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！
数据科学和机器学习（第 26 部分）：时间序列预测的终极之战 — LSTM 对比 GRU 神经网络
在上一篇文章中，我们讨论了一个简单的 RNN，尽管它对理解数据中的长期依赖关系无能为力，却仍能制定可盈利策略。在本文中，我们将讨论长-短期记忆（LSTM）、门控递归单元（GRU）。引入这两个是为了克服简单 RNN 的缺点，并令其更聪慧。
DoEasy 函数库中的时间序列（第四十四部分）：指标缓冲区对象类集合
本文介绍如何创建指标缓冲区对象类的集合。 我计划测试为指标创建和操控任意数量缓冲区的能力（在 MQL 指标中可以创建的最大缓冲区数量为 512）。
混沌博弈优化（CGO）
本文提出了一种新型元启发式算法——混沌博弈优化算法（CGO），该算法在处理高维问题时展现出独特的保持高效率的能力。与大多数优化算法不同，CGO在问题规模扩大时不仅不会降低性能，有时甚至还会提升性能，这便是其关键特性。
数据科学与机器学习（第 09 部分）：K-最近邻算法（KNN）
这是一种惰性算法，它不是基于训练数据集学习，而是以存储数据集替代，并在给定新样本时立即采取行动。 尽管它很简单，但它能用于各种实际应用。
DoEasy. 控件 (第 26 部分): 完成 ToolTip（工具提示）WinForms 对象，并转移至 ProgressBar（进度条）开发
在本文中，我将完成 ToolTip（工具提示）控件的开发，并启动 ProgressBar（进度条） WinForms 对象开发。 在处理对象时，我将针对控件及其组件开发动画处理的通用功能。
MVC 设计范式及其应用（第 2 部分）：三个组件之间相互作用示意图
本文是前一篇文章中所讨论主题的延续和完善：MQL 程序中的 MVC 范式。 在本文中，我们将研究范式的三个组件之间可能的相互作用的示意图。
神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法
在本系列的前几篇文章中，我们见识到两种增强的学习算法。 它们中的每一个都有自己的优点和缺点。 正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。 这将弥补它们每种的短处。 本文将讨论其中一种方法。
经典策略重塑（第12部分）：欧元兑美元（EURUSD）突破交易策略
今天，我们将挑战在MQL5中构建一套盈利的突破交易系统。我们选择欧元兑美元（EURUSD）货币对，尝试在H1（1小时）时间框架下捕捉价格的突破行情。初期挑战：系统难以区分假突破与真实趋势的开端，导致亏损较多。我们给系统叠加了多层过滤器，旨在把亏损压到最低，同时把盈利抬到最高。最终，我们成功地让系统实现盈利，并大幅降低假突破带来的风险。
价格行为分析工具包开发（第19部分）：ZigZag分析器
每一位价格行为交易者都会手动使用趋势线来确认趋势，并找出潜在的转折或延续水平。在这个关于开发价格行为分析工具包的系列中，我们介绍一款专注于绘制倾斜趋势线的工具，以便于进行市场分析。该工具通过清晰地勾勒出有效价格行为评估所必需的关键趋势和水平，简化了交易者的流程。
改编版 MQL5 网格对冲 EA（第 III 部分）：优化简单对冲策略（I）
在第三部分中，我们重新审视了早前开发的简单对冲和简单网格智能系统（EA）。我们的重点转移到通过数学分析和蛮力方式完善简单对冲 EA，旨在实现最优策略用法。本文深入探讨了该策略的数学优化，为在日后文章中探索未来基于编码的优化奠定了基础。
构建K线趋势约束模型（第九部分）：多策略智能交易系统（EA)（三）
欢迎来到本趋势系列文章的第三部分！今天，我们将深入探讨如何利用背离（Divergence）策略，在既有的日线趋势中识别最优入场点。同时，我们将引入一种定制化的利润锁定机制——其功能类似于追踪止损（Trailing Stop-Loss），但经过独特的优化升级。此外，我们还将把趋势约束智能交易系统升级为更高级版本，新增一项交易执行条件以完善现有策略框架。随着内容推进，我们将持续探索MQL5在算法开发中的实际应用，为您提供更深入的见解与可落地的技术方案。
神经网络变得轻松（第十八部分）：关联规则
作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。 这种问题类型首先用于零售业，即超市等，来分析市场篮子。 在本文中，我们将讨论这些算法在交易中的适用性。
MQL5 中的范畴论 (第 7 部分)：多域、相对域和索引域
范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。
基于隐马尔可夫模型的趋势跟踪波动率预测
隐马尔可夫模型（HMMs）是强大的统计工具，可通过分析可观测的价格波动来识别潜在的市场状态。在交易领域，隐马尔可夫模型通过建模和预测市场状态的转变，可提升波动率预测的准确性，并为趋势跟踪策略提供依据。在本文中，我们将完整介绍一种趋势跟踪策略的开发流程，该策略利用隐马尔可夫模型预测波动率，并将其作为交易信号的过滤条件。
开发先进的 ICT 交易系统：在指标中实现订单区块
在本文中，我们将学习如何创建一个指标来检测、绘制订单区块并提醒订单块的缓解。我们还将详细研究如何在图表上识别这些区块，设置准确的提醒，并使用矩形可视化它们的位置，以更好地了解价格行为。该指标将成为遵循聪明钱概念和内圈交易者（ICT，Inner Circle Trader）方法的交易者的关键工具。
