有关 MQL5 编程和自动交易使用的文章

这是展示开发用于人工交易的多交易品种信号 EA 文章的第二部分，我们已经创建了图形界面，现在是时候把它与程序功能相关联了。

本文描述了如何把操作 Microsoft SQL Server 数据库的功能加到基于 MQL 语言的 EA 交易中，它使用了从一个DLL(动态链接库)中引入函数的方法。这个 DLL 是使用 Microsoft .NET 平台和 C# 语言创建的。本文中使用的方法只要做少许调整，就可以用于使用 MQL4 开发的 EA 交易中。

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。

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。

本文探讨横盘时交易的优缺点。 本文中创建并测试了十种基于在通道内跟踪价格走势的策略。 每种策略都配有过滤机制，旨在避免入场的假信号。

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。

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。

本文展示了一个可视化的策略构建工具，它演示了任何用户如何不必编程就能创建交易机器人和相关工具。创建出的 EA 交易是完整功能的，并且可以在策略测试器中测试，通过云计算来优化或者实时运行于图表之上。

这是处理和分析优化结果想法的续篇，这一次，我们的目标是选择100个最佳的优化结果并且在图形用户界面(GUI)表格中显示它们。用户将可以在优化结果中选择一行而在独立的图表中得到多交易品种余额和回撤图。

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。

本文提供了一个 MQL 应用程序示例，其图形界面具有多元品种余额图，以及基于最后测试结果的资金回撤图。

本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。

本文采用图形界面实现 MQL 应用程序来扩展可视化的优化过程。 图形界面采用 EasyAndFast 函数库的最新版本。 许多用户可能会问为什么他们在 MQL 应用程序中需要图形界面。 本文为交易者展示了众多实用情况之一。

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。

在本文中, 我们将探讨创建灵活新闻递送的可能性, 可提供更多新闻类型和来源方面的选项。 本文将介绍如何将 Web API 与 MetaTrader 5 终端集成。

MetaTrader 5 交易平台中的策略测试器只提供两种优化选项: 参数完整搜索和遗传算法。 本文提出了一种交易策略优化的新方法 — 模拟退火。 该方法的算法, 其实现和集成到任何智能交易系统的方方面面均加以考虑。 开发出的算法已在移动平均 EA 上进行了测试。

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。

价格趋势形成的价格通道可在金融产品的图表上观察到。突破当前通道是强趋势的反转信号之一。在本文中, 我推荐一种查找此类信号的自动处理方法, 并观察通道突破形态是否可用来创建交易策略。

这篇文章处理的是夜间交易的概念，以及使用 MQL5 来实现它们的交易策略。我们会进行测试并得出相应的结论。

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。

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。

为了成功交易, 我们几乎总是需要指标来把主要价格走势与噪音波动剥离。在本文中, 我们考察最有前途的数字滤波器之一, 卡尔曼滤波器。本文将介绍如何绘制和使用滤波器。

本文介绍如何构建自定义优化标准 R-平方。这一准则可用来评估一个策略的余额曲线的品质, 并选择增长最平滑和稳定的策略。这项工作讨论其构建原理, 以及用于评估属性和衡量品质的统计方法。

本文讨论流行的交易方法 - 三角套利。在此我们尽可能详细地分析该主题, 研究策略的正、负两方面, 并开发即用的智能交易系统代码。

本文研究使用模糊函数库建立基于模糊逻辑的简单交易系统示例。结合提议的模糊逻辑、遗传算法和神经网络改进的系统变体。

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。

本文所述交易系统的不同寻常之处主要是使用数学工具分析股票报价。系统应用了数字滤波和离散时间序列的频谱估值。策略的理论层面已描述过, 并曾创建了一款测试智能交易系统。

本文讨论如何在跨平台智能交易系统中设置自定义停止价位。它还讨论了一种紧密相关的方法, 即随着时间的推移, 定义停止位的演化。

本文探讨基于图表线性标记创建自动交易系统的一种简单方法, 并提供了一款使用 MetaTrader 4/5 标准对象属性的现成智能交易系统, 可支持主要交易操作。

本文讨论智能交易系统中停止价位的实现, 以便在两个平台 Metatrader 4 和 Metatrader 5 之间兼容。

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。

本文是一系列有关深层神经网络的延续文章。在此, 我们将研究选择样本 (消除噪声), 降低输入数据的维度, 并在数据准备期间将数据集合划分为训练/验证/测试集合, 以便训练神经网络。

有关深度神经网络系列的第二篇文章研究当准备模型训练的数据期间预测因子的变换和选择。

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。

本文通过运用多个独立指标的信号, 分析贝叶斯公式在提高交易系统可靠性方面的应用。理论计算可由一款简单的通用 EA 进行验证, 配置为使用任意指标。

本文探讨如何实现跨平台智能交易系统的各种时间过滤方法。时间过滤器类负责检查给定时间是否处于特定时间配置设置的范围内。

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。

本文讨论了跨平台EA交易中资金管理方法的实现，资金管理类是用于EA交易中下一次交易进场时进行交易的手数大小计算的。

本文讨论了 CSignal 和 CSignals 类，它们将用于创建跨平台的EA交易。它检验了MQL4和MQL5的区别，看它们在评估交易信号时需要怎样特别的数据，这样来确保写出的代码可以兼容两种编译器。