有关 MQL5 编程和自动交易使用的文章

从本文开始，着手创建操控价格数据的函数库功能。 今天，创建一个对象类，存储到达的即时报价的全部价格数据。

在本系列文章中，我们已经不止一次提到了迁移学习。 然而，都只是提及而已。 在本文中，我建议填补这一空白，并仔细研究迁移学习。

本文研究在 EA 中创建自定义指标对象。 我们稍微改进一下库类，并添加一些方法，以便从 EA 中的指标对象获取数据。

这些系列文章所提议的是，MQL5 向导应作为交易员的支柱。 为什么呢？ 因为交易员不仅可以利用 MQL5 向导装配他的新想法来节省时间，还可以大大减少重复编码带来的错误；他最终可把精力投向自我交易哲学中的几个关键领域。

在上一篇文章中，我们讨论了在其架构中使用关注度机制的关系模型。 这些模型的具体特征之一是计算资源的密集功用。 在本文中，我们将研究于自我关注度模块内减少计算操作数量的机制之一。 这将提高模型的常规性能。

在本文中，我们将研究创建多交易品种、多周期指标的原则。我们还将了解如何从 EA 交易和其他指标中获取此类指标的数据。我们将探讨在 EA 交易和指标中使用多指标的主要功能，并将了解如何通过自定义指标缓冲区绘制它们。

在本文中，我们尝试通过只关注一个指标来简化对这些系列中所涵盖概念的说明，这是最常见的，可能也是最容易理解的。它就是移动平均。在这样做的时候，我们会探讨垂直自然变换的意义和可能的应用。

关于操控时间序列的主题总结，诸如组织存储、针对存储在指标缓冲区中的数据进行搜索和分类，如此即可在程序里利用函数库创建指标值，并进一步据其执行分析。 函数库的所有集合类的一般概念，能够轻松地在相应的集合中找到必要的数据。 在今天创建的类中，也可分别完成同样功能。

我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。

本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后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！

在本文中，我们扩展了代理者的任务范围。训练过程将包括一些资金和风险管理等方面，这是任何交易策略不可或缺的部分。

作为开发人员，我们需要学习如何在创建和开发软件时，无需重复代码做到可重用、且灵活，尤其是当我们拥有不同行为的不同对象时。这可以利用面向对象的编程技术和原则来顺滑地达到。在本文中，我们将介绍 MQL5 面向对象编程的基础知识，以便了解如何在我们的软件中利用这一关键主题的原则和实践。

函数在任何编程语言中都是至关重要的东西，它有助于开发人员应用（DRY）的概念，这意味着不要重复自己，还有许多其他好处。在本文中，您将找到更多关于函数的信息，以及我们如何使用简单的应用程序在MQL5中创建自己的函数，这些应用程序可以在任何系统中使用或调用。您必须在不使事情复杂化的情况下丰富您的交易系统。

本文汇报为 MQL5 开发原生 MQTT 客户端的首次尝试。MQTT 是一种客户端-服务器之间发布/订阅消息的传输协议。它轻巧、开放、简单，并且易于实施。这些特性令其非常适合在多种情况下使用。