有关 MQL5 编程和自动交易使用的文章
DoEasy 函数库中的图形（第七十四部分）：由 CCanvas 类提供强力支持的基本图形元素
在本文中，我将重修上一篇文章中构建的图形对象概念，并准备由标准库 CCanvas 类提供强力支持的函数库所有图形对象的基类。
DoEasy 库中的其他类（第六十九部分）：图表对象集合类
在本文里，我启动图表对象集合类的开发。 该类存储图表对象及其子窗口和指标的集合列表，从而提供操控任何选定图表及其子窗口的能力，亦或同时处理多个图表列表。
构建自动运行的 EA（第 07 部分）：账户类型（II）
今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 交易者应当始终明白自动 EA 正在做什么，以便若它“偏离轨道”，交易者可以尽早将其从图表中删除，并控制事态。
DoEasy 库中的其他类（第七十二部分）：跟踪并记录集合中的图表对象参数
在本文中，我将完成图表对象类及其集合的操控。 我还将实现图表属性及其窗口变化的自动跟踪，以及把新参数保存到对象属性。 如此修订允许在未来实现整个图表集合的事件功能。
开发多币种 EA 交易（第 3 部分）：架构修改
我们在开发多币种 EA 方面已经取得了一些进展，该 EA 有几个并行工作的策略。考虑到所积累的经验，让我们回顾一下我们解决方案的架构，并尝试在我们走得太远之前对其进行改进吧。
并行粒子群优化
本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。
神经网络变得轻松（第三十四部分）：全部参数化的分位数函数
我们继续研究分布式 Q-学习算法。 在之前的文章中，我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中，我们训练了给定数值范围的概率。 在第二种算法中，我们用给定的概率训练了范围。 在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。 在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。
数据科学与机器学习（第 06 部分）：梯度下降
梯度下降在训练神经网络和许多机器学习算法中起着重要作用。 它是一种快速而智能的算法，尽管它的工作令人印象深刻，但它仍然被许多数据科学家误解，我们来看看有关它的全部。
用于时间序列挖掘的数据标签（第 5 部分）：使用 Socket 在 EA 中进行应用和测试
本系列文章介绍了几种时间序列标注方法，可以创建符合大多数人工智能模型的数据，根据需求有针对性地进行数据标注，可以使训练出来的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！
神经网络变得轻松（第十九部分）：使用 MQL5 的关联规则
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。
学习如何基于柴金（Chaikin）振荡器设计交易系统
欢迎阅读我们系列的新篇章，学习如何基于最流行的技术指标设计交易系统。 通读这篇新文章，我们将学习如何基于柴金（Chaikin）振荡器指标设计交易系统。
数据科学与机器学习 — 神经网络（第 02 部分）：前馈神经网络架构设计
在我们透彻之前，还有一些涵盖前馈神经网络的次要事情，设计就是其中之一。 针对我们的输入，看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。
从头开始开发智能交易系统（第 21 部分）：新订单系统 (IV)
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。
您应该知道的 MQL5 向导技术（第 05 部分）：马尔可夫（Markov）链
马尔可夫（Markov）链是一个强大的数学工具，能够针对包括金融在内的各个领域的时间序列数据进行建模和预测。 在金融时间序列建模和预测中，马尔可夫链通常用于模拟金融资产随时间的演变，例如股票价格或汇率。 马尔可夫链模型的主要优点之一是其简单性和易用性。
神经网络变得轻松（第三十六部分）：关系强化学习
在上一篇文章中讨论的强化学习模型中，我们用到了卷积网络的各种变体，这些变体能够识别原始数据中的各种对象。 卷积网络的主要优点是能够识别对象，无关它们的位置。 与此同时，当物体存在各种变形和噪声时，卷积网络并不能始终表现良好。 这些是关系模型可以解决的问题。
数据科学和机器学习（第 04 部分）：预测当前股市崩盘
在本文中，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。
神经网络变得轻松（第四十三部分）：无需奖励函数精通技能
强化学习的问题在于需要定义奖励函数。 它可能很复杂，或难以形式化。 为了定解这个问题，我们正在探索一些基于行动和基于环境的方式，无需明确的奖励函数即可学习技能。
从头开始开发智能交易系统（第 19 部分）：新订单系统 (II)
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。
重新审视一种旧时的趋势交易策略：两个随机振荡指标，一个移动平均指标和斐波那契线
旧时的交易策略本文介绍了一种纯技术型的趋势跟踪策略。该策略纯粹是技术性的，使用一些技术指标和工具来传递信号和目标。该策略的组成部分如下：一个周期数为14的随机振荡指标，一个周期数为5的随机振荡指标，一个周期数为200的移动平均指标，一个斐波那契投影工具（用于设定目标）。
数据科学与机器学习（第 09 部分）：以 MQL5 平铺直叙 K-均值聚类
数据挖掘在数据科学家和交易者看来至关重要，因为很多时候，数据并非如我们想象的那么简单。 人类的肉眼无法理解数据集中的不显眼底层形态和关系，也许 K-means 算法可以帮助我们解决这个问题。 我们来发掘一下...
