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。
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。
数据科学与机器学习（第四十四部分）：利用向量自回归（VAR）预测外汇 OHLC 时间序列
本文探讨如何使用向量自回归（VAR）模型预测外汇 OHLC（开盘价、最高价、最低价、收盘价）时间序列数据。文章涵盖 VAR 模型的实现、模型训练以及在 MetaTrader 5 中的实时预测，帮助交易者分析相互关联的货币走势，改进交易策略。
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。
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）。
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。
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。
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。
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）。
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。
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。
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。
基于Mamba选择性状态空间模型的神经网络交易机器人开发
本文探究可用于金融时间序列预测的创新性Mamba/SSM神经网络架构。我们将完整介绍该模型在MQL5平台下的实现方案，它是Transformer的现代替代方案，计算复杂度为线性O(N)，而非二次复杂度O(N²)。还会详细讲解选择性状态空间模型、硬件感知优化、分块处理，以及先进的AdamW训练算法。并附带实测结果：模型预测准确率由62%提升至71%，同时训练耗时从45分钟缩短至8分钟。本文提供一个现成的MetaTrader 5交易EA，具备自动训练与自适应风险管理能力。
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。
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。
价格行为分析工具包开发（第三十六部分）：实现Python直接读取MetaTrader 5行情数据流
借助Python的数据科学生态以及MetaTrader 5官方客户端库，充分挖掘MetaTrader 5终端的全部能力。本文演示如何完成身份校验，将实时Tick数据与分钟K线数据流直接写入Parquet存储；利用Ta技术指标库与Prophet时间序列预测工具完成高阶特征工程，并训练具备时间感知能力的梯度提升模型。接下来，我们部署轻量Flask服务，对外实时输出交易信号。无论您正在搭建混合量化框架，还是希望借助机器学习增强EA策略，都将掌握一套稳健的端到端流水线，用于数据驱动的算法交易。
交易中的神经网络：不依赖特定数据的时间序列泛化（核心模型模块）
我们继续介绍Mamba4Cast框架。今天，我们将深入探讨该方案的实现。Mamba4Cast的设计目标并非对每一条全新时间序列都进行冗长的预热，而是支持直接部署上线。依托零样本预测理念，该模型无需额外训练、也无需调优超参数，就可以在真实业务数据上输出高质量预测结果。