MQL5 开发的自动交易示例的文章
MQL5中的量子神经网络（第一部分）：创建包含文件
本文提出了一种基于量子原理与AI（人工智能）构建交易系统的全新方案。作者阐述了一套独特神经网络的开发过程，该网络融合量子力学与现代AI架构，突破了传统机器学习框架。
基于Mamba选择性状态空间模型的神经网络交易机器人开发
本文探究可用于金融时间序列预测的创新性Mamba/SSM神经网络架构。我们将完整介绍该模型在MQL5平台下的实现方案，它是Transformer的现代替代方案，计算复杂度为线性O(N)，而非二次复杂度O(N²)。还会详细讲解选择性状态空间模型、硬件感知优化、分块处理，以及先进的AdamW训练算法。并附带实测结果：模型预测准确率由62%提升至71%，同时训练耗时从45分钟缩短至8分钟。本文提供一个现成的MetaTrader 5交易EA，具备自动训练与自适应风险管理能力。
神经网络在交易中的应用：用于智能体自适应行为的分层技能发现（HiSSD）
本文将介绍 HiSSD 框架，该框架结合分层学习与多智能体技术构建自适应系统。我们将详细分析这套创新方法如何挖掘金融市场中的隐藏模式，并在去中心化场景下优化交易策略。
神经网络在交易中的应用：将混沌理论融入时间序列预测（终篇）
我们继续将 Attraos 框架的作者提出的方法整合到交易模型中。让我提醒您，这个框架利用混沌理论的概念来解决时间序列预测问题，将其解释为多维混沌动态系统的投影。
神经网络在交易中的应用：混合图序列模型（终篇）
我们继续探索混合图序列模型（GSM++），该模型融合了不同架构的优点，既提供了高分析精度，又实现了计算资源的有效分配。这些模型能够有效识别隐藏的模式，降低市场噪声的影响，并提高预测质量。
交易中的神经网络：不依赖特定数据的时间序列泛化（核心模型模块）
我们继续介绍Mamba4Cast框架。今天，我们将深入探讨该方案的实现。Mamba4Cast的设计目标并非对每一条全新时间序列都进行冗长的预热，而是支持直接部署上线。依托零样本预测理念，该模型无需额外训练、也无需调优超参数，就可以在真实业务数据上输出高质量预测结果。
神经网络在交易中的应用：时间序列的概率预测（结论）
我们诚邀您了解 K²VAE 框架以及如何将所提出的方法集成到交易系统中。您将了解到混合 Koopman-Kalman-VAE 方法如何助力构建自适应且可解释的模型。本文最后将展示使用所实现方案的实际应用结果。
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。
MQL5自动化交易策略（第二十九部分）：构建基于价格行为的加特利谐波形态交易系统
本文将使用MQL5开发一套加特利形态交易系统。该系统依托枢轴点与斐波那契比率识别看涨、看跌加特利谐波形态，并依据精准的入场、止损和止盈价位执行交易。系统可通过三角形、趋势线、文本标签等图表对象实现可视化展示，清晰呈现XABCD形态结构，辅助交易者分析行情。
从新手到专家：使用MQL5实现动态新闻标题（9）—— 新闻交易中的单图表多品种管理
新闻行情往往伴随着剧烈波动，交易者需要在极短时间内管理多个持仓与交易品种。在本文中，我们将把多品种功能集成到新闻标题EA中，以集成多品种功能的方式应对多品种交易的挑战。接下来我们一起探讨，如何借助MQL5算法交易，让多品种交易变得更加高效、强大。
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。
交易机器人风险管理器（第一部分）：EA风控头文件
交易对风控纪律有着极高的要求。本文分析了交易者亏损的主要原因，并针对MQL5平台提出一套技术方案 —— CEnhancedRiskManager（增强型风险管理器）类，并在激进网格EA上完成了实操测试。
神经网络在交易中的应用：演员—导演—评论家框架
