关于交易中机器学习的文章
创建基于AI的交易机器人：与Python的原生集成，矩阵和向量，数学和统计库等。
了解如何在交易中使用机器学习。神经元、感知器、卷积和循环网络、预测模型 — 从基础开始，逐步开发您自己的AI。您将学习如何为金融市场的算法交易训练和应用神经网络。
神经网络在交易中的应用：基于自适应模态分解（ACEFormer）的时间序列预测
我们诚邀您探索 ACEFormer 架构 — 一种将概率注意力机制的有效性与自适应时间序列分解相结合的现代解决方案。本文将对那些寻求在金融市场中平衡计算性能和预测准确性的读者有所帮助。
神经网络在交易中的应用：演员—导演—评论家框架
我们诚邀您探索演员-导演-评论家（Actor-Director-Critic）框架，该框架结合了分层学习和多组件架构，用于创建自适应交易策略。在本文中，我们将详细探讨如何利用导演（Director）对演员（Actor）生成的动作进行分类，以有效优化交易决策，并提高模型在金融市场环境下的稳健性。
价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型
你是否曾错过市场突然的尖峰行情，或者在行情发生时措手不及？预判实时行情的最佳方法是从历史形态中学习。为了训练一个机器学习模型，本文首先向您展示如何在 MetaTrader 5 中创建一个脚本，用于摄取历史数据并将其发送到 Python 进行存储 —— 为您的尖峰检测系统奠定基础。继续阅读，了解每个步骤的实际操作。
海豚回波定位算法（DEA）
在本文中，我们将深入探讨 DEA 算法：一种受海豚利用回声定位捕食的独特能力启发而设计的元启发式优化方法。从数学基础到 MQL5 中的实际实现，从原理分析到与经典算法的对比，我们将详细剖析为什么这一相对较新的方法值得在面临优化问题的研究者工具箱中占有一席之地。
极值优化（EO）
本文介绍极值优化算法（EO），这是一种受Bak-Sneppen（巴克–斯内彭）自组织临界性模型启发的优化方法，通过淘汰系统中表现最差的组件来实现演化。该算法的改进种群版本表明，其设计已从理论原则转向更注重实际效率，由此构建出高效的计算工具。
数据科学与机器学习（第四十六部分）：在Python中使用N-BEATS进行股票市场预测
N-BEATS是一款革新性的深度学习模型，专为时间序列预测打造。该模型的初衷是超越ARIMA、PROPHET、VAR等传统时间序列预测模型。在本文中，我们将探讨该模型，并利用其实现股市行情预测。
您应该了解的MQL5向导技巧（第六十八部分）：结合余弦核网络使用TRIX与威廉百分比范围形态
在前一篇中，我们介绍了三重平滑指数平均线（TRIX）与威廉百分比范围（WPR）指标组合，本文承接前文，将探讨如何通过机器学习对这一指标组合进行扩展优化。TRIX属于趋势指标，威廉百分比属于支撑/阻力震荡指标，二者形成互补。我们的机器学习方案采用卷积神经网络，网络结构中集成了余弦核函数，用于对该指标组合的预测结果进行精细调优。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用
本文将承接前一篇文章，之前我们介绍了MACD与OBV指标组合，本文将探讨如何通过机器学习对这一指标组合进行优化增强。MACD属于趋势指标，OBV属于成交量指标，二者为互补指标组合。本文采用卷积神经网络机器学习方案，通过有理二次核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
您应该了解的MQL5向导技巧（第七十四部分）：结合监督学习运用一目均衡表与ADX-Wilder形态
本文为前一篇文章的延续，之前我们介绍了一目均衡表（Ichimoku）与ADX指标组合，本篇将探讨如何通过监督学习对这一指标组合进行优化改进。一目均衡表与ADX是一组互补型指标组合，前者侧重支撑/阻力判断，后者侧重趋势识别。我们采用的监督学习方案基于深度谱混合核神经网络，对该指标组合的预测结果进行精细调优。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导直接组装成智能交易系统（EA）。
