有关 MQL5 编程和自动交易使用的文章
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...
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。
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。
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”。
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。
使用MQL5开发基于震荡区间突破策略的EA
本文概述了如何创建一个基于价格突破震荡区间进行交易的EA。通过识别震荡区间并设定突破水平，交易者可以基于这一策略自动化其交易决策。该EA旨在为交易者提供明确的入场和出场点，同时避免虚假突破。
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。
使用Python和MQL5进行交易策略的自动参数优化
有多种用于交易策略和参数自我优化的算法。这些算法基于历史和当前市场数据自动改进交易策略。在本文中，我们将通过Python和MQL5的示例来探讨其中一种算法。
神经网络变得轻松（第十五部分）：利用 MQL5 进行数据聚类
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。
使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX，以及 GRU 与 LSTM 模型的比较
我们将指导您完成使用 Python 进行 DL 制作 GRU ONNX 模型的整个过程，最终创建一个用于交易的专家顾问 (EA)，然后将 GRU 模型与 LSTM 模型进行比较。
将您自己的LLM集成到EA中（第1部分）：硬件和环境部署
随着人工智能的快速发展，大型语言模型（LLM）成为人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
将您自己的LLM集成到EA中（第2部分）：环境部署示例
随着人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
时间序列挖掘的数据标签（第1部分）：通过EA操作图制作具有趋势标记的数据集
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！
数据科学与机器学习（第 03 部分）：矩阵回归
这一次，我们的模型是由矩阵构建的，它更具灵活性，同时它允许我们构建更强大的模型，不仅可以处理五个独立变量，但凡我们保持在计算机的计算极限之内，它还可以处理更多变量，这篇文章肯定会是一篇阅读起来很有趣的文章。
神经网络变得轻松（第十八部分）：关联规则
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。
神经网络变得轻松（第二十四部分）：改进迁移学习工具
在上一篇文章中，我们创建了一款用于创建和编辑神经网络架构的工具。 今天我们将继续打造这款工具。 我们将努力令其对用户更加友好。 也许可以看到，我们的主题往上更进一步。 但是，您不认为规划良好的工作空间在实现结果方面起着重要作用吗？
时间序列挖掘的数据标签（第2部分）：使用Python制作带有趋势标记的数据集
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！
从头开始开发智能交易系统（第 29 部分）：谈话平台
在本文中，我们将学习如何让 MetaTrader 5 平台谈话。 我们如何才能让 EA 更有趣呢？ 金融市场交易往往过于无聊和单调，但我们能够令这项工作少些无趣。 请注意，对于那些经历过上瘾等问题的人来说，这个项目可能是危险的。 然而，在一般情况下，它只会让事情聊胜于无。
神经网络变得轻松（第四十六部分）：条件导向目标强化学习（GCRL）
在本文中，我们要看看另一种强化学习方式。 它被称为条件导向目标强化学习（GCRL）。 按这种方式，代理者经过训练，可以在特定场景中达成不同的目标。
利用 MQL5 的交互式 GUI 改进您的交易图表（第一部分）：可移动 GUI（I）
凭借我们的利用 MQL5 创建可移动 GUI 的综合指南，令您的交易策略或实用程序焕发出呈现动态数据的力量。 深入了解图表事件的核心概念，并学习如何在同一图表上设计和实现简单、多个可移动的 GUI。 本文还探讨了往 GUI 上添加元素的过程，从而增强其功能和美观性。
神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法
在本系列的前几篇文章中，我们见识到两种增强的学习算法。 它们中的每一个都有自己的优点和缺点。 正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。 这将弥补它们每种的短处。 本文将讨论其中一种方法。
DoEasy 函数库中的时间序列（第五十七部分）：指标缓冲区数据对象
在本文中，开发一个对象，其中包含一个指标的一个缓冲区的所有数据。 这些对象对于存储指标缓冲区的数据序列将是必需的。 在其的辅助下，才有可能对任何指标的缓冲区数据，以及其他类似数据进行排序和比较。
数据科学和机器学习（第 14 部分）：运用 Kohonen 映射在市场中寻找出路
您是否正在寻找一种可以帮助您驾驭复杂且不断变化的市场的尖端交易方法？ Kohonen 映射是一种创新的人工神经网络形式，可以帮助您发现市场数据中隐藏的形态和趋势。 在本文中，我们将探讨 Kohonen 映射的工作原理，以及如何运用它们来开发更智能、更有效的交易策略。 无论您是经验丰富的交易者，还是刚刚起步，您都不想错过这种令人兴奋的新交易方式。
开发多币种 EA 交易（第 2 部分）：过渡到交易策略的虚拟仓位
让我们继续开发多币种 EA，让多个策略并行工作。让我们尝试将与市场开仓相关的所有工作从策略级转移到管理策略的 EA 级。这些策略本身只进行虚拟交易，并不建立市场仓位。
您需要了解的有关MQL5程序结构的所有信息
使用任何编程语言的任何程序都有特定的结构。在本文中，您将通过了解MQL5程序结构每个部分的编程基础知识来学习MQL5计划结构的重要部分，这些基础知识在创建可在MetaTrader 5中执行的MQL5交易系统或交易工具时非常有用。
学习如何基于加速（Accelerator）振荡器设计交易系统
我们系列中的一篇新文章，介绍如何通过最流行的技术指标创建简单的交易系统。 我们将学习一个新的加速（Accelerator）振荡器指标，我们将学习如何利用它来设计交易系统。