MQL5 开发的自动交易示例的文章

我们继续上一篇文章中开启的工作，使用 MQL5 构建 RefMask3D 框架。该框架旨在全面研究点云中的多模态互动和特征分析，随后基于自然语言提供的描述进行目标对象识别。

LSEAttention 框架改进变换器架构。它是专为长期多变量时间序列预测而设计。该方法作者提议的方法能应用于解决雏形变换器经常遇到的熵坍缩、及学习不稳定问题。

在本文中，我们将使用MQL5构建一个多时间周期扫描仪表盘，用于展示实时交易信号。我们设计了一个交互式网格界面，利用多种指标实现信号计算，并添加了关闭按钮。文章结尾将介绍回测结果以及该仪表盘在策略交易中的优势。

在本文中，我们概述一种基于“超点变换器”（SPFormer） 的三维物体分段方法，其剔除了对中间数据聚合的需求。这加快了分段过程，并提高了模型的性能。

在本文中。我们将讨论一种复杂的多模态交互分析和特征理解的方法。

本文中，我们在MQL5中开发了一个与包络线（Envelopes）趋势交易策略集成的区间补仓系统。我们概述了利用相对强弱指标（RSI）和包络线指标触发交易，并通过管理补仓区域来减轻亏损的架构。通过实现和回测，我们展示了如何为动态市场构建一套有效的自动化交易系统。

本文将深入探讨改进EA在策略测试器中运行时间的方法，通过编写代码将新闻事件时间按小时分类。在指定的小时段内将访问这些新闻事件。这样确保了EA能够在高波动性和低波动性环境中高效管理事件驱动的交易。

在本文中，我们将讨论免掩码注意力变换器（MAFT）方法，及其在交易领域的应用。不同于传统的变换器，即处理序列时需要数据掩码，MAFT 通过消除掩码需求来优化注意力过程，显著改进了计算效率。

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。

在这篇文章中，我们将在 MQL5 环境中实现一个 ARIMA 预测指标。文章深入探讨了 ARIMA 模型生成预测的机制，并分析了其在外汇市场乃至整个证券市场的适用性。此外，文章还详细阐释了什么是 AR 自回归模型，如何利用自回归模型进行预测，以及自回归机制的具体运作原理。

在本文中，我们讨论定向扩散模型，其利用数据相关的各向异性、和定向噪声，在前向扩散过程中捕获有意义的图形表征。

SAMformer 为长期时间序列预测中变换器模型的主要缺点，譬如训练复杂性，及小型数据集的普适能力差，提供了解决方案。其浅层架构和锐度感知优化有助于避免次优的局部最小值。在本文中，我们将继续利用 MQL5 实现方式，并评估其实用价值。

本文讲述新的 PSformer 框架，其适配雏形变换器架构，解决与多元时间序列预测相关的问题。该框架基于两项关键创新：参数共享（PS）机制，和区段注意力（SegAtt）。

在本文中，我们利用智能事件过滤和有针对性的日志来优化我们的经济日历，以便在实时和离线模式下实现更快、更清晰的回测。我们简化了事件处理程序，并将日志集中在关键交易和仪表盘事件上，从而增强了策略的可视化效果。这些改进使得对新闻驱动型交易策略进行顺畅的测试和优化成为可能。

本文介绍了最初是为天气预报而开发的“构象（Conformer）”算法，其变化多端之处可与金融市场相提并论。“构象（Conformer）”是一种复杂的方法。它结合了关注度模型和常微分方程的优点。

在本文中，我们利用智能事件过滤和有针对性的日志来优化我们的经济日历，以便在实时和离线模式下实现更快、更清晰的回测。我们简化了事件处理程序，并将日志集中在关键交易和仪表盘事件上，从而增强了策略的可视化效果。这些改进使得对新闻驱动型交易策略进行顺畅的测试和优化成为可能。

我们将向之前发布的文章中的三个例子里加入深度学习，并与之前的版本进行比较。目标是学习如何将深度学习（DL）应用于其他EA。

我们继续研究层次化向量变换器方法。在本文中，我们将完成模型的构造。我们还会在真实历史数据上对其进行训练和测试。

在本文中，我们将使用MQL5开发一款滚动行情条，用于实时监控多个交易品种，以滚动效果显示买价、点差以及日内涨跌幅。我们将实现可自定义的字体、颜色和滚动速度，从而有效突出价格变动与趋势。