交易中的神经网络：智能预测流程（结论）
本文深入介绍 SwiGLU 嵌入层如何挖掘隐藏的市场规律，以及Decoder-Only Transformer 架构内的稀疏混合专家模型，如何在合理的计算开销下提升预测精度。本文详解将 Time‑MoE 框架集成至 MQL5 与 OpenCL 的实现方法，并提供模型配置与训练的分步教程。
交易机器人风险管理器（第一部分）：EA风控头文件
交易对风控纪律有着极高的要求。本文分析了交易者亏损的主要原因，并针对MQL5平台提出一套技术方案 —— CEnhancedRiskManager（增强型风险管理器）类，并在激进网格EA上完成了实操测试。
交易中的神经网络：频域异常检测（终篇）
我们继续推进 CATCH 框架的实现。该框架结合傅里叶变换与频域分块，以确保能够准确检测市场异常。在本文中，我们将完成对所提方法的这一实现，并基于真实历史数据测试新模型。
MQL5中的量子神经网络（第三部分）：基于量子比特的虚拟量子处理器
本文聚焦于构建一套搭载真正的量子模拟器的交易系统，而非仅使用数学类比。该系统通过3个虚拟量子比特、量子门以及量子叠加原理对市场进行分析，并以MQL5编写为MetaTrader 5平台的交易EA实现。其核心突破在于从简单模拟转向真正遵循量子原理处理金融信息。
您应该了解的MQL5向导技巧（第七十六部分）：利用AO形态与包络通道进行监督学习建模
本文承接前一篇文章。之前我们介绍了动量震荡指标（AO）与包络通道组合指标，本篇将探讨如何通过监督学习对该组合进行优化增强。动量震荡指标与包络通道是一组在趋势识别与支撑/阻力判断方面彼此互补的指标组合。我们采用的监督学习模型为卷积神经网络（CNN），该网络通过点积核函数与跨时间注意力机制自适应调整卷积核与通道维度。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导组装成智能交易系统（EA）。
竞争性学习算法（CLA）
本文介绍了竞争性学习算法（CLA），这是一种基于模拟教育过程的新型元启发式优化方法。该算法将解的种群组织为若干班级，班级中包含学生，而每个班级中最优的学生充当教师。其中代理通过三种机制进行学习：跟随班级中的最优解、利用个人经验以及在班级之间共享知识。
交易中的神经网络：一种跨领域时间序列预测框架（TimeFound）
本文将分步搭建 TimeFound 智能模型的核心模块，使其适配真实场景下的时序预测任务。如果你希望了解神经网络分块算法在 MQL5 中的工程落地实现，那么本文正是为你准备的。
神经网络在交易中的应用：不依赖特定数据的时间序列泛化（Mamba4Cast）
在本文中，我们介绍了 Mamba4Cast 框架，并深入探讨了其关键组件之一：基于时间戳的位置编码。本文展示了如何结合数据的日历结构来构建时间嵌入。
交易中的神经网络：面向准确分类的有效特征提取（Mantis）
认识Mantis —— 一款基于 Transformer 架构的轻量级时间序列分类基础模型，采用对比预训练与混合注意力机制，实现创纪录的精度，并具备出色的可扩展性。
MQL5中的价格时间缺口分析（第二部分）：构建时间维度下的流动性分布热力图
这是一份详细的MetaTrader 5热力图指标构建教程，能够可视化展示价格随时间的分布状态。本文阐述了时间密度分析的数学原理，将各个价格区间以色彩区分：红色代表价格停留时间最短，蓝色代表价格停留时间最长。
科学家群体优化（CoSO）：理论
元启发式方法中交易策略有效优化的秘诀。科学家群体优化算法是一种新型的基于种群的算法，其灵感来源于科学界的运作机制。与传统的自然启发式隐喻不同，CoSO 模型展现了人类科学活动的独特方面：在期刊上发表成果、竞争资助以及组建研究团队。
您应该了解的MQL5向导技巧（第七十九部分）：在监督学习中使用鳄鱼震荡指标和A/D震荡指标
在前一篇文章中，我们完成了对鳄鱼震荡指标与集散量（A/D）震荡指标组合的研究，分析二者在原生信号模式下的应用效果。这两个指标互为补充：鳄鱼震荡指标属于趋势指标，A/D震荡指标属于量能指标。本文作为续篇，研究如何利用监督式学习，优化前文所探讨的各类特征形态。我们采用的监督学习模型为卷积神经网络（CNN），该模型结合核回归与点积相似度，对卷积核和通道进行尺度配置。一如既往，我们将逻辑写在自定义信号类文件中，该文件可配合MQL5向导来生成EA。
