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！
DoEasy 库中的其他类（第七十部分）：扩展功能并自动更新图表对象集合
在本文中，我将扩展图表对象的功能，并编排图表导航、创建屏幕截图、以及为图表保存和应用模板。 此外，我还将实现图表对象集合、其窗口和其内指标的自动更新。
神经网络变得简单（第 71 部分）：目标条件预测编码（GCPC）
在之前的文章中，我们讨论了决策转换器方法，以及从其衍生的若干种算法。我们测验了不同的目标设定方法。在测验期间，我们依据各种设定目标的方式进行操作。然而，该模型早期研究时验算过的轨迹，始终处于我们的关注范围之外。在这篇文章中。我想向您介绍一种填补此空白的方法。
神经网络变得简单（第 90 部分）：时间序列的频率插值（FITS）
通过研究 FEDformer 方法，我们打开了时间序列频域表述的大门。在这篇新文章中，我们将继续一开始的主题。我们将研究一种方法，据其我们不仅能进行分析，还可以预测特定区域的后续状态。
如何利用 MQL5 创建简单的多币种智能交易系统（第 4 部分）：三角移动平均线 — 指标信号
本文中的多币种 EA 是智能交易系统或交易机器人，能从一个品种的图表里交易（开单、平单、及管理订单，例如：尾随止损和止盈）多个品种（货币对）。这次我们只会用到 1 个指标，即多时间帧或单一时间帧中的三角移动平均线。
DoEasy. 控件 (第 14 部分): 命名图形元素的新算法。 继续操控 TabControl WinForms 对象
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。
股票交易中的非线性回归模型
股票交易中的非线性回归模型：能否预测金融市场？让我们考虑创建一个用于预测欧元兑美元（EURUSD）汇率的模型，并基于此模型制作两个交易机器人——分别使用Python和MQL5语言。
价格行为分析工具包开发（第六部分）：均值回归信号捕捉器
有些概念乍一看似乎简单明了，但在实际操作中的实现却颇具挑战。在接下来的文章中，将带您了解我们创新性地自动化一款运用均值回归策略分析市场的智能交易系统（EA）的方法。与我们一同揭开这一激动人心的自动化过程的神秘面纱吧。
DoEasy 函数库中的时间序列（第五十八部分）：指标缓冲区数据的时间序列
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。
重构经典策略（第十一部分）移动平均线的交叉（二）
移动平均线和随机振荡器可用于生成趋势跟踪交易信号。然而，这些信号只有在价格行为发生之后才会被观察到。我们可以有效地利用人工智能克服技术指标中这种固有的滞后性。本文将教您如何创建一个完全自主的人工智能驱动型EA，这种方式可以改进您现有的任何交易策略。即使是最古老的交易策略也可以被改进。
DoEasy. 控件 (第 3 部分): 创建绑定控件
在本文中，我将创建绑定到基准元素的从属控件。 开发任务将使用基准控件功能执行。 此外，我还会稍微修改一下图形元素阴影对象，因为把它应用于任何有阴影的对象时会遇到一些逻辑错误。
价格行为分析工具包开发（第10部分）：外部资金流（二）VWAP
通过我们的综合指南，掌握VWAP的强大力量！学习如何使用MQL5和Python将VWAP分析集成到您的交易策略中。最大化您的市场洞察力，并改善您今天的交易决策。
因果推理中的倾向性评分
本文探讨因果推理中的匹配问题。匹配用于比较数据集中的类似观察结果，这对于正确确定因果关系和消除偏见是必要的。作者解释了这如何有助于构建基于机器学习的交易系统，这些系统在没有经过训练的新数据上变得更加稳定。倾向性评分在因果推理中起着核心作用并被广泛应用。
神经网络变得简单（第 61 部分）：离线强化学习中的乐观情绪问题