MQL5 简介（第 3 部分）：掌握 MQL5 的核心元素
在这篇便于初学者阅读的文章中，我们将为您揭开数组、自定义函数、预处理器和事件处理的神秘面纱，并对所有内容进行清晰讲解，让您可以轻松理解每一行代码，从而探索 MQL5 编程的基础知识。加入我们，用一种独特的方法释放 MQL5 的力量，确保每一步都能理解。本文为掌握 MQL5 奠定了基础，强调了对每行代码的解释，并提供了独特而丰富的学习体验。
神经网络实验（第 3 部分）：实际应用
在本系列文章中，我会采用实验和非标准方法来开发一个可盈利的交易系统，并检查神经网络是否对交易者有任何帮助。 若在交易中运用神经网络，MetaTrader 5 则可作为近乎自给自足的工具。
从头开始开发智能交易系统（第 24 部分）：提供系统健壮性（I）
在本文中，我们将令系统更加可靠，来确保健壮和安全的使用。 实现所需健壮性的途径之一是尝试尽可能多地重用代码，从而能在不同情况下不断对其进行测试。 但这只是其中一种方式。 另一个是采用 OOP。
DoEasy 库中的其他类（第六十七部分）：图表对象类
在本文中，我将创建图表对象类（单个交易金融产品图表），并改进 MQL5 信号对象的集合类，以便在更新列表时也能为存储在集合中的每个信号对象更新其所有参数。
利用 MQL5 的交互式 GUI 改进您的交易图表（第 III 部分）：简易可移动交易 GUI
加入我们的《利用 MQL5 的交互式 GUI 改进您的交易图表》系列的第 III 部分，我们将探索将交互式 GUI 集成到 MQL5 中的可移动交易仪表板之中。本文建立在第 I 部分和第 II 部分的基础上，指导读者将静态交易仪表板转换为动态、可移动的。
从头开始开发智能交易系统（第 16 部分）：访问 web 上的数据（II）
掌握如何从网络向智能交易系统输入数据并非那么轻而易举。 如果不了解 MetaTrader 5 提供的所有可能性，就很难做到这一点。
神经网络变得轻松（第三十九部分）：Go-Explore，一种不同的探索方式
我们继续在强化学习模型中研究环境。 在本文中，我们将见识到另一种算法 — Go-Explore，它允许您在模型训练阶段有效地探索环境。
您应该知道的 MQL5 向导技术（第 06 部分）：傅里叶（Fourier）变换
约瑟夫·傅里叶（Joseph Fourier）引入的傅里叶变换是将复杂的数据波分解构为简单分量波的一种方法。 此功能对交易者来说可能更机敏，本文将对此进行关注。
数据科学与机器学习（第 02 部分）：逻辑回归
数据分类对于算法交易者和程序员来说是至关重要的。 在本文中，我们将重点关注一种分类逻辑算法，它有帮于我们识别“确定或否定”、“上行或下行”、“做多或做空”。