MQL5 开发的自动交易示例的文章

我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。

最后，视觉系统将开始工作，尽管它尚未完工。 在此，我们将完成主要更改。 这只是它们当中很少一部份，但都是必要的。 嗯，整个工作将非常有趣。

作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。 这种问题类型首先用于零售业，即超市等，来分析市场篮子。 在本文中，我们将讨论这些算法在交易中的适用性。

我们继续实现新的订单系统。 创建这样的一个系统需要熟练地掌握 MQL5，以及了解 MetaTrader 5 平台的实际工作方式，及其提供的资源。

在本文中，我们将开发一个“看看发生了什么”类型的图形订单系统。 请注意，我们这次不是从头开始，只不过我们将修改现有系统，在我们交易的资产图表上添加更多对象和事件。

在本部分中，我们将继续讨论人工智能模型。 即，我们研究无监督学习算法。 我们已经讨论了众多聚类算法之一。 在本文中，我将分享一种解决与降维相关问题的方法。

这是新订单系统的第一部分。 自从我们在文章中开始打造这个 EA 以来，它已经历了各种变化和改进，同时保持了相同的图表订单系统模型。

在上一篇文章中，我们为数据聚类创建了一个类。 在本文中，我想分享在解决实际交易任务时应用所获结果会遇到的可能变体。

我们继续研究聚类方法。 在本文中，我们将创建一个新的 CKmeans 类来实现最常见的聚类方法之一：k-均值。 在测试期间，该模型成功地识别了大约 500 种形态。

我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。

今天，我们将针对市场分析构建《时序与交易》系统的第二部分。 在前一篇文章《时序与交易（I）》当中，我们讨论了一种替代的图表组织系统，该系统能够针对市场上执行的成交进行最快速的解释。

今天，我们将创建时序与交易，从而快速解读订单流程。 这是我们构建系统的第一部分。 在下一篇文章中，我们将补全该系统缺失的信息。 为了实现这一新功能，我们需要在智能交易系统代码中添加一些新的内容。

在本文中，我们将创建一个交叉订单系统。 有一种类型的资产让交易员的生涯变得非常困难 — 那就是期货合约。 但为什么令他们的职业生涯变得如此困难？

在本文中，我们将把 Chart Trade 这个应用程序放置在浮动窗口当中。 在前一篇中，我们创建了一个基本系统，该系统支持在浮动窗口中使用模板。

实现新功能的最简单途径是什么？ 在本文中，我们将后撤一步，然后再前进两步。

这是目前最强力的指标之一。 任何满怀信心尝试交易的人都必须在他们的图表上拥有这个指标。 最常用的指标都是那些喜欢在交易时“读磁带”的人所采用。 此外，而该指标则是那些交易时仅依据价格动作的人会采用。

在我的前一篇文章中，我向您展示了如何利用 MetaTrader 5 对象创建图表交易，从而将平台转变为 RAD 系统。 该系统运行良好，可以肯定的是，许多读者也许已经考虑过创建一个函数库，令其能够在拟议的系统中扩展功能。 有基于此，就有可能开发一款更直观的智能交易系统，其界面更友好、更易于使用。

有很多人不知道如何编程，但他们很有创造力，亦有杰出的想法。 然而，由于缺乏编程知识，他们无法实现这些想法。 我们一起看看如何利用 MetaTrader 5 平台本身创建图表交易，就如同它是一个 IDE。

在本文中，我们将使用 WinHttp.dll 针对 MetaTrader 5 平台创建 WebSocket 客户端程序。 客户端最终将作为一个类实现，并借助 Binary.com 的 WebSocket API 进行测试。

本文在介绍了 MQL5 的一些基础知识之后，通过设计一个简单的算法交易系统，向初学者展示了如何运用 MQL 的基础知识设计他们的算法交易系统（智能交易系统）

在本文中，我们将研究购买智能交易系统时应该注意的一些要点。 我们还将寻求提升盈利的方法，从而明智地花钱，并从付出中获取盈利。 此外，读完本文之后，您会发现，即便使用简单免费的产品也有可能赚到钱。

运用特殊的数据类型“矩阵”和“向量”，可以创建非常贴合数学符号本意的代码。 运用这些方法，您可以避免创建嵌套循环，或在计算中分心记忆正确的数组索引。 因此，矩阵和向量方法的运用能为开发复杂程序提高可靠性和速度。

简述。 在本文中，我们将探索采用 MetraTrader 5 终端里以集成的 MQL5 编写 AutoIt 脚本。 在其中，我们将覆盖如何操纵终端的用户界面来自动完成各种任务，并介绍一个采用 AutoItX 库的类。

在交易中，止损是资金管理采用的主要工具。 有效利用止损、获利回吐和成交量可以使交易者在交易中更加一致，总体上更加有利可图。 尽管止损是一个极好的工具，但在运用中也会遇到一些挑战。 最主要的是止损猎杀（stop-loss hunt）。 本文展望如何降低交易中的猎杀，并与经典的止损用例进行比较，从而判定其盈利能力。

在上一篇文章中，我们开始研究旨在提高神经网络训练品质的方法。 在本文中，我们将继续这个主题，并会研讨另一种方法 — 批次数据常规化。

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”。

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。