我们诚邀您探索演员-导演-评论家（Actor-Director-Critic）框架，该框架结合了分层学习和多组件架构，用于创建自适应交易策略。在本文中，我们将详细探讨如何利用导演（Director）对演员（Actor）生成的动作进行分类，以有效优化交易决策，并提高模型在金融市场环境下的稳健性。
交易中的神经网络：智能预测流程（结论）
本文深入介绍 SwiGLU 嵌入层如何挖掘隐藏的市场规律，以及Decoder-Only Transformer 架构内的稀疏混合专家模型，如何在合理的计算开销下提升预测精度。本文详解将 Time‑MoE 框架集成至 MQL5 与 OpenCL 的实现方法，并提供模型配置与训练的分步教程。
交易中的神经网络：一种跨领域时间序列预测框架（TimeFound）
本文将分步搭建 TimeFound 智能模型的核心模块，使其适配真实场景下的时序预测任务。如果你希望了解神经网络分块算法在 MQL5 中的工程落地实现，那么本文正是为你准备的。
交易中的神经网络：频域异常检测（终篇）
我们继续推进 CATCH 框架的实现。该框架结合傅里叶变换与频域分块，以确保能够准确检测市场异常。在本文中，我们将完成对所提方法的这一实现，并基于真实历史数据测试新模型。
神经网络在交易中的应用：不依赖特定数据的时间序列泛化（Mamba4Cast）
在本文中，我们介绍了 Mamba4Cast 框架，并深入探讨了其关键组件之一：基于时间戳的位置编码。本文展示了如何结合数据的日历结构来构建时间嵌入。
交易中的神经网络：自适应周期分段（结论）
我们诚邀您一同探索LightGTS的精彩世界 —— 这是一款轻量但性能强大的时间序列预测框架，融合了自适应卷积、旋转位置编码（RoPE）与创新注意力机制。本文将详细阐述框架内全部组件：从分块（patch）构建，一直到解码器内复杂的混合专家模块，这些实现思路已具备集成到MQL5项目中的条件。您将了解LightGTS如何令自动化交易提升至全新高度！
交易中的神经网络：面向准确分类的有效特征提取（Mantis）
认识Mantis —— 一款基于 Transformer 架构的轻量级时间序列分类基础模型，采用对比预训练与混合注意力机制，实现创纪录的精度，并具备出色的可扩展性。
MQL5中的自优化智能交易系统（第十一部分）：线性代数基础入门
在本文中，我们将为使用MQL5矩阵与向量API中强大的线性代数工具奠定基础。想要熟练运用此套API，我们必须牢固掌握支撑这些方法合理使用的线性代数原理。本文旨在让读者直观理解，作为MQL5算法交易者，入门并利用这一强大库所需的一些最重要的线性代数规则。
在线性自回归模型残差上训练非线性 U-Transformer
本文介绍一套用于汇率预测的创新混合系统，它将线性自回归模型与用于残差分析的 U-Transformer 架构相结合。系统会根据信号质量自动切换信号来源，并内置完整的交易逻辑，支持摊平加仓/金字塔加仓策略。该方法的核心优势在于：神经网络只在线性模型的残差上训练，从而简化了任务并降低过拟合风险。整套实现完全使用 MQL5 编写，可直接用于实盘交易，并具备随市场环境变化自动适应的能力。
神经网络在交易中的应用：一种端到端多变量时间序列预测模型（关键组件）
我们诚邀您探索 GinAR 框架关键组件的新实现 — 一种用于处理图结构时间序列的自适应算法。本文逐步分解了架构以及前向传播和误差反向传播的算法。
交易中的神经网络：智能预测流程（稀疏混合专家）
我们将带大家探索在OpenCL计算环境下，时序稀疏混合专家模块的实际实现。本文会分步讲解掩码多窗口卷积的工作原理，以及多信息流场景下如何实现基于梯度的训练流程。
神经网络在交易中的应用：概率时间序列预测（K²VAE）
