有关 MQL5 编程和自动交易使用的文章
百年数学函数如何革新您的交易策略？
本文聚焦R德马赫（Rademacher）函数与沃尔什（Walsh）函数。探讨如何将这两类诞生于20世纪初的数学工具应用于金融时间序列分析，并揭示其在交易策略中的创新应用场景。
利用Python进行季节性过滤并为EA的ONNX深度学习模型选择时间周期
在利用Python构建深度学习模型时，我们能否从季节性因素中获益？为ONNX模型过滤数据是否有助于获得更好的结果？我们应该使用哪个时间周期？本文将全面探讨这些问题。
神经网络变得轻松（第五十五部分）：对比内在控制（CIC）
对比训练是一种无监督训练方法表象。它的目标是训练一个模型，突显数据集中的相似性和差异性。在本文中，我们将谈论使用对比训练方式来探索不同的扮演者技能。
开发多币种 EA 交易（第 20 部分）：整理自动项目优化阶段的输送机（一）
我们已经创建了不少有助于安排自动优化的组件。在创建过程中，我们遵循了传统的循环结构：从创建最小的工作代码到重构和获得改进的代码。是时候开始清理我们的数据库了，这也是我们正在创建的系统中的一个关键组件。
神经网络变得简单（第 94 部分）：优化输入序列
在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。
开发多币种 EA 交易（第 21 部分）：准备重要实验并优化代码
为了取得进一步的进展，最好看看我们是否可以通过定期重新运行自动优化并生成新的 EA 来改进结果。关于使用参数优化的许多争论中的绊脚石是，在将盈利能力和回撤保持在指定水平的同时，所获得的参数在未来一段时间内可用于交易的时间有多长。有可能做到这一点吗？
神经网络变得简单（第 69 部分）：基于密度的行为政策支持约束（SPOT）
在离线学习中，我们使用固定的数据集，这限制了环境多样性的覆盖范围。在学习过程中，我们的 Agent 能生成超出该数据集之外的动作。如果没有来自环境的反馈，我们如何判定针对该动作的估测是正确的？在训练数据集中维护 Agent 的政策成为确保训练可靠性的一个重要方面。这就是我们将在本文中讨论的内容。
在 MQL5 中创建交易管理员面板（第五部分）：双因素认证（2FA）
今天，我们将讨论如何增强当前正在开发的交易管理员面板的安全性。我们将探讨如何在新的安全策略中实施 MQL5，并将 Telegram API 集成到双因素认证（2FA）中。本次讨论将提供有关 MQL5 在加强安全措施方面的应用的宝贵见解。此外，我们还将研究 MathRand 函数，重点关注其功能以及如何在我们构建的安全框架中有效利用它。继续阅读以了解更多信息！
交易中的神经网络：使用小波变换和多任务注意力的模型
我们邀请您探索一个结合小波变换和多任务自注意力模型的框架，旨在提高波动市场条件下预测的响应能力、和准确性。小波变换可将资产回报分解为高频和低频，精心捕捉长期市场趋势、和短期波动。
使用MQL5经济日历进行交易（第六部分）：利用新闻事件分析和倒计时器实现交易入场自动化
在本文中，我们将借助MQL5经济日历实现交易入场自动化，具体方法是应用用户自定义的筛选条件和时差偏移量来识别符合条件的新闻事件。我们通过对比预测值和前值，来确定是开立买入（BUY）单还是卖出（SELL）订单。动态倒计时器会显示距离新闻发布剩余的时间，并且在完成一笔交易后自动重置。
您应当知道的 MQL5 向导技术（第 25 部分）：多时间帧测试和交易
默认情况下，由于组装类中使用了 MQL5 代码架构，故基于多时间帧策略，且由向导组装的智能系统无法进行测试。我们探索一种绕过该限制的方式，看看搭配二次移动平均线的情况下，研究运用多时间帧策略的可能性。
构建K线图趋势约束模型（第5部分）：通知系统（第二部分）
今天，我们将讨论如何使用MQL5与Python和Telegram Bot API相结合，为MetaTrader 5的指标通知集成一个实用的Telegram应用。我们将详细解释所有内容，确保每个人都不会错过任何要点。完成这个项目后，您将获得宝贵的见解，可以在自己的项目中加以应用。
使用MQL5经济日历进行交易（第五部分）：添加响应式控件和过滤按钮的增强型仪表盘
在本文中，我们创建了用于货币对过滤、重要性级别过滤、时间过滤以及取消选项的按钮，以改进仪表盘的控制功能。通过编程让这些按钮能够动态响应用户操作，实现无缝交互。我们还对其行为进行了自动化处理，以便在仪表盘上实时反映变化。这样就提升了面板的整体功能性、灵活性和响应速度。
您应当知道的 MQL5 向导技术（第 22 部分）：条件化生成式对抗网络（cGAN）
