MQL5编程文章
在众多发表的文章中研究 MQL5语言编程交易策略 的多数由您—我们 MQL5.community的会员所作。文章以类别分组来帮助您迅速找到任何有关MQL5编程问题的答案：集成，测试，交易策略等等。
Follow our 新发表讨论它们在 MQL5.community论坛！
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。
MQL5自动化交易策略（第二十九部分）：构建基于价格行为的加特利谐波形态交易系统
本文将使用MQL5开发一套加特利形态交易系统。该系统依托枢轴点与斐波那契比率识别看涨、看跌加特利谐波形态，并依据精准的入场、止损和止盈价位执行交易。系统可通过三角形、趋势线、文本标签等图表对象实现可视化展示，清晰呈现XABCD形态结构，辅助交易者分析行情。
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。
神经网络在交易中的应用：时间序列的概率预测（结论）
我们诚邀您了解 K²VAE 框架以及如何将所提出的方法集成到交易系统中。您将了解到混合 Koopman-Kalman-VAE 方法如何助力构建自适应且可解释的模型。本文最后将展示使用所实现方案的实际应用结果。
借助PythonAnywhere对接MetaTrader与谷歌表格：安全数据传输指南
本文介绍一种将MetaTrader数据导出至谷歌表格的安全实现方案。谷歌表格是十分理想的选择，它基于云端，存储在其中的数据可随时随地访问。交易者可以读取导出到谷歌表格的交易数据，随时随地展开分析，指导后续交易。
从新手到专家：使用 Reporting EA 打造详尽的交易报告
本文深入探讨如何丰富交易报告的细节，并以 PDF 格式通过电子邮件发送最终报告。本文是前序文章内容的延伸，我们将继续探索如何利用 MQL5 与 Python，生成并定时输出格式专业、使用便捷的交易报告。跟随本文，你将了解如何在 MQL5 生态中优化交易报告的生成流程。
简化MQL5中的数据库操作（第一部分）：数据库与SQL简介
本文会讲解如何运用MQL5的原生函数操作数据库。我们的内容涵盖建表、数据插入、更新、删除以及数据导入导出，全部配有示例代码。本文可以帮助读者扎实理解数据访问的内部工作机制，同时为后续ORM相关内容做好铺垫 —— 我们将在MQL5中构建一个迷你ORM。
MQL5交易策略自动化（第二十八部分）：构建带可视化反馈的价格行为蝙蝠谐波形态
在本文中，我们将在MQL5中开发一套蝙蝠形态交易系统，该系统借助枢轴点与斐波那契比率识别看涨、看跌蝙蝠谐波形态，并在精准的入场、止损与止盈价位触发交易；并结合图表对象实现直观的可视化展示。
MQL5自优化智能交易系统（第十三部分）：基于矩阵分解浅谈控制理论
金融市场不可预测，那些在历史回测中表现盈利的交易策略，投入实盘后往往会失效。究其原因：大多数策略部署后逻辑固定，无法自适应市场，也不能从失误中学习。我们借鉴控制理论思想，利用反馈控制器监测策略与市场的交互情况，并调整策略行为，使其趋向盈利。测试结果表明：在简单移动平均策略中加入反馈控制器后，利润提升、风险降低、交易效率提高，证明该方案在交易领域具备巨大潜力。
市场模拟：MQL5 中的 SQL 入门（五）
在上一篇文章中，我展示了如何添加查询机制。这是必要的，以便在 MQL5 代码中能够充分利用 SQL，并使用 SQL SELECT 查询来检索结果。但还有一个函数需要实现，即 DatabaseReadBind 函数。由于要正确理解这个函数需要稍作详细解释，因此决定不在上一篇文章中介绍，而是在今天的文章中详述。鉴于这个主题内容较多，让我们直接进入下一节。
基于协整股票的统计套利（第三部分）：数据库搭建
本文提供一个 MQL5 Service（服务）的实现示例，用于保持新建数据库及时更新；该数据库作为数据分析以及一篮子协整股票交易的数据来源。文中详细阐述数据库的设计思路，并整理数据字典以供查阅。配套提供MQL5与Python脚本，用于数据库创建、表结构初始化以及行情数据写入。
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。
梦境优化算法（DOA）
这是一种基于种群的优化算法，其灵感源自一种尚存争议、研究较少的现象 —— 人类梦境的机制。该算法拥有一个具备不同“记忆”的智能体种群，用余弦波调制移动步长，并采用独特的99/1时间分配比例。让我们看一下这些特性会如何影响交易策略的优化效率。
重构经典策略（第十五部分）：日线突破交易策略
早在计算机出现之前，人工交易者就已投身金融市场，并总结出指导交易决策的经验法则。在本文中，我们重新研究一套知名的突破策略，来检验这种从实战中总结的市场逻辑，能否与系统化交易方法抗衡。研究结果表明：原始策略虽然胜率很高，但存在稳定性差、风险管控不足的问题。通过策略优化，我们展示如何将主观交易经验改造为更加稳健的算法交易策略。
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。
