有关 MQL5 编程和自动交易使用的文章

本文针对各种指标的常规背离及其成效进行了严格查验。 此外，它还包含用于提升分析准确性的过滤选项，并提供非标准解决方案的功能描述。 结果就是，我们将创建一个解决技术任务的新工具。

本文将要讨论为跨平台专家交易系统创建的订单管理器。订单管理器负责由专家系统建立的订单或仓位的入场和离场, 以及为所有两个版本保留这些交易的可用独立记录。

您想试试不用浪费时间来编程的交易策略吗？利用 MQL5 向导，您只需要选择交易信号的类型，添加追踪仓位和资金管理模块，您的工作就完成了！创建自己的模块实现，或是通过“任务”服务订购 - 再将您的新模块合并到现有模块。

MQL5.community 应用商店为 EA 交易开发人员提供了一个由成千上万潜在客户构成的、已经成型的市场。这里是销售交易机器人和技术指标的最佳去处！

本文基于拉尔夫·文斯 (Ralph Vince) 的 "资金管理中的数学"。 它所提供的经验和参数方法描述, 可用于查询交易手数的最优规模。 本文还介绍了基于这些方法实现 MQL5 向导的交易模块。

在这篇文章中，我们将会学习反向马丁格尔技术，并且将会了解是否值得使用它，以及它是否有助于提高您的交易策略。我们将会创建一个 EA 交易来在历史数据上运行， 检查哪个指标是最适合于反向交易技术的 。我们还将验证是否可以不使用任何指标，以独立的交易系统来使用它。另外，我们还将验证反向交易是否可以把一个亏损系统转变为盈利的系统。

本文阐述的是，在编写"EA 交易"的过程中，如何使用 MQL5 标准库交易类的主要功能，实现更改仓位与平仓、挂单的下达与删除，以及交易进行之前的预付款验证。我们还会演示可以如何使用交易类来获取订单与交易详情。

MQL5 自由职业者是一项在线服务，开发人员可以通过这项服务为交易员客户创建交易应用程序而获得收入。该服务自 2010 年起成功运营，迄今已完成超过 10 万个项目，总价值达 700 万美元。我们可以看到，这里涉及到大量资金。

本文旨在创建最简单的交易策略，实施"要么赢走全部，要么输个精光"的游戏原则。我们不想创建一个能盈利的 EA 交易- 目标是通过最大可能概率让初始存款增加几倍。在不知道任何技术分析或不使用任何指标的情况下是否有可能在 ForEx 市场中赢走全部或输个精光？

本文讲述的是利用 MQL5 向导和 Hlaiman EA 生成器自动创建神经网络 EA 的一种方法。向您展示如何轻松开始神经网络的使用，且无需学习整体的理论知识，也不必编写自己的代码。

把指标代码移动到 EA 交易中可能有多种原因，怎样评估这种方法的优缺点呢?本文描述了在 EA 交易中实现指标代码，还进行了几个实验来评估 EA 交易运行的速度。

本系列文章继续探索深度神经网络 (DNN) 在众多应用领域 (包括交易) 中的运用。在此会探索本主题的新维度, 同时使用实际的实验测试新的方法和思路。本系列的第一篇文章致力于为 DNN 准备数据。

我们继续构建融合。 这次，之前创建的融合袋将辅以可训练的合并器 — 深度神经网络。 一个神经网络在修剪后合并了 7 个最佳融合输出。 第二个将融合的所有 500 个输出作为输入，修剪并合并它们。 神经网络将使用 Python 的 keras/TensorFlow 软件包构建。 该软件包的功能也会简要介绍。 还会进行测试并比较装型融合和堆叠融合的分类品质。

在本文中，我们将尝试开发尽可能最好的基于网格的 EA 交易。像往常一样，这将是一个跨平台的EA，能够与 MetaTrader 4 和 MetaTrader 5一起工作。第一个 EA 已经足够好了，只是它在很长一段时间内不能盈利。第二个EA在几年之内可能有效,不幸的是，在最大回撤低于50%的条件下, 它每年无法产生超过50%的利润。

我将对基于 Stanislav Chuvashov 理念的机械交易系统进行概述并提供程序代码。 三角形建基于上分形和下分形产生的两条趋势线的交叉。

使用 bagging 的随机森林(Random Forest, RF) 是最强大的机器学习方法之一， 它略微弱于梯度 boosting，这篇文章尝试开发了一个自我学习的交易系统，它会根据与市场的交互经验来做出决策。

有句俗话说的好：从来不犯错误的人将一事无成。这一点应该无法反驳，除非你认为闲着什么都不做也是一种错误。但是俗话说吃一堑长一智，你可以通过分析过去的错误（包括你自己的和他人的）来减少你将来可能会犯的错误。让我们来试着看看我们工作中可能会遇到的一些情景吧，这里所说的工作指的是站内的“工作”服务项目。

本文将研究 darch 软件包的新功能 (v.0.12.0)。它包含具有不同数据类型, 不同结构和训练顺序的深度神经网络训练的描述。培训结果也包括在内。

在本文中，我们将学习如何创建在 MetaTrader 4 和 MetaTrader 5 中都能工作的 EA 交易。为此，我们将开发一个 EA 构建的订单网格,网格是指将多个限价订单置于当前价格之上，同时将相同数量的限价订单置于当前价格之下的 EA 交易。

本文描述了基于吞噬模式创建MetaTrader 4 EA 交易的过程, 以及模式识别的原则, 还有设置挂单和止损单的规则. 同时提供了测试和优化的结果用以参考.

