MQL5编程文章

本项目涉及在金融市场中使用 Python 进行基于深度学习的预测。我们将探索使用平均绝对误差（MAE）、均方误差（MSE）和R平方（R2）等关键指标测试模型性能的复杂性，并学习如何将所有内容打包到可执行文件中。我们还将制作一个 ONNX 模型文件以及它的 EA。

MetaTrader 5 最近引入了交易信号服务，允许交易者复制任何信号提供者的交易操作。用户可以于其账户选择任何信号、执行订阅并复制所有交易记录。而信号提供者可以设定其订阅价格，并从其订阅者每月收取固定的费用。

无论您使用何种交易策略，总会有一个问题：怎样选择参数以保证未来的利润。本文提供了一个EA交易的实例，使您可以同时优化多个交易品种的参数，这种方法是未了减少参数的过度配合以及处理在研究中来自单个交易品种的数据不足的问题。

又过了一个季度，我们已决定统计MetaTrader 应用商店的业绩 - MetaTrader平台最大的交易机器人和技术指标商店。 直至报告季度末期，有500多名开发者已经将他们的1200个产品放入MetaTrader 应用商店。

我们将开始探索如何仅基于 Linux 系统开发 MetaTrader 5 平台的步骤和工作流程，其中最终产品能在 Windows 和 Linux 系统上无缝运行。 我们将了解 Wine 和 Mingw；两者都是制作跨平台开发任务的基本工具。 特别是 Mingw 的线程实现（POSIX 和 Win32），我们在选择追随哪一个时需要仔细考虑。 然后，我们构建一个能在 MQL5 代码中所用的概念验证 DLL，最后比较两种线程实现的性能。 这一切都是为了您的基金能进一步扩张自己。 阅读本文后，您应该可以轻松地在 Linux 上构建 MT 相关工具。

在本文中我们将探讨，把每个用到的品种周期的柱形对象列表合并到单一品种时间序列对象之中。 因此，每个品种均含一个对象，存储所有已用到品种时间序列周期的列表。

我们在本系列的早期文章中领略了 Q-学习方法。 此方法均化每次操作的奖励。 2017 年出现了两篇论文，在研究奖励分配函数时展现出了极大的成功。 我们来研究运用这种技术解决我们问题的可能性。

在本文中，我将继续开发图表对象类。 我将添加含有可用指标列表的图表窗口对象列表。

我们持续加强信号服务，完善机制，添加新的功能并修复缺陷。2012年的MetaTrader信号服务和当前的MetaTrader信号服务就像两个完全不同的服务。目前，我们正在实施 虚拟主机云服 务，它由一个服务器网络组成用来支持特定版本的MetaTrader客户端。

在本文中，我们将把本系列中的所有知识付诸实践。 我们最终将建立一个 100% 自动化和功能性的系统。 但在此之前，我们仍然需要学习最后一个细节。

我们继续研究机器学习方法。 自本文，我们开始另一个大话题，强化学习。 这种方式允许为模型设置某些策略来解决问题。 我们可以预期，强化学习的这种特性将为构建交易策略开辟新的视野。

本文探讨了使用MetaQuotes Language 5（MQL5）设计和实施图形用户界面（GUI）面板的基本步骤。自定义实用面板通过简化常见任务并可视化重要的交易信息，增强了交易中的用户交互。通过创建自定义面板，交易者可以优化其工作流程，并在交易操作中节省时间。

在本文中，我将针对 MQL5.com 信号服务创建信号集合类，拥有能够管理信号的函数。 此外，我将改进“市场深度”快照对象类，来显示 DOM 的总买卖量。

在本文中，我将着手改进指标缓冲区对象和集合类，从而可在多周期和多品种模式下操作。 我打算在当前品种图表上的任何时间帧内接收和显示数据缓冲区对象的操作。

如果您无法控制其调度表，则自动化就意味着毫无意义。 没有工人能够一天 24 小时高效工作。 然而，许多人认为自动化系统理所当然地每天 24 小时运行。 但为 EA 设置工作时间范围总是有好处的。 在本文中，我们将研究如何正确设置这样的时间范围。

在本文中，我将尝试测试这样一个假设，即任何对市场了解甚微的系统都可以在全局范围内运行。我不会发明任何理论或模式，但我只会使用已知的事实，逐步将这些事实转化为数学分析的语言。

在此，我将展示如何创建价格播报屏幕，它通常在交易所滚动显示报价。 我会只用 MQL5 来做到这一点，无需复杂的外部编程。

在本文中，我将创建两个类（DOM 快照对象类，和 DOM 快照序列对象类），并测试 DOM 数据序列的创建。