有关 MQL5 编程和自动交易使用的文章
神经网络变得轻松（第五十二部分）：研究乐观情绪和分布校正
由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。
MQL5交易策略自动化（第十二部分）：实现缓解型订单块（MOB）策略
在本文中，我们将构建一个MQL5交易系统，可针对“聪明资金”（Smart Money）交易自动检测订单块。我们将阐述该策略的规则，在MQL5中实现其逻辑，并融入风险管理以实现有效的交易执行。最后，我们将对该系统进行回测，以评估其表现，并对其进行优化以获得最优结果。
MQL5 中的交易策略自动化（第十五部分）：可视化价格行为的谐波形态模式
本文探讨了在 MQL5 中实现谐波形态的自动化，详细介绍了如何在 MetaTrader 5 图表上对其进行检测和可视化。我们将实现一个EA，用于识别摆动点，验证基于斐波那契比率的形态，并通过清晰的图形标注执行交易。文章最后还提供了关于回测和优化程序的指导，以助力有效的交易。
Python、ONNX 和 MetaTrader 5：利用 RobustScaler 和 PolynomialFeatures 数据预处理创建 RandomForest 模型
在本文中，我们将用 Python 创建一个随机森林（random forest）模型，训练该模型，并将其保存为带有数据预处理功能的 ONNX 管道。之后，我们将在 MetaTrader 5 终端中使用该模型。
神经网络变得轻松（第五十四部分）：利用随机编码器（RE3）进行高效研究
无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。
MQL5 中的范畴论 (第 4 部分)：跨度、实验、及合成
范畴论是数学的一个多样化和不断扩展的分支，到目前为止，在 MQL5 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念，其总体目标是建立一个开放的函数库，提供洞察力，同时希望在交易者的策略开发中进一步运用这一非凡的领域。
您应当知道的 MQL5 向导技术（第 17 部分）：多币种交易
当经由向导组装一款智能系统时，默认情况下，跨多币种交易不可用。我们研究了 2 种可能采取的技巧，可令交易者在同一时间据多个品种测试他们的思路。
神经网络变得轻松（第二十八部分）：政策梯度算法
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。
神经网络变得简单（第 62 部分）：在层次化模型中运用决策转换器
在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。
创建 MQL5-Telegram 集成 EA 交易（第 5 部分）：从 Telegram 向 MQL5 发送命令并接收实时响应
在本文中，我们创建了几个类来促进 MQL5 和 Telegram 之间的实时通信。我们专注于从 Telegram 获取命令，解码和解释它们，并发送适当的响应。最后，我们确保这些交互在交易环境中得到有效测试和运行。
软件开发和 MQL5 中的设计模式（第 2 部分）：结构模式
在了解了设计模式适用于 MQL5 和其他编程语言，并且对于开发人员开发可扩展、可靠的应用程序有多么重要之后，我们将在本文中继续介绍设计模式。我们将学习另一种类型的设计模式，即结构模式，了解如何利用我们所拥有的类组成更大的结构来设计系统。
基于MQL5的自动化交易策略（第一部分）：Profitunity系统（比尔·威廉姆斯的《交易混沌》）
在本文中，我们研究了比尔·威廉姆斯（Bill Williams）的Profitunity系统，深入剖析其核心组成部分以及在混沌市场中独特的交易方法。我们指导读者在MQL5中实现该系统，专注于自动化关键指标和入场/出场信号。最后，我们对策略进行测试和优化，提供其在不同市场环境下的表现。
MQL5 中的范畴论 (第 8 部分)：幺半群（Monoids）
本文是以 MQL5 实现范畴论系列的延续。 本期，我们引入幺半群作为域（集合），通过包含规则和幺元，将范畴论自其它数据分类方法分离开来。
神经网络变得简单（第 64 部分）：保守加权行为克隆（CWBC）方法
据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。
时间序列挖掘的数据标签（第3部分）：使用标签数据的示例
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！
MQL5 简介（第 6 部分）：MQL5 中的数组函数新手指南 (二)
开始我们 MQL5 旅程的下一阶段。在这篇深入浅出、适合初学者的文章中，我们将探讨其余的数组函数，揭开复杂概念的神秘面纱，让您能够制定高效的交易策略。我们将讨论 ArrayPrint、ArrayInsert、ArraySize、ArrayRange、ArrarRemove、ArraySwap、ArrayReverse 和 ArraySort。利用这些基本的数组函数，提升您的算法交易专业知识。加入我们的精通 MQL5 之路吧！
神经网络变得简单（第 68 部分）：离线优先引导政策优化
