和检定奖励函数。最近的文章曾专门讨论了离线学习中的探索问题。在本文中，我想向您介绍一种算法，其作者完全剔除了奖励函数。
在MQL5中实现基于抛物线转向指标（Parabolic SAR）和简单移动平均线（SMA）的快速交易策略算法
在本文中，我们将在MQL5中开发一个快速交易EA，利用抛物线SAR和简单移动平均线（SMA）指标来创建一个响应迅速的交易策略。我们详细介绍了该策略的实施过程，包括指标的使用、信号的生成以及测试和优化过程。
在 MQL5 中自动化交易策略（第 13 部分）：构建头肩形态交易算法
在本文中，我们将自动化 MQL5 中的头肩形态。我们分析其架构，实现一个用于检测和交易该形态的 EA，并对结果进行回测。这个过程揭示了一个具有改进空间的实用交易算法。
在 MQL5 中创建交互式图形用户界面（第 2 部分）：添加控制和响应
通过动态功能增强 MQL5 图形用户界面（GUI）面板，可以大大改善用户的交易体验。通过整合互动元素、悬停效果和实时数据更新，该面板成为现代交易者的强大工具。