MQL5自优化智能交易系统（第十二部分）：利用矩阵分解构建线性分类器
本文探讨矩阵分解在算法交易中的强大作用，重点介绍其在 MQL5 程序里的应用。从回归模型到多目标分类器，我们通过实战示例演示如何借助 MQL5 内置函数轻松集成这类技术。无论你是预测价格方向，还是构建指标行为模型，这份教程都为你使用矩阵方法搭建智能交易系统打下坚实基础。
市场模拟：MQL5 中的 SQL 入门（一）
在今天的文章中，我们将开始学习如何在 MQL5 代码中使用 SQL。我们还将探讨如何创建数据库。或者更准确地说，如何使用 MQL5 内置的功能来创建 SQLite 数据库文件。我们还将了解如何创建表，以及如何通过使用主键和外键来建立表之间的关系。所有这些都将再次使用 MQL5 来完成。我们将看到，通过使用一个有助于封装底层实现细节的类，创建代码是多么容易，这些代码稍后可以迁移到其他 SQL 实现中。而且，最重要的是，我们将看到，在使用 SQL 时，我们可能会在不同阶段面临出错的风险。这是因为，在 MQL5 代码中，SQL 代码总是被放置在字符串中。
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！
市场模拟（第 22 部分）：SQL 入门（五）
亲爱的读者，在你放弃并决定不再学习 SQL 之前，请允许我提醒你，我们目前所使用的只是最基本的内容。我们尚未探讨 SQL 的一些功能。一旦你理解了这些功能，你会发现 SQL 远比它看起来要实用得多。不过，由于创作过程是动态的，我们最终很可能会改变我们正在构建的方向。我们将更多地展示如何在 SQL 中创建不同的内容，因为这对你来说确实非常重要且有用。仅仅认为自己比整个程序员和开发人员社区更有能力，只会导致时间和机会的浪费。别担心，因为接下来的内容将会更加有趣。
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（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。
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。
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。
从基础到进阶：处理鼠标事件
阅读本文相关的此类技术资料，仅仅浏览和研究代码，绝对不足以理解其中涉及的过程。实际上，您需要编译出可执行程序，并在任意图表上运行它。只有这样，您才能体会到那些单靠看代码极难掌握的细节，例如结合键盘与鼠标来创建某些元素。
从新手到专家：报表 EA — 搭建工作流程
经纪商通常会根据预定的时间表定期提供交易账户报表。这些公司通过其 API 技术，可以访问您的账户活动和交易历史，从而为您生成业绩报表。同样，MetaTrader 5 终端会存储您交易活动的详细记录，这些记录可以使用 MQL5 来创建完全定制的报表，并定义个性化的交付方式。
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。
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。
构建交易系统（第 1 部分）：量化方法
许多交易者根据短期表现来评估策略，往往过早放弃盈利的系统。然而，长期盈利能力取决于通过优化的胜率、风险回报比以及有纪律的仓位规模来实现的正期望值。这些原则可以通过 Python 中的蒙特卡洛模拟以及回测指标进行验证，以评估策略是否稳健或是否可能随时间推移而失败。
通过套接字将 MetaTrader 的 Tick 信息从 MQL5 服务传输到 Python 应用程序
有时候，并非所有东西都能用 MQL5 语言编程实现。即使有可能在 MQL5 中转换现有的高级库，那也将是一项耗时的任务。本文试图证明，我们可以通过使用套接字将 MetaTrader 服务中的买卖报价和时间等 tick 信息传输到 Python 应用程序中，从而绕过对 Windows 操作系统的依赖。
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。
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。
从基础到进阶：图表对象（I）
在本文中，我们将开始讲解如何在图表上直接操作图形对象。相关示例使用专为演示编写的代码实现。图形对象编程十分有趣，能给人带来许多快乐。由于这是我们初次接触该主题，将从非常基础的内容入手。
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。
通过图表同步简化技术分析
图表同步作为简化技术分析的工具，可保证同一交易品种的所有周期图表，统一展示趋势线、矩形、指标等各类图形对象。诸如平移、缩放、切换品种等操作会在所有已同步图表上体现，交易者能够在多个周期下流畅地查看并对比同一价格走势环境。