群体优化算法：粒子群（PSO）
在本文中，我将研究流行的粒子群优化（PSO）算法。 之前，我们曾讨论过优化算法的重要特征，如收敛性、收敛率、稳定性、可伸缩性，并开发了一个测试台，并研究了最简单的 RNG 算法。
时间序列挖掘的数据标签（第2部分）：使用Python制作带有趋势标记的数据集
本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后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！
更好的程序员（第 06 部分）：9 个导致有效编码的习惯
并非有关编写代码的所有事情总是导致有效编码。 在我的从业经历中，我发现了一些会导致有效编码的习惯。 我们将在本文中详细讨论其中的一些。 对于每一位想要以更少的麻烦来提高自己编写复杂算法的能力的程序员来说，这是一篇必须阅读的文章。
以 MQL5 实现 ARIMA 训练算法
在本文中，我们将实现一种算法，该算法应用了 Box 和 Jenkins 的自回归集成移动平均模型，并采用了函数最小化的 Powells 方法。 Box 和 Jenkins 表示，大多数时间序列可以由两个框架中之一个或两个来建模。
多层感知器和反向传播算法（第 3 部分）：与策略测试器集成 - 概述（I）
多层感知器是简单感知器的演变，可以解决非线性可分离问题。 结合反向传播算法，可以有效地训练该神经网络。 在多层感知器和反向传播系列的第 3 部分当中，我们将见识到如何将此技术集成到策略测试器之中。 这种集成将允许使用复杂的数据分析，旨在制定更好的决策，从而优化您的交易策略。 在本文中，我们将讨论这种技术的优点和问题。
DoEasy 函数库中的时间序列（第五十二部分）：多周期、多品种单缓冲区标准指标的跨平台性质
在本文中，研究创建多品种、多周期标准指标的“建仓/派发”。 略微改进指标依托的函数库类，以便从老旧的 MetaTrader 4 平台切换到 MetaTrader 5 时，基于该函数库开发的程序均可正常运行。
神经网络变得轻松（第四十六部分）：条件导向目标强化学习（GCRL）
在本文中，我们要看看另一种强化学习方式。 它被称为条件导向目标强化学习（GCRL）。 按这种方式，代理者经过训练，可以在特定场景中达成不同的目标。
构建K线图趋势约束模型（第三部分）：在使用该系统时检测趋势变化
本文探讨了经济新闻发布、投资者行为以及各种因素如何影响市场趋势的反转。文章包含一段视频解释，并接着将MQL5代码融入我们的程序中，以检测趋势反转、向我们发出警报，并根据市场条件采取相应行动。本文是在此前一系列文章基础上的扩展。
基于预测的统计套利
我们将探讨统计套利，使用Python搜索具有相关性和协整性的交易品种，为皮尔逊（Pearson）系数制作一个指标，并编制一个用于交易统计套利的EA，该系统将使用Python和ONNX模型进行预测。
在 MQL5 中自动化交易策略（第三部分）：用于动态交易管理的RSI区域反转系统
在本文中，我们将在MQL5中创建一个基于RSI区域反转策略的EA系统，该系统使用RSI信号来触发交易，并采用反转策略来管理亏损。我们实现了一个“ZoneRecovery”类，用以自动化交易入场、反转逻辑和仓位管理。文章最后将进行系统的回测，以优化性能并提升 EA 的有效性。
数据科学和机器学习（第 14 部分）：运用 Kohonen 映射在市场中寻找出路
您是否正在寻找一种可以帮助您驾驭复杂且不断变化的市场的尖端交易方法？ Kohonen 映射是一种创新的人工神经网络形式，可以帮助您发现市场数据中隐藏的形态和趋势。 在本文中，我们将探讨 Kohonen 映射的工作原理，以及如何运用它们来开发更智能、更有效的交易策略。 无论您是经验丰富的交易者，还是刚刚起步，您都不想错过这种令人兴奋的新交易方式。
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLMs 开发和测试交易策略（一）- 微调
随着当今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，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
群体优化算法：智能水滴（IWD）算法
文章探讨了一种源自无生命自然的有趣算法 - 模拟河床形成过程的智能水滴（IWD，Intelligent Water Drops）。这种算法的理念大大改进了之前的评级领先者 - SDS。与往常一样，新的领先者（修改后的 SDSm）可在附件中找到。
种群优化算法：Nelder-Mead（NM），或单纯形搜索方法
本文表述针对 Nelder-Mead 方法进行的彻底探索，解释了如何在每次迭代中修改和重新排列单纯形（函数参数空间），从而达成最优解，并讲述了如何改进该方法。
从头开始开发智能交易系统（第 29 部分）：谈话平台
在本文中，我们将学习如何让 MetaTrader 5 平台谈话。 我们如何才能让 EA 更有趣呢？ 金融市场交易往往过于无聊和单调，但我们能够令这项工作少些无趣。 请注意，对于那些经历过上瘾等问题的人来说，这个项目可能是危险的。 然而，在一般情况下，它只会让事情聊胜于无。