MQL5编程文章

我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。

关于操控时间序列的主题总结，诸如组织存储、针对存储在指标缓冲区中的数据进行搜索和分类，如此即可在程序里利用函数库创建指标值，并进一步据其执行分析。 函数库的所有集合类的一般概念，能够轻松地在相应的集合中找到必要的数据。 在今天创建的类中，也可分别完成同样功能。

为了依据数据形成柱线，我们必须放弃回放，并开始研发一款模拟器。 我们将采用 1-分钟柱线，因为它们所需的难度最小。

做市商是如何运作的？让我们探讨一下这个问题，创建一个初级的做市商算法。

我们需要更好地组织我们的工作。 代码正在快速增长，如果现在不做，那么以后就变得更不可能了。 我们分而治之。 MQL5 支持类，可协助实现此任务，但为此，我们需要对类有一定的了解。 大概最让初学者困惑的是继承。 在本文中，我们将看到如何以实用和简单的方式来运用这些机制。

在本文中，我将创建 WinForms 文本标签控件的对象类。 这样的对象能够将其容器放置在任何位置，而其自身的功能将重现 MS Visual Studio 文本标签的功能。 我们能够为欲显示的文本设置字体参数。

本文将讨论 WinForms 对象群组，及创建 CheckBox 对象列表对象。

机器学习模型带有各种可调节的参数。在本系列文章中，我们将探讨如何使用SciPy库来定制您的AI模型，使其适应特定的市场。

在本文中，我将研究管理复合图形对象的工具包 — 管理扩展标准图形对象的控件。 今天，我从复合图形对象重新定位的内容稍微离题 ，并实现图表上复合图形对象的变更事件处理。 此外，我将重点讲解管理复合图形对象的控件。

卷积神经网络（CNN）以其在检测图像和视频形态方面的出色能力而闻名，其应用涵盖众多领域。在本文中，我们探讨了 CNN 在金融市场中识别有价值形态，并为 MetaTrader 5 交易机器人生成有效交易信号的潜力。我们来发现这种深度机器学习技术如何能撬动更聪明的交易决策。

这是描述 MQL5 编程主要方面的系列文章中的第三篇。本文涵盖了上一篇文章中未讨论的复杂数据类型。这些包括结构、联合、类和“函数”数据类型。它还解释了如何使用 #include 预处理器指令为程序添加模块化。

当经由向导组装一款智能系统时，默认情况下，跨多币种交易不可用。我们研究了 2 种可能采取的技巧，可令交易者在同一时间据多个品种测试他们的思路。

为了获得一个好的 EA，我们需要为它选择多组好的交易策略实例参数。这可以通过对不同的交易品种运行优化然后选择最佳结果来手动完成。但最好将这项工作委托给程序，并从事更有成效的活动。

本文简化了三角套利的过程，向您展示如何利用预测和专业软件更明智地进行货币交易，即使您是新手也能轻松入门。准备好凭借专业知识进行交易了吗？

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。

在本文中，我将继续开发 TabControl，并针对设置标题大小的所有模式，实现选项卡标题在控件所有四个侧边的排列：正常、固定、和靠右填充。

在本文中，我们探索了在时间序列由数字滤波器在频域上进行表达的应用，如此即可提取也许对预测模型有用的独特特征。

在本文中，我将创建一个新算法来为构建自定义图形的所有图形元素命名，并继续开发 TabControl WinForms 对象。

本文介绍一个基于EMA交叉信号的自动交易算法，该算法适用于MetaTrader 5平台。文章详细阐述了在MQL5中开发一个EA所需的方方面面，以及在MetaTrader 5中进行测试的过程——从分析价格区间行为到风险管理。

在本文中，我将剔除在画布上同时处理扩展（和标准）图形对象和窗体对象方面的明显缺陷，并修复在前一篇文章中执行测试期间检测到的错误。 本文总结了函数库说明的这一部分。

在这篇文章中，我们深入研究自举法技术的应用，作为评估自动化策略未来效能的一种手段。