与图形模式相关的交易策略自动化需要能够在图表中搜索极值点以备进一步处理和解释，现有的工具并不能一直提供这种功能。本文中描述的方法可以在图表上找到极值点，这里讨论的工具在有趋势和平盘市场上都一样有效，取得的结果不会被所选时段很大影响，也不会只针对特定的缩放尺度。

本文旨在研究带有不同的交易进入和采用跟踪止损的退出的算法盈利能力。待用的条目类型为随机进场与反向进场交易。止损订单用于跟踪止损与跟踪止盈。本文讲述的是年盈利能力约达30%的赚钱算法。

本文探讨运用经验分解模式（EMD）预测时间序列的理论和实际应用。 它提议以 MQL 实现此方法，并出示了测试指标和智能交易系统。

本文提出了一种技术, 通过汇集一套独立的指标, 以及开发定制的入场信号, 帮助每个人创建定制的交易策略。

本文研究建立高效交易的推荐制系统的思想和方法, 结合了贝叶斯定理基础之上的重要机器学习方法, 以及奇异频谱分析 (SSA) 的预测能力。

任何产品在市场发布之前，它必须通过强制的预先检验，以确保符合统一的质量标准。本文介绍了开发者们在他们的技术指标和交易机器人中最常犯下的错误，并且也展示了在把产品发送到市场之前如何进行自我测试。

本文描述了比尔威廉姆交易系统的规则，开发一个在图表上搜索和标记该系统模式的MQL5应用程序模块，根据找到的模式进行交易，并且也展示了在各种交易品种上的测试结果。

本文详细描述了由 Thomas DeMark 发现的 TD 点和 TD 线。揭示了它们的实际实现。除此之外, 还展示了使用 Thomas DeMark 的概念编写三款指标, 两款智能交易程序的过程。

交易者的生活中会出现不同的状况。经常地, 成功交易的历史令我们能够复现策略, 而查看亏损历史, 让我们尝试开发和改进新的策略。在这两种情况下, 我们要将交易与已知指标进行比较。本文推荐了一批拿交易与数个指标进行比较的方法。

尽管很多交易者还是倾向于人工交易，但是很难完全避免一些重复性操作的自动化。这篇文章展示了一个实例，为人工交易开发一个多交易品种信号的 EA 交易。

本文交流的是基于支持向量法，预测时间序列算法的理论和实际应用。 它还提议采用 MQL 来实现，并提供了测试指标和智能交易系统。 该技术尚未在 MQL 中实现。 但是首先，我们必须了解相关的数学知识。

本文中，我想举一个例子说明交易者的程序会是什么样子，以及如果从头到始学习 MQL5，9 个月内能达到什么程度。这个例子还会显示出对于一个交易者而言，这样一种程序在占用价格图表最小空间的同时，其功能多样性与信息翔实性如何。而且，我们也会看出，可以通过何种方式，得到颜色多样、清晰明快且对于用户而言直观明确的交易信息面板。以及许许多多的其它功能...

本文描述了基于内含柱交易策略开发MetaTrader 4 EA交易, 其中包含了内含柱侦测原则, 以及挂单和止损单的设置规则. 同时也提供了测试和优化的结果.

本文主要介绍 CExpertAdvisor 和 CExpertAdvisors 类, 它们是本系列文章中所述跨平台智能交易系统里用到的所有组件的容器。

在本文中, 我们将分析 NRTR 指标, 并基于此指标创建一个交易系统。我们将会开发一个交易信号模块, 此模块可用来创建基于 NRTR 与附加趋势确认指标相结合的策略。

本文展示了使用图形创建一个用于管理交易的方便界面的可行性.

在金融市场上进行交易是与各种风险相关的，这些风险在交易系统的算法中都应当被考虑到。降低这样的风险是在交易中获利的最重要的任务。

本文描述的是，根据轴点-反转水平而发送信号的类的开发和实现。这个类可以通过使用标准库来构建策略，还探讨了通过增加过滤器来加强轴点策略。

本文讨论了用引导聚合结构构建并训练神经网络融合的方法。 它还确定了构成融合的各独立神经网络分类器的超参数优化的特性。 本文中所创建的神经网络融合的品质将与该系列前一篇文章中获得的优化神经网络的品质进行比较。 已考虑到进一步提高融合分类品质的可能性。

许多研究人员对于判定价格行为没有给予足够的重视。 与此同时，还使用各种复杂方法，而这些方法通常只是“黑盒子”，例如机器学习或神经网络。 在这种情况下显现出的最严重问题就是提交何种数据来训练特定模型。