我们诚邀您探索 K²VAE 框架的原始实现 — 这是一个灵活的模型，能够线性近似潜在空间中的复杂动态。本文将演示如何在 MQL5 中实现关键组件，包括参数化矩阵，以及如何在标准神经网络层之外对这些矩阵进行管理。对于任何寻求构建可解释时间序列模型实用方法的人来说，本文材料都将大有裨益。
交易中的神经网络：自适应周期分块（LightGTS）
本文将为大家介绍创新的自适应分块技术，这是一种在考虑时序数据内在周期性的前提下，对时间序列做灵活分块的方法。我们还会讲解一种高效编码技术，该技术在处理不同尺度的数据时，可以保留重要语义特征。金融市场数据具备复杂、多尺度的典型特点，上述两类方法为此类数据的精准处理开辟了新路径，能够显著提升预测结果的稳定性与可靠性。
基于平均K线（Heikin Ashi）搭建专业交易系统（第一部分）：自定义指标开发
本文是一个分为上下两部分的系列文章的第一部分，旨在传授使用MQL5编写自定义指标的实用技巧与最佳实践。以平均K线（Heikin Ashi）作为实操案例，讲解平均K线图表背后的原理、平均K线柱的计算方式，并演示其在技术分析中的用法。核心内容是一份从零开发完整可用的平均K线指标的分步教程，附带清晰说明，帮助读者理解代码写法以及背后的设计逻辑。这些基础内容将为第二篇铺垫，第二篇我们将开发一套基于平均K线逻辑进行交易的智能交易系统（EA）。
交易中的神经网络：自适应周期分块（Token生成）
诚邀您开启一段精彩旅程，一同探索金融时间序列自适应分析领域，了解如何将复杂谱分析与灵活卷积转化为可落地的交易信号。您将看到LightGTS如何捕捉市场节奏，借助可变窗口步长机制适配市场变化；同时了解OpenCL加速如何让高速计算成为获取盈利决策的快车道。
交易中的神经网络：摆脱特定数据依赖的时间序列泛化（结论）
本文将向您展示Mamba4Cast如何把理论转化为可运行的交易算法，并为您开展自主实验奠定基础。不要错过这次机会，获取用于自研策略的全面的知识与策略开发灵感。
运用聪明钱概念（SMC）提升交易水平：订单块（OB）、结构突破（BOS）与公允价值缺口（FVG）
运用聪明钱概念（SMC）提升你的交易水平，将订单块（OB）、结构突破（BOS）与公允价值缺口（FVG）整合到一个强大的 EA 中。选择自动策略执行，或聚焦任意单一的 SMC 概念，实现灵活而精准的交易。
交易中的神经网络：以分解替代规模化 —— 模块构建
本文我们继续实操讲解SSCNN —— 一款能够处理碎片化时间序列的新一代架构方案。SSCNN不再盲目扩大模型规模，而是依靠精巧的模块化设计、精细化处理和针对性归一化。我们将在MQL5环境中逐步搭建计算单元，为可靠的预测分析打下基础。
交易中的神经网络：智能预测流程（Time-MoE）
诚邀大家一起来研究现代Time-MoE框架，该框架已针对时间序列预测任务完成适配。本文将分步实现该架构的核心组件，并同步提供原理讲解与实操示例。该方法使得您不仅能够理解模型的运行机制，还可以将相关原理应用于真实交易场景。
从新手到专家：使用MQL5实现动态新闻标题（X）——新闻交易的多品种图表视图
今天，我们将基于图表对象开发一套多图表视图系统。开发目标是服务于新闻交易，借助MQL5算法，缩短交易者在重大新闻发布等高波动行情下的反应时间。在本示例中，我们为交易者提供一体化方案，可以在同一个新闻交易工具内同时监控多个主流交易品种。我们的开发在新闻标题EA（News Headline EA）的基础上持续迭代，目前该EA的功能还在不断扩充，无论是全自动策略使用者，还是依靠算法辅助手工交易的交易者，都能从中获得实际帮助。欢迎点击阅读、参与讨论，一起学习更多知识、思路与实战方案。
交易中的神经网络：分解，而非扩大模型规模（结论）
本文将介绍一种算法，可以将时间序列分解为具备明确含义的多层分量，并基于这些分量构建简约模型。我们会系统阐述模型架构、基于MQL5/OpenCL的实际实现，以及基于历史行情数据开展的实际测试。