MQL5 开发的自动交易示例的文章
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（GinAR）
我们诚邀您探索一种使用 GinAR 框架预测缺失数据时间序列的创新方法。本文展示了使用 OpenCL 实现关键组件的过程，确保了高性能。在我们的下一篇文章中，我们将详细介绍如何将这些解决方案集成到 MQL5 中。这将有助于理解如何在交易实践中应用该方法。
交易中的神经网络：时间序列查询模型（结论）
我们很高兴为大家带来TQNet框架开发与测试的最终阶段，将理论落实到真实交易场景中。我们将从历史样本训练转入基于近期市场数据的压力测试，以此评估模型的稳健性与预测精度。最终结果不只是枯燥的统计指标，更是对这套方案实际价值的直观证明。
交易中的神经网络：解耦结构化分量——编码器实现
本文将继续探索 SCNN 框架实现的下一阶段。该框架兼具灵活性与可解释性，能够精准识别时间序列中的各类结构化分量。本文将详细讲解自适应归一化与注意力机制的原理，这两项机制保障模型在市场环境发生变化时依然具备稳健性。
交易中的神经网络：结构化分量解耦（SCNN）
我们诚邀您探索创新的SCNN框架。该框架可将数据清晰拆分为长期分量、季节分量、短期分量与残差分量，把时间序列分析提升至全新层次。该方法使模型能够适配复杂且不断变化的市场动态，从而显著提升预测精度。
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（结论）
我们很高兴为您呈现关于 GinAR 系列文章的最后一部分 — GinAR 是一个用于时间序列预测的神经网络框架。在本文中，我们分析了模型在新数据上的测试结果，并评估了其在真实市场条件下的稳健性。
交易中的神经网络：时间序列查询模型（TQNet）
时序查询网络（TQNet）框架兼具模块化、灵活性与高性能，为金融时间序列的建模与预测开辟了新路径。本文探讨实现全局相关性复杂处理机制的可行性，其中包含高级参数初始化方法。
交易中的神经网络：以分解替代模型规模扩张（SSCNN）
在本文中，我们将开始探究 SSCNN 框架 —— 一套面向时间序列分析的现代架构方案，兼具精度、结构化设计与高计算效率。我们会系统剖析它的理论基础，重点对比它与前代模型的核心差异，并着手在 MQL5 环境中落地其基础组件。
MQL5交易策略自动化（第三十部分）：开发具备可视化反馈的价格行为AB-CD谐波形态交易系统
在本文中，我们会在MQL5中开发一款AB=CD形态EA，借助枢轴点与斐波那契比例识别看涨、看跌AB=CD谐波形态，并按照精准的入场、止损、止盈价位执行交易。我们通过图表对象实现可视化反馈，帮助交易者更直观地研判行情。
基于PatchTST的神经网络交易EA
本文介绍了PatchTST这一革新性架构，它是专为金融时序分析定制的Transformer模型，将市场数据切分为16根K线的补丁块，以此实现高效运算。我们将讲解基于MQL5的交易机器人完整实现方案，涵盖从数学原理、数据结构，到自带风控与持续学习系统的成品EA。
基于N-BEATS网络的外汇EA
在MetaTrader 5中实现面向外汇交易的N-BEATS架构，支持分位数预测与自适应风险管理。本架构通过双线性归一化、适配金融数据的专用损失函数完成改造。基于2025年数据的回测结果显示模型无法产生盈利，印证了理论成果与实际交易表现之间存在差距。