MQL5编程文章

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。

在本系列文章中，我会采用实验和非标准方法来开发一个可盈利的交易系统，并检查神经网络是否对交易者有任何帮助。 若在交易中运用神经网络，MetaTrader 5 则可作为近乎自给自足的工具。

本文提供了一个关于指标界面的新视角。 我将重点关注便利性。 多年以来，我尝试了几十种不同的交易策略，并测试过数百种不同的指标，我得出了一些结论，我想在本文中与大家分享。

今天我想给大家介绍一种略有不同的学习方法。 我们可以说它是从达尔文的进化论中借鉴而来的。 它可能比前面所讨论方法的可控性更低，但它允许训练不可微分的模型。

我们系列中的新篇章，介绍如何基于最流行的技术指标设计交易系统。 在本文中，我们将学习如何基于相对活力（Vigor）指数指标来做到这一点。

在本文中，我们将探讨使用 Scikit-Learn 库中所有可用的分类模型来解决 Fisher 鸢尾花数据集的分类任务。我们将尝试把这些模型转换为 ONNX 格式，并在 MQL5 程序中使用生成的模型。此外，我们将在完整的鸢尾花数据集上比较原始模型与其 ONNX 版本的准确性。

在本文中，我们将回顾多交易品种、多周期指标中指标缓冲区的结构，并在图表上组织这些指标的彩色缓冲区的显示。

在本文中，我们将介绍另一个基于波动率的指标——蔡金波动率（Chaikin Volatility）。在了解到蔡金波动率的使用方法和构建方式之后，我们将学习如何构建自定义指标。我们将分享一些可用的简单策略，并对其进行测试，以了解哪个策略更优。

深入ONNX的世界，这是一种用于交换机器学习模型的强大的开放标准格式。了解利用ONNX如何彻底改变MQL5中的算法交易，使交易员能够无缝集成尖端的人工智能模型，并将其策略提升到新的高度。揭开跨平台兼容性的秘密，学习如何在您的MQL5交易活动中释放ONNX的全部潜力。通过这篇掌握ONNX的全面指南提升您的交易游戏

本文继续针对初学者的系列文章。在这里我们将讨论开发 EA 交易的基本原则。我们将创建两个 EA：第一个 EA 不使用指标进行交易，使用挂单，第二个 EA 将基于标准 MA 指标，以当前价格开仓。在这里，我假设你不再是一个完全的初学者，并且对前几篇文章中的材料有相对较好的掌握。

在本文中，我们将介绍如何使用Python中的情绪分析和ONNX模型，并将它们应用于EA中。使用一个脚本运行TensorFlow训练的ONNX模型，以进行深度学习预测；而通过另一个脚本获取新闻标题，并使用人工智能技术量化情绪。

掌握如何从网络向智能交易系统输入数据并非那么轻而易举。 如果不了解 MetaTrader 5 提供的所有可能性，就很难做到这一点。

当价格回到先前确定的公允价值缺口位置，且未表现出预期的支撑或阻力反应，而是无视该缺口时，便出现了逆公允价值缺口（IFVG）。这种“无视”现象可能预示着市场方向的潜在转变，并为反向交易提供优势。在本文中，我将介绍自己开发的量化方法，以及如何将IFVG作为一种策略，应用于MetaTrader 5智能交易系统（EA）中。

如果我们想从机器学习这些先进技术中获得任何价值，那么很难解释和理解为什么我们的模型偏离我们的期望至关重要。如果对模型内部工作原理的没有全面了解，我们可能无法发现破坏模型性能的错误，我们可能会在无法预测的参照特征上浪费时间，从长远来看，我们有可能没有充分利用这些模型的功能。幸运的是，有一个复杂且维护良好的多合一解决方案，令我们能够准确地看到我们的模型在引擎盖下正在做什么。

运用主成分分析（PCA）彻底革新您的金融市场分析！ 发现这种强大的技术如何解锁数据中隐藏的形态，揭示潜在的市场趋势，并优化您的投资策略。 在本文中，我们将探讨 PCA 如何为分析复杂的金融数据提供新的视角，揭示传统方法会错过的见解。 发掘 PCA 应用于金融市场数据如何为您带来竞争优势，并帮助您保持领先地位。

数据分类对于算法交易者和程序员来说是至关重要的。 在本文中，我们将重点关注一种分类逻辑算法，它有帮于我们识别“确定或否定”、“上行或下行”、“做多或做空”。

我们系列中的一篇新文章，介绍如何通过最流行的技术指标创建简单的交易系统。 我们将学习一个新的加速（Accelerator）振荡器指标，我们将学习如何利用它来设计交易系统。

在本文中，我们将令系统更加可靠，来确保健壮和安全的使用。 实现所需健壮性的途径之一是尝试尽可能多地重用代码，从而能在不同情况下不断对其进行测试。 但这只是其中一种方式。 另一个是采用 OOP。

数据挖掘在数据科学家和交易者看来至关重要，因为很多时候，数据并非如我们想象的那么简单。 人类的肉眼无法理解数据集中的不显眼底层形态和关系，也许 K-means 算法可以帮助我们解决这个问题。 我们来发掘一下...

在本文中，我们将开发一个“看看发生了什么”类型的图形订单系统。 请注意，我们这次不是从头开始，只不过我们将修改现有系统，在我们交易的资产图表上添加更多对象和事件。

我们继续研究聚类方法。 在本文中，我们将创建一个新的 CKmeans 类来实现最常见的聚类方法之一：k-均值。 在测试期间，该模型成功地识别了大约 500 种形态。

今天，我们将针对市场分析构建《时序与交易》系统的第二部分。 在前一篇文章《时序与交易（I）》当中，我们讨论了一种替代的图表组织系统，该系统能够针对市场上执行的成交进行最快速的解释。

强化学习的问题在于需要定义奖励函数。 它可能很复杂，或难以形式化。 为了定解这个问题，我们正在探索一些基于行动和基于环境的方式，无需明确的奖励函数即可学习技能。

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。

本文探讨了一种将线性判别分析（LDA）与布林带相结合的交易策略，利用对市场区域的分类预测来生成战略性入场信号。

我们迈进更完整的图表上的直接订单系统。 在本文中，我将展示一种修复订单系统的方法，或者更确切地说，令其更直观。

使用任何编程语言的任何程序都有特定的结构。在本文中，您将通过了解MQL5程序结构每个部分的编程基础知识来学习MQL5计划结构的重要部分，这些基础知识在创建可在MetaTrader 5中执行的MQL5交易系统或交易工具时非常有用。

随着人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。