生成式对抗网络是一对神经网络，它们彼此相互训练，以便结果更精准。我们采用这些网络的条件化类型，作为我们正在寻找的可选项，应用于智能信号类之内预测金融时间序列。
交易中的神经网络：多智代自适应模型（终篇）
在上一篇文章中，我们讲述了多智代自适应框架 MASA，它结合了强化学习方法和自适应策略，在动荡的市场条件下提供了盈利能力、及风险之间的和谐平衡。我们已在该框架内构建了单个智代的功能。在本文中，我们继续我们已开始的工作，令其得出合乎逻辑的结论。
在MQL5中实现基于经济日历新闻事件的突破型智能交易系统（EA）
重大经济数据发布前后市场波动率通常显著上升，为突破交易策略提供了理想的环境。在本文中，我们将阐述基于经济日历的突破策略的实现过程。我们将全面覆盖从创建用于解析和存储日历数据的类，到利用这些数据开发符合实际的回测系统，最终实现实盘交易执行代码的完整流程。
交易中的神经网络：节点-自适应图形表征（NAFS）
我们邀请您领略 NAFS（节点-自适应特征平滑）方法，这是一种创建节点表征的非参数方法，不需要参数训练。NAFS 提取每个给定节点的邻域特征，然后把这些特征自适应组合，从而形成最终表征。
您应当知道的 MQL5 向导技术（第 10 部分）：非常规 RBM
限制性玻尔兹曼（Boltzmann）机处于基本等级，是一个两层神经网络，擅长通过降维进行无监督分类。我们取其基本原理，并检验如果我们重新设计和训练它，我们是否可以得到一个实用的信号滤波器。
构建K线趋势约束模型（第五部分）：通知系统（第三部分）
本系列文章的这一部分专门介绍如何将WhatsApp与MetaTrader 5集成以实现通知功能。我们包含一张流程图以简化理解，并将讨论在集成过程中安全措施的重要性。指标的主要目的是通过自动化的简化分析过程，并且它们应包含通知方法，以便在满足特定条件时向用户发出警报。欲了解更多信息，请阅读本文。
数据科学和机器学习（第 37 部分）：利用烛条形态和人工智能战胜市场
蜡条形态有助于交易者理解市场心理，并辨别金融市场趋势，令交易决策更加明智，从而带来更佳成果。在本文中，将探讨如何利用蜡条形态与 AI 模型，达成最优交易绩效。
您应当知道的 MQL5 向导技术（第 43 部分）：依据 SARSA 进行强化学习
SARSA 是 “State-Action-Reward-State-Action” 的缩写，是另一种能在实现强化学习时运用的算法。故此，正如我们在 Q-学习 和 DQN 中看到的那样，我们考察了如何在向导汇编的智能系统中探索和实现它，将其作为独立模型，而不仅仅是一种训练机制。
神经网络变得简单（第 63 部分）：决策转换器无监督预训练（PDT）
我们将继续讨论决策转换器方法系列。从上一篇文章中，我们已经注意到，训练这些方法架构下的转换器是一项相当复杂的任务，需要一个大型标记数据集进行训练。在本文中，我们将观看到一种使用未标记轨迹进行初步模型训练的算法。
数据科学和机器学习（第 21 部分）：解锁神经网络，优化算法揭秘
深入神经网络的心脏，我们将揭秘神经网络内部所用的优化算法。在本文中，探索解锁神经网络全部潜力的关键技术，把您的模型准确性和效率推向新的高度。
您应当知道的 MQL5 向导技术（第 32 部分）：正则化
正则化是一种在贯穿神经网络各层应用离散权重，按比例惩罚损失函数的形式。我们来考察其重要性，对于一些不同的正则化形式，能够在配合向导组装的智能系统运行测试。
交易中的神经网络：使用小波变换和多任务注意力的模型（终篇）
在上一篇文章中，我们探索了理论基础，并开始实现多任务-Stockformer 框架的方式，其结合了小波变换和自注意力多任务模型。我们继续实现该框架的算法，并评估其在真实历史数据上的有效性。
开发多币种 EA 交易 (第 13 部分):自动化第二阶段 — 分组选择
我们已经实现了自动化优化的第一阶段。我们根据若干标准对不同的交易品种和时间框架进行优化，并将每次通过的结果信息存储在数据库中。现在我们将从第一阶段找到的参数集中选择最佳组。
神经网络变得简单（第 77 部分）：交叉协方差变换器（XCiT）
在我们的模型中，我们经常使用各种关注度算法。而且，可能我们最常使用变换器。它们的主要缺点是资源需求。在本文中，我们将研究一种新算法，它可以帮助降低计算成本，而不会降低品质。
探索达瓦斯箱体突破策略中的高级机器学习技术
达瓦斯箱体突破策略由尼古拉斯·达瓦斯（Nicolas Darvas）提出，是一种技术交易方法：当股价突破预设的"箱体"区间上沿时，视为潜在买入信号，表明强劲的上升动能。本文将以该策略为例，探讨三种高级机器学习技术的应用。其中包括：利用机器学习模型直接生成交易信号（而非仅过滤交易）；采用连续型信号（而非离散型信号）；使用基于不同时间框架训练的模型进行交易验证。