协方差矩阵自适应演化策略（CMA-ES）
本文探讨了一种最有趣的非梯度优化算法，该算法能够学习理解目标函数的几何特性。我们将重点关注对 CMA-ES 的经典实现，并稍作修改 — 用幂律分布代替正态分布。我们将深入探究算法背后的数学原理以及实际实现方式，并验证 CMA-ES 在哪些方面无懈可击，以及在哪些方面应避免使用。
MQL5 中的量子神经网络（第二部分）：基于 ALGLIB 马尔可夫矩阵的神经网络反向传播训练
本文介绍了一种创新的量子神经网络架构，用于结合量子力学原理与现代机器学习方法进行算法交易。该系统引入了量子效应（共振、干涉、退相干）、不同时间尺度的多级记忆、结合 ALGLIB 库的马尔可夫链以及自适应参数控制。整个实现过程使用 MQL5 内置的矩阵/向量类型完成，从而降低了在 MetaTrader 5 中实现该系统的门槛。
决斗者算法
如果您的交易策略能像真实的决斗者一样互相较量、彼此学习，会怎样？决斗者算法（Duelist Algorithm）是一种新的优化方法：在该算法中，不同的参数组合会像决斗者一样相互较量，争夺最优解的位置。
在线性自回归模型残差上训练非线性 U-Transformer
本文介绍一套用于汇率预测的创新混合系统，它将线性自回归模型与用于残差分析的 U-Transformer 架构相结合。系统会根据信号质量自动切换信号来源，并内置完整的交易逻辑，支持摊平加仓/金字塔加仓策略。该方法的核心优势在于：神经网络只在线性模型的残差上训练，从而简化了任务并降低过拟合风险。整套实现完全使用 MQL5 编写，可直接用于实盘交易，并具备随市场环境变化自动适应的能力。
人工原子算法（A3）
本文介绍如何在 MQL5 中实现人工原子算法（A3）—— 一种受化学过程启发的元启发式优化算法。该算法只有两个可调参数：紧凑性和较小的种群规模，这保证了较高的运行速度，同时保持了足够的解质量。
交易中的神经网络：智能预测流程（稀疏混合专家）
我们将带大家探索在OpenCL计算环境下，时序稀疏混合专家模块的实际实现。本文会分步讲解掩码多窗口卷积的工作原理，以及多信息流场景下如何实现基于梯度的训练流程。
交易中的神经网络：自适应周期分段（结论）
我们诚邀您一同探索LightGTS的精彩世界 —— 这是一款轻量但性能强大的时间序列预测框架，融合了自适应卷积、旋转位置编码（RoPE）与创新注意力机制。本文将详细阐述框架内全部组件：从分块（patch）构建，一直到解码器内复杂的混合专家模块，这些实现思路已具备集成到MQL5项目中的条件。您将了解LightGTS如何令自动化交易提升至全新高度！
科学家群体优化（CoSO）：算法实现
我们继续讨论“科学家群体优化”这一主题。不应将 CoSO 视为现成的解决方案，而应将其视为一个有前景的研究平台。经过适当开发，CoSO 可以在那些适应性和应变能力至关重要、计算时间不是关键的任务中找到自己的定位。
交易中的神经网络：自适应周期分块（LightGTS）
本文将为大家介绍创新的自适应分块技术，这是一种在考虑时序数据内在周期性的前提下，对时间序列做灵活分块的方法。我们还会讲解一种高效编码技术，该技术在处理不同尺度的数据时，可以保留重要语义特征。金融市场数据具备复杂、多尺度的典型特点，上述两类方法为此类数据的精准处理开辟了新路径，能够显著提升预测结果的稳定性与可靠性。
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。
在 MQL5 中实现来自其他语言的实用模块（第 03 部分）：移植 Python 的 Schedule 模块，打造增强版 OnTimer
Python 中的 schedule 模块提供了一种简单的方法来安排重复性任务。虽然 MQL5 缺乏内置的等效功能，但在本文中，我们将实现一个类似的库，以便在 MetaTrader 5 中更轻松地设置定时事件。
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。