有关 MQL5 编程和自动交易使用的文章

在本文中，我们将领略一种算法，其使用封闭式政策改进运算器来优化离线模式下的智能体动作。

蒙特卡洛是我们正在研究的第四种不同的强化学习算法，目的是探索它在向导汇编智能交易系统中的实现。尽管它锚定在随机抽样，但它提供了我们可以利用的多种模拟方法。

在开始开发多币种 EA 后，我们已经取得了一些成果，并成功地进行了多次代码改进迭代。但是，我们的 EA 无法处理挂单，也无法在终端重启后恢复运行。让我们添加这些功能。

我们已经不止一次地讨论过正确选择奖励函数的重要性，我们通过为单独动作添加奖励或惩罚来刺激代理者的预期行为。但是关于由代理者解密我们的信号的问题仍旧悬而未决。在本文中，我们将探讨将单独信号传输至已训练代理者时的奖励分解。

你知道吗？与预测交易标的的基础价格相比，我们预测某些技术指标时能获得更高的准确性。加入我们，一起探索如何利用这一想法来制定更好的交易策略。

在上一篇文章中，我们实现了软性扮演者-评论者算法，但未能训练出一个可盈利的模型。在此，我们将优化先前创建的模型，以期获得所需的结果。

攻击角度是一个经常被引用的指标，其陡峭程度被认为与当前趋势的强度密切相关。让我们来看一下通常如何使用和理解该指标，并探讨在测量时是否可以做出一些改变，以优化那些将其纳入交易系统的应用效果。

我们将分析什么是定量分析，以及主要参与者如何运用定量分析的问题。我们将用 MQL5 语言创建一种定量分析算法。

本文中的多货币智能系统是利用之字折线（ZigZag）指标的自动交易系统，该指标依据动量振荡器过滤、或彼此过滤信号。

当我们逐渐接近获得一个现成的 EA 时，我们需要注意在测试交易策略阶段看似次要的问题，但在转向真实交易时变得重要。

最近两篇文章专门介绍了决策转换器方法，其在期望奖励的自回归模型境况下针对动作序列进行建模。在本文中，我们将研究该方法的另一种优化算法。

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。

RSI 是一款流行的动量震荡指标，衡量证券近期价格变化的速度和规模，从而评估证券价格中被高估和低估的情况。这些对速度和幅度的洞察是定义反转点的关键。我们将这个振荡器放入另一个自定义信号类中工作，并验证其信号的一些特征。不过，我们先从总结我们之前在布林带的内容开始。

理解个体在众多不同领域的行为很重要，但大多数方法只专注其中一项任务（理解、噪声消除、或预测），这会降低它们在现实中的有效性。在本文中，我们将领略一个可以适配解决各种问题的模型。

在上一篇文章中，我们领略了决策变换器。但是，外汇市场复杂的随机环境不允许我们充分发挥所提议方法的潜能。在本文中，我将讲述一种算法，旨在提高在随机环境中的性能。

了解如何使用 RSI、MA 和随机震荡指标等多种指标在 MQL5 中开发 EA 交易来检测隐藏的看涨和看跌背离。学习实施有效的风险管理并通过详细的示例和完整注释的源代码实现交易自动化，以达到教育目的！

轻量级时间序列预测模型使用最少的参数数量实现高性能。这反过来减少了计算资源的消耗并加快了决策速度。尽管是轻量级的，这些模型实现了与更复杂模型相当的预测质量。

在第四篇中，我们重新审视了之前开发的“简单对冲”和“简单网格”智能系统（EA）。我们的专注点转移到通过数学分析和暴力方式完善简单网格 EA，旨在优化策略用法。本文深入策略的数学优化，为在以后文章中探索未来基于编码的优化奠定了基础。

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。

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。

在本文中，我们在 MQL5 中创建一个 EA 交易，以使用机器人向 Telegram 发送消息。我们设置必要的参数，包括机器人的 API 令牌和聊天 ID，然后通过执行 HTTP POST 请求来传递消息。之后，我们将处理响应以确保成功传达，并排除故障时出现的任何问题。这确保我们能够通过创建的机器人将消息从 MQL5 发送到 Telegram。

有一些方法可以用来解决许多重复性的问题。一旦明白如何运用这些方法，就可助您有效地创建软件，并贯彻 DRY（不要重复自己）的概念。在这种境况下，设计范式的主题就非常好用，因为它们为恰当描述过，且重复的问题提供了解决方案。

到目前为止，我们已经探讨了仅在标准策略测试器中启动顺序程序以优化 EA 的自动化。但是，如果我们想在两次启动之间使用其他方法对获得的数据进行一些处理呢？我们将尝试添加创建由用 Python 编写的程序执行的新优化阶段的功能。

交易者常常因虚假信号而面临资金回撤，而等待确认信号又可能导致错失交易机会。本文介绍了一种三角交易策略，该策略利用白银兑美元（XAGUSD）和白银兑欧元（XAGEUR）的价格，以及欧元兑美元（EURUSD）的汇率，来过滤市场噪音。通过利用跨市场关系，交易者可以揭示隐藏的市场情绪，并实时优化交易入场点。

本文继续探讨预测即将到来的价格走势的主题。我邀请您领略多未来变换器架构。其主要思路是把未来的多模态分布分解为若干个单模态分布，这样就可以有效地模拟场景中个体之间互动的各种模态。

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。

大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。

强化学习中的环境研究是一个紧迫的问题。我们之前已视察过一些方式。在本文中，我们将讲述另一种基于最大化核范数的方法。它允许智能体识别拥有高度新颖性和多样性的环境状态。

在本文中，我们将创建一个基于日波动区间突破策略的 MQL5 EA。我们阐述该策略的关键概念，设计EA框架蓝图，并在 MQL5 语言中实现突破策略逻辑。最后，我们将探讨用于回测和优化EA的技术，以最大限度地提高其有效性。

在人工智能飞速发展的今天，大语言模型（LLM）是人工智能的重要组成部分，所以我们应该思考如何将强大的 LLM 融入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。

本文提出了使用机器学习创建 EA 交易的方法。