自从第一篇专门讨论强化学习的文章以来，我们以某种方式触及了 2 个问题：探索环境和检定奖励函数。最近的文章曾专门讨论了离线学习中的探索问题。在本文中，我想向您介绍一种算法，其作者完全剔除了奖励函数。
创建 MQL5-Telegram 集成 EA 交易 (第二部分):从 MQL5 发送信号到 Telegram
在本文中，我们创建了一个 MQL5-Telegram 集成 EA 交易，将移动平均线交叉信号发送到 Telegram。我们详细介绍了从移动平均线交叉生成交易信号的过程，在 MQL5 中实现必要的代码，并确保集成无缝工作。结果是系统可以直接向您的 Telegram 群聊提供实时交易提醒。
开发多币种 EA 交易（第 17 部分）：为真实交易做进一步准备
目前，我们的 EA 使用数据库来获取交易策略单个实例的初始化字符串。然而，这个数据库相当大，包含许多实际 EA 操作不需要的信息。让我们尝试在不强制连接到数据库的情况下确保 EA 的功能。
在MQL5中自动化交易策略（第5部分）：开发自适应交叉RSI交易套件策略
在本文中，我们开发了自适应交叉RSI交易套件系统。该系统使用周期为14和50的移动平均线交叉来产生信号，并由一个周期为14的RSI过滤器进行确认。该系统包含一个交易日过滤器、带注释的信号箭头，以及一个用于监控的实时仪表盘。
这种方法确保了自动化交易中的精确性和适应性。
如何利用 MQL5 创建简单的多币种智能交易系统（第 3 部分）：添加交易品种、前缀和/或后缀、以及交易时段
若干交易员同事发送电子邮件或评论了如何基于经纪商提供的名称里带有前缀和/或后缀的品种使用此多币种 EA，以及如何在该多币种 EA 上实现交易时区或交易时段。
神经网络变得简单（第 90 部分）：时间序列的频率插值（FITS）
通过研究 FEDformer 方法，我们打开了时间序列频域表述的大门。在这篇新文章中，我们将继续一开始的主题。我们将研究一种方法，据其我们不仅能进行分析，还可以预测特定区域的后续状态。
神经网络变得简单（第 71 部分）：目标条件预测编码（GCPC）
在之前的文章中，我们讨论了决策转换器方法，以及从其衍生的若干种算法。我们测验了不同的目标设定方法。在测验期间，我们依据各种设定目标的方式进行操作。然而，该模型早期研究时验算过的轨迹，始终处于我们的关注范围之外。在这篇文章中。我想向您介绍一种填补此空白的方法。
DoEasy 函数库中的时间序列（第五十八部分）：指标缓冲区数据的时间序列
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。
如何利用 MQL5 创建简单的多币种智能交易系统（第 4 部分）：三角移动平均线 — 指标信号
本文中的多币种 EA 是智能交易系统或交易机器人，能从一个品种的图表里交易（开单、平单、及管理订单，例如：尾随止损和止盈）多个品种（货币对）。这次我们只会用到 1 个指标，即多时间帧或单一时间帧中的三角移动平均线。
神经网络变得简单（第 61 部分）：离线强化学习中的乐观情绪问题
在离线学习期间，我们基于训练样本数据优化了智能体的政策。成品政策令智能体对其动作充满信心。然而，这种乐观情绪并不总是正当的，并且可能会在模型操作期间导致风险增加。今天，我们要寻找降低这些风险的方法之一。
因果推理中的倾向性评分
本文探讨因果推理中的匹配问题。匹配用于比较数据集中的类似观察结果，这对于正确确定因果关系和消除偏见是必要的。作者解释了这如何有助于构建基于机器学习的交易系统，这些系统在没有经过训练的新数据上变得更加稳定。倾向性评分在因果推理中起着核心作用并被广泛应用。
神经网络变得轻松（第四十八部分）：降低 Q-函数高估的方法
在上一篇文章中，我们概述了 DDPG 方法，它允许在连续动作空间中训练模型。然而，与其它 Q-学习方法一样，DDPG 容易高估 Q-函数的数值。这个问题往往会造成训练代理者时选择次优策略。在本文中，我们将研究一些克服上述问题的方式。
价格行为分析工具包开发（第六部分）：均值回归信号捕捉器
有些概念乍一看似乎简单明了，但在实际操作中的实现却颇具挑战。在接下来的文章中，将带您了解我们创新性地自动化一款运用均值回归策略分析市场的智能交易系统（EA）的方法。与我们一同揭开这一激动人心的自动化过程的神秘面纱吧。
开发多币种 EA 交易（第 6 部分）：自动选择实例组
在优化交易策略后，我们会收到一组参数。我们可以使用它们在一个 EA 中创建多个交易策略实例。以前，我们都是手动操作。在此，我们将尝试自动完成这一过程。
构建和测试 Aroon 交易系统
在本文中，我们将学习在了解了 Aroon 指标（阿隆指标）的基础知识和基于该指标构建交易系统的必要步骤之后，如何构建 Aroon 交易系统。建立这个交易系统后，我们将对其进行测试，看看它是否能盈利，还是需要进一步优化。
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（四） —— 测试交易策略
随着当今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，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。