欢迎参与本次深度讨论，我们将揭示 MQL5 界面设计的最新进展，着重介绍重新设计的通信面板，并继续我们关于使用模块化原则构建新管理面板的系列文章。我们将逐步开发 CommunicationsDialog 类，并详细解释如何从 Dialog 类进行继承。此外，在我们的开发过程中，还将利用数组（arrays）和 ListView 类。获取可行的方案，以提升您的 MQL5 开发技能——请阅读本文，并在评论区加入讨论！

本文展示了如何使用 MQL5 以编程方式识别看涨和看跌的沃尔夫波浪形态并进行交易。我们将探索如何通过编程方式识别沃尔夫波浪结构，并使用 MQL5 根据这些结构执行交易。这包括检测关键的波动点、验证形态规则，以及让 EA 根据它发现的信号采取行动。

本文通过实现实时新闻更新来增强我们的经济日历仪表盘，以保持市场信息的时效性和可操作性。我们在 MQL5 中集成了实时数据获取技术，以持续更新仪表盘上的事件，从而提升界面的响应速度。此更新优化确保我们可以直接从仪表盘获取最新的经济新闻，从而基于最新数据优化交易决策。

在嘈杂的条件下有效识别和预存市场数据的局部结构是交易中的一项关键任务。运用自注意力机制在处理这类数据方面展现出可喜的结果；不过，经典方式并未考虑底层结构的局部特征。在本文中，我将引入一种能够协同这些结构依赖关系的算法。

在本文中，我们将实现在先前文章中开发的风险管理系统，并添加在其他文章中描述的订单区块指标。此外，我们将进行一次回测，以便比较启用风险管理系统前后的结果，并评估动态风险的影响。

今天，我们又向前迈进了一步，整合了一个外部新闻 API 作为我们的 News Headline EA 的头条新闻来源。在这个阶段，我们将探索各种新闻来源 —— 包括成熟的和新兴的 —— 并学习如何有效地访问它们的 API。我们还将介绍如何将检索到的数据解析成适合在我们的 EA 交易中显示的格式。加入讨论，我们将探索直接在图表上访问新闻标题和经济日历的好处，所有这些都在一个紧凑、不干扰用户的界面中。

本文通过引入拖拽面板功能和悬停交互效果，对交易助手工具进行全面升级，使界面操作更直观且响应更迅速。我们优化了工具的实时订单验证机制，确保交易参数能根据市场价格动态校准。同时，我们通过回测验证了这些改进的可靠性。

在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。

训练变换器模型需要大量数据，并且往往很困难，因为模型不擅长类推到小型数据集。SAMformer 框架通过避免糟糕的局部最小值来帮助解决这个问题。即使在有限的训练数据集上，也能提升模型的效率。

在今天的讨论中，我们将探讨如何自行托管开源 AI 模型，并使用它们来生成市场洞察。这是我们持续扩展 News Headline EA 的一部分努力，引入了 AI 洞察通道，将其转变为多集成辅助工具。升级后的 EA 旨在通过日历事件、财经突发新闻、技术指标以及现在的 AI 生成的市场观点，让交易者随时了解最新动态，从而为交易决策提供及时、多样化和智能的支持。加入我们的讨论，我们将探讨实用的集成策略，以及 MQL5 如何与外部资源协作，构建强大而智能的交易工作终端。

基于 ResNeXt 的多任务学习框架，优化了金融数据分析，可参考其高维度、非线性、和时间依赖性。使用分组卷积和专用头，令模型能有效从输入数据中提取关键特征。

在本文中，我们将第二次尝试将任意市场的价格水平变化转化为对应的角度变化。此次，我们选择了比首次尝试更具数学复杂性的方法，而获得的结果表明，这一调整或许是正确的决策。今天，让我们共同探讨如何通过极坐标以有意义的方式计算价格水平变化所形成的角度，无论您分析的是何种市场。

在本讨论中，我们将探索在整合 News Headline EA 显示的经济日历事件的改进事件警报逻辑时所取得的进一步进展。这项改进至关重要 —— 它能确保用户在重要事件发生前不久及时收到通知。加入此讨论以了解更多信息。

本文将升级MQL5多周期扫描仪表盘，新增拖动与切换功能。通过实现仪表盘的拖拽及最小化/最大化选项，优化屏幕空间的利用率。我们实现并测试这些优化功能，以提升交易的灵活性。

在本文中，我们对MQL5经济日历进行了功能增强，引入了可拖动仪表盘，使用户能够重新定位界面，以获得更好的图表可视性。我们为按钮实现了悬停效果，以提高交互性，并确保通过动态定位的滚动条实现流畅的导航。