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！
如何利用 MQL5 创建简单的多币种智能交易系统（第 6 部分）：两条 RSI 指标相互交叉
本文中的多货币智能系统是一款智能交易系统或交易机器人，它利用两条 RSI 指标线的交叉，即与慢速 RSI 与快速 RSI 两线相交。
DoEasy 库中的其他类（第六十九部分）：图表对象集合类
在本文里，我启动图表对象集合类的开发。 该类存储图表对象及其子窗口和指标的集合列表，从而提供操控任何选定图表及其子窗口的能力，亦或同时处理多个图表列表。
从头开始开发智能交易系统（第 15 部分）：访问 web 上的数据（I）
如何通过 MetaTrader 5 访问在线数据？ 互联网上有很多网站，提供海量信息。 您需要知道的是，在哪里查找、以及如何才能最好地利用这些信息。
构建自动运行的 EA（第 07 部分）：账户类型（II）
今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 交易者应当始终明白自动 EA 正在做什么，以便若它“偏离轨道”，交易者可以尽早将其从图表中删除，并控制事态。
开发多币种 EA 交易（第 3 部分）：架构修改
我们在开发多币种 EA 方面已经取得了一些进展，该 EA 有几个并行工作的策略。考虑到所积累的经验，让我们回顾一下我们解决方案的架构，并尝试在我们走得太远之前对其进行改进吧。
DoEasy 库中的其他类（第七十二部分）：跟踪并记录集合中的图表对象参数
在本文中，我将完成图表对象类及其集合的操控。 我还将实现图表属性及其窗口变化的自动跟踪，以及把新参数保存到对象属性。 如此修订允许在未来实现整个图表集合的事件功能。
神经网络变得轻松（第三十四部分）：全部参数化的分位数函数
我们继续研究分布式 Q-学习算法。 在之前的文章中，我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中，我们训练了给定数值范围的概率。 在第二种算法中，我们用给定的概率训练了范围。 在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。 在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。
DoEasy 函数库中的时间序列（第四十八部分）：在单一子窗口里基于一个缓冲区的多周期、多品种指标
本文研究了一个示例，该示例使用单个指标缓冲区来创建多品种、多周期标准指标，以便在指标子窗口中进行构造和操作。 我会准备库类，以便在程序主窗口中与标准指标一起操作，并有多个缓冲区来显示其数据。
并行粒子群优化
本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。
在 Linux 上利用 C++ 多线程支持开发 MetaTrader 5 概念验证 DLL
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。
MQL5.community 中的名人?
MQL5.com 网站能够记住你的一切！你有多少帖子受热捧，您的文章有多受欢迎，您的程序在代码库中被下载了多少次 – 这仅仅是 MQL5.com 记住的一小部分。您的成就可以在个人资料中找到，但是整体情况呢？在本文中，我将显示所有 MQL5.community 会员成就的概貌。
用于时间序列挖掘的数据标签（第 5 部分）：使用 Socket 在 EA 中进行应用和测试
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！
图形界面 X: 升级渲染表格及代码优化 (集成编译 10)
我们继续为渲染表格 (CCanvasTable) 完善新的功能。表格现在将具有: 当悬浮时高亮显示; 为每个单元格添加一个图标数组的能力, 以及一种切换它们的方法; 在运行时设置或修改单元格文本的能力等等。
数据科学与机器学习（第 06 部分）：梯度下降
梯度下降在训练神经网络和许多机器学习算法中起着重要作用。 它是一种快速而智能的算法，尽管它的工作令人印象深刻，但它仍然被许多数据科学家误解，我们来看看有关它的全部。
MQL5 应用商店 2013 年二季度业绩
成功运营一年半的“MQL5 应用商店”，已成为了最大的交易策略与技术指标交易商店。全世界有 350 位开发者在此提供了大约 800 款交易应用程序。交易者为其 MetaTrader 5 终端购买和下载的交易程序，已逾 100.000。
神经网络变得轻松（第十九部分）：使用 MQL5 的关联规则
我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。
MQL5 酷宝书 — 宏观经济事件数据库
本文讨论了基于 SQLite 引擎处理数据库的可能性。 形成的 CDatabase 类就是为了方便和有效地运用 OOP 原则。 随后它会参与宏观经济事件数据库的创建和管理。 本文提供了使用 CDatabase 类的多种方法的示例。
学习如何基于柴金（Chaikin）振荡器设计交易系统
欢迎阅读我们系列的新篇章，学习如何基于最流行的技术指标设计交易系统。 通读这篇新文章，我们将学习如何基于柴金（Chaikin）振荡器指标设计交易系统。
您应该知道的 MQL5 向导技术（第 05 部分）：马尔可夫（Markov）链
马尔可夫（Markov）链是一个强大的数学工具，能够针对包括金融在内的各个领域的时间序列数据进行建模和预测。 在金融时间序列建模和预测中，马尔可夫链通常用于模拟金融资产随时间的演变，例如股票价格或汇率。 马尔可夫链模型的主要优点之一是其简单性和易用性。
数据科学与机器学习 — 神经网络（第 02 部分）：前馈神经网络架构设计
在我们透彻之前，还有一些涵盖前馈神经网络的次要事情，设计就是其中之一。 针对我们的输入，看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。
制作仪表板以显示指标和EA中的数据
在本文中，我们将创建一个用于指标和EA的仪表板类。这是一个小系列文章中的介绍性文章，其中包含模板以在EA交易中包含和使用标准指标。我将首先创建一个类似于MetaTrader 5数据窗口的面板。
DoEasy 函数库中的图形（第八十一部分）：将图形集成到函数库对象之中
是时候开始把已创建的对象集成到先前所创建的函数库对象当中了。 这最终将会为每个函数库对象赋予自己的图形对象，便于用户与程序之间的交互。
从头开始开发智能交易系统（第 21 部分）：新订单系统 (IV)
最后，视觉系统将开始工作，尽管它尚未完工。 在此，我们将完成主要更改。 这只是它们当中很少一部份，但都是必要的。 嗯，整个工作将非常有趣。
神经网络变得轻松（第三十六部分）：关系强化学习
在上一篇文章中讨论的强化学习模型中，我们用到了卷积网络的各种变体，这些变体能够识别原始数据中的各种对象。 卷积网络的主要优点是能够识别对象，无关它们的位置。 与此同时，当物体存在各种变形和噪声时，卷积网络并不能始终表现良好。 这些是关系模型可以解决的问题。
DoEasy 函数库中的图形（第八十四部分）：抽象标准图形对象的衍生后代类
在本文中，我将研究为终端的抽象标准图形对象创建衍生后代对象。 该类对象定义了所有图形对象通用的属性。 因此，它只是某个种类的图形对象。 为了阐明它与真实图形对象的从属关系，我们需要在衍生后代对象类中设置该图形对象特定的固有属性。
数据科学和机器学习（第 04 部分）：预测当前股市崩盘
在本文中，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。
MQL5 简介（第 3 部分）：掌握 MQL5 的核心元素
在这篇便于初学者阅读的文章中，我们将为您揭开数组、自定义函数、预处理器和事件处理的神秘面纱，并对所有内容进行清晰讲解，让您可以轻松理解每一行代码，从而探索 MQL5 编程的基础知识。加入我们，用一种独特的方法释放 MQL5 的力量，确保每一步都能理解。本文为掌握 MQL5 奠定了基础，强调了对每行代码的解释，并提供了独特而丰富的学习体验。