有关 MQL5 编程和自动交易使用的文章
神经网络在交易中的应用：概率时间序列预测（K²VAE）
我们诚邀您探索 K²VAE 框架的原始实现 — 这是一个灵活的模型，能够线性近似潜在空间中的复杂动态。本文将演示如何在 MQL5 中实现关键组件，包括参数化矩阵，以及如何在标准神经网络层之外对这些矩阵进行管理。对于任何寻求构建可解释时间序列模型实用方法的人来说，本文材料都将大有裨益。
交易中的神经网络：摆脱特定数据依赖的时间序列泛化（结论）
本文将向您展示Mamba4Cast如何把理论转化为可运行的交易算法，并为您开展自主实验奠定基础。不要错过这次机会，获取用于自研策略的全面的知识与策略开发灵感。
交易中的神经网络：自适应周期分块（Token生成）
诚邀您开启一段精彩旅程，一同探索金融时间序列自适应分析领域，了解如何将复杂谱分析与灵活卷积转化为可落地的交易信号。您将看到LightGTS如何捕捉市场节奏，借助可变窗口步长机制适配市场变化；同时了解OpenCL加速如何让高速计算成为获取盈利决策的快车道。
神经网络在交易中的应用：一种端到端多变量时间序列预测模型（关键组件）
我们诚邀您探索 GinAR 框架关键组件的新实现 — 一种用于处理图结构时间序列的自适应算法。本文逐步分解了架构以及前向传播和误差反向传播的算法。
交易中的神经网络：智能预测流程（Time-MoE）
诚邀大家一起来研究现代Time-MoE框架，该框架已针对时间序列预测任务完成适配。本文将分步实现该架构的核心组件，并同步提供原理讲解与实操示例。该方法使得您不仅能够理解模型的运行机制，还可以将相关原理应用于真实交易场景。
神经网络在交易中的应用：一种端到端多变量时间序列预测模型（GinAR）
我们诚邀您探索一种使用 GinAR 框架预测缺失数据时间序列的创新方法。本文展示了使用 OpenCL 实现关键组件的过程，确保了高性能。在我们的下一篇文章中，我们将详细介绍如何将这些解决方案集成到 MQL5 中。这将有助于理解如何在交易实践中应用该方法。
交易中的神经网络：解耦结构化分量——编码器实现
本文将继续探索 SCNN 框架实现的下一阶段。该框架兼具灵活性与可解释性，能够精准识别时间序列中的各类结构化分量。本文将详细讲解自适应归一化与注意力机制的原理，这两项机制保障模型在市场环境发生变化时依然具备稳健性。
交易中的神经网络：结构化分量解耦（SCNN）
我们诚邀您探索创新的SCNN框架。该框架可将数据清晰拆分为长期分量、季节分量、短期分量与残差分量，把时间序列分析提升至全新层次。该方法使模型能够适配复杂且不断变化的市场动态，从而显著提升预测精度。
交易中的神经网络：分解，而非扩大模型规模（结论）
本文将介绍一种算法，可以将时间序列分解为具备明确含义的多层分量，并基于这些分量构建简约模型。我们会系统阐述模型架构、基于MQL5/OpenCL的实际实现，以及基于历史行情数据开展的实际测试。
神经网络在交易中的应用：一种端到端多变量时间序列预测模型（结论）
我们很高兴为您呈现关于 GinAR 系列文章的最后一部分 — GinAR 是一个用于时间序列预测的神经网络框架。在本文中，我们分析了模型在新数据上的测试结果，并评估了其在真实市场条件下的稳健性。
交易中的神经网络：以分解替代模型规模扩张（SSCNN）
在本文中，我们将开始探究 SSCNN 框架 —— 一套面向时间序列分析的现代架构方案，兼具精度、结构化设计与高计算效率。我们会系统剖析它的理论基础，重点对比它与前代模型的核心差异，并着手在 MQL5 环境中落地其基础组件。
交易中的神经网络：以分解替代规模化 —— 模块构建
本文我们继续实操讲解SSCNN —— 一款能够处理碎片化时间序列的新一代架构方案。SSCNN不再盲目扩大模型规模，而是依靠精巧的模块化设计、精细化处理和针对性归一化。我们将在MQL5环境中逐步搭建计算单元，为可靠的预测分析打下基础。
交易中的神经网络：分解，而非扩大模型规模（结论）
本文将介绍一种算法，可以将时间序列分解为具备明确含义的多层分量，并基于这些分量构建简约模型。我们会系统阐述模型架构、基于MQL5/OpenCL的实际实现，以及基于历史行情数据开展的实际测试。