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。

在本文中，我们将研究追踪止损在交易中的使用。我们将评估它的实用性和有效性以及如何使用它。追踪止损的效率很大程度上取决于价格波动和止损水平的选择。可以使用各种方法来设置止损。

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。

自从第一篇专门讨论强化学习的文章以来，我们以某种方式触及了 2 个问题：探索环境和检定奖励函数。最近的文章曾专门讨论了离线学习中的探索问题。在本文中，我想向您介绍一种算法，其作者完全剔除了奖励函数。

交易策略是多种多样的，因此，或许可以采用几种策略并行运作，以分散风险，提高交易结果的稳定性。但是，如果每个策略都作为单独的 EA 交易来实现，那么在一个交易账户上管理它们的工作就会变得更加困难。为了解决这个问题，在一个 EA 中实现不同交易策略的操作是合理的。

本系列文章介绍了几种时间序列标注方法，可以创建符合大多数人工智能模型的数据，根据需求有针对性地进行数据标注，可以使训练出来的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

通过我们的 MQL5 系列第二部分，开启一段启迪心灵的旅程。这些文章不仅是教程，还是通往魔法世界的大门，在那里，编程新手和魔法师将团结在一起。是什么让这段旅程变得如此神奇？我们的 MQL5 系列第二部分以令人耳目一新的简洁性脱颖而出，使复杂的概念变得通俗易懂。与我们互动，我们会回答您的问题，确保您获得丰富和个性化的学习体验。让我们建立一个社区，让理解 MQL5 成为每个人的冒险。欢迎来到魔法世界！

我们将创建一个简单的对冲 EA，作为我们更高级的 Grid-Hedge EA 的基础，它将是经典网格和经典对冲策略的混合体。在本文结束时，您将知晓如何创建一个简单的对冲策略，并且您还将知晓人们对于该策略是否能真正 100% 盈利的说法。

了解编程范式及利用 MQL5 代码的应用。本文探讨了过程化编程的细节，并通过一个实际示例提供了实经验。您将学习如何利用 EMA 指标和烛条价格数据开发价格行为智能系统。额外，本文还介绍了函数化编程范式。

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。

在本文中，我们将终结有关设计范式主题的系列文章，我们提到有三种类型的设计范式：创建型、结构型、和行为型。我们将终结行为类型的其余范式，其可以帮助设置对象之间的交互方法，令我们的代码更整洁。

使用准备好的训练数据集中的数据对模型进行离线训练，这种方法虽然有一定的优势，但其不利的一面是，环境信息被大大压缩到训练数据集的大小。这反过来又限制了探索的可能性。在本文中，我们将探讨一种方法，这种方法可以用尽可能多样化的数据来填充训练数据集。

通过我们的 MQL5 编程新手指南，进入算法交易的迷人领域。在揭开自动化交易世界的神秘面纱之际，让我们探索支持MetaTrader 5 的语言 MQL5 的精髓。从了解基础知识到迈出编码的第一步，本文是您即使没有编程背景也能释放算法交易潜力的关键。加入我们的旅程，在令人兴奋的 MQL5 世界里，体验简单与复杂的结合吧。

如果我们想从机器学习这些先进技术中获得任何价值，那么很难解释和理解为什么我们的模型偏离我们的期望至关重要。如果对模型内部工作原理的没有全面了解，我们可能无法发现破坏模型性能的错误，我们可能会在无法预测的参照特征上浪费时间，从长远来看，我们有可能没有充分利用这些模型的功能。幸运的是，有一个复杂且维护良好的多合一解决方案，令我们能够准确地看到我们的模型在引擎盖下正在做什么。

在了解了设计模式适用于 MQL5 和其他编程语言，并且对于开发人员开发可扩展、可靠的应用程序有多么重要之后，我们将在本文中继续介绍设计模式。我们将学习另一种类型的设计模式，即结构模式，了解如何利用我们所拥有的类组成更大的结构来设计系统。

“K-均值”聚类采用数据点分组的方式，该过程最初侧重于数据集的宏观视图，使用随机生成的聚类质心，然后放大并调整这些质心，从而准确表示数据集。我们将对此进行研究，并开拓一些它的用例。

本文中的多币种 EA 是一款智能交易系统或交易机器人，可以仅从一个品种图表中交易（开单、平单和管理订单，例如：尾随止损和止盈）多个品种（对）。在本文中，我们将用到来自两个指标的信号，在本例中为凯尔特纳（Keltner）通道上的布林带®。

在本文中，我们将继续讨论收集数据至训练集之中的方法。显然，学习过程需要与环境不断互动。不过，状况可能会有所不同。

本文提出了使用机器学习创建 EA 交易的方法。

止损（stop loss）和止盈（take profit）对交易结果有重大影响。本文将介绍几种寻找最佳止损单价格的方法。

在本文中，我们将领略一个有趣的算法，它是在监督和强化学习方法的交叉点上构建的。

本文中的多币种 EA 是智能交易系统或交易机器人，能从一个品种的图表里交易（开单、平单、及管理订单，例如：尾随止损和止盈）多个品种（货币对）。这次我们只会用到 1 个指标，即多时间帧或单一时间帧中的三角移动平均线。

据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。

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。

若干交易员同事发送电子邮件或评论了如何基于经纪商提供的名称里带有前缀和/或后缀的品种使用此多币种 EA，以及如何在该多币种 EA 上实现交易时区或交易时段。

在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。

在离线学习期间，我们基于训练样本数据优化了智能体的政策。成品政策令智能体对其动作充满信心。然而，这种乐观情绪并不总是正当的，并且可能会在模型操作期间导致风险增加。今天，我们要寻找降低这些风险的方法之一。

出于分析和预测目的而把数据分类是机器学习中一个非常多样化的领域，它具有大量的方式和方法。本文着眼于一种这样的方式，即集聚层次化分类。

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。

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。

我们继续探索强化学习方法。在本文中，我将专注于一种略有不同的算法，其参考智能体政策构造一连串动作的范式。