在离线学习期间，我们基于训练样本数据优化了智能体的政策。成品政策令智能体对其动作充满信心。然而，这种乐观情绪并不总是正当的，并且可能会在模型操作期间导致风险增加。今天，我们要寻找降低这些风险的方法之一。
Python中的虚假回归（伪回归）
虚假回归通常发生在两个时间序列之间仅因偶然因素而展现出高度相关性时，这会导致回归分析产生误导性的结果。在这种情况下，尽管变量之间可能看似存在关联，但这种关联仅仅是巧合，模型可能并不可靠。
MQL5 Algo Forge 入门
我们正在推出 MQL5 Algo Forge —— 一个专为算法交易开发人员设计的门户网站。它将 Git 的强大功能与直观的界面相结合，用于管理和组织 MQL5 生态系统内的项目。在这里，您可以关注有趣的作者，组建团队，并在算法交易项目上进行协作。
射箭算法（Archery Algorithm, AA）
本文详细探讨了受射箭启发的优化算法——射箭算法（Archery Algorithm, AA），重点介绍了如何使用轮盘赌法（roulette method）作为选择“箭矢”目标区域的机制。该方法允许评估解决方案的质量，并选择最有希望的位置进行进一步的探究。
神经网络变得轻松（第四十八部分）：降低 Q-函数高估的方法
在上一篇文章中，我们概述了 DDPG 方法，它允许在连续动作空间中训练模型。然而，与其它 Q-学习方法一样，DDPG 容易高估 Q-函数的数值。这个问题往往会造成训练代理者时选择次优策略。在本文中，我们将研究一些克服上述问题的方式。
价格行为分析工具包开发（第十三部分）：RSI 哨兵工具
通过识别背离，可以有效地分析价格行为，而像 RSI 这样的技术指标则能提供关键的确认信号。在下面的文章中，我们将解释自动化的 RSI 背离分析如何识别趋势的延续和反转，从而为市场情绪提供宝贵的见解。
开发多币种 EA 交易（第 6 部分）：自动选择实例组
在优化交易策略后，我们会收到一组参数。我们可以使用它们在一个 EA 中创建多个交易策略实例。以前，我们都是手动操作。在此，我们将尝试自动完成这一过程。
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（四） —— 测试交易策略
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。
将人工智能（AI）模型集成到已有的MQL5交易策略中
本主题聚焦于将训练好的人工智能（AI）模型（如长短期记忆网络（LSTM）等强化学习模型，或基于机器学习的预测模型）集成到现有的MQL5交易策略中。
DoEasy. 控件 (第 11 部分): WinForms 对象 — 群组，CheckedListBox WinForms 对象
本文将讨论 WinForms 对象群组，及创建 CheckBox 对象列表对象。
在MQL5中创建交易管理员面板（第六部分）：多功能界面（一）
交易管理员的角色不仅限于Telegram通信，他们还可以参与各种控制活动，包括订单管理、持仓跟踪和界面定制。在本文中，我们将分享有关扩展程序以支持MQL5中多种功能的实用见解。此次更新旨在克服当前管理员面板主要聚焦于通信这一局限，使其能够处理更广泛的任务。
开发先进的 ICT 交易系统：在订单块指标中实现信号
在本文中，您将学习如何基于订单簿交易量（市场深度）开发订单块（Order Blocks）指标，并使用缓冲区对其进行优化以提高准确性。这结束了项目的当前阶段，并为下一阶段做准备，下一阶段将包括实施风险管理类和使用指标生成的信号的交易机器人。
构建和测试 Aroon 交易系统
在本文中，我们将学习在了解了 Aroon 指标（阿隆指标）的基础知识和基于该指标构建交易系统的必要步骤之后，如何构建 Aroon 交易系统。建立这个交易系统后，我们将对其进行测试，看看它是否能盈利，还是需要进一步优化。
开发多币种 EA 交易（第 4 部分）：虚拟挂单和保存状态
在开始开发多币种 EA 后，我们已经取得了一些成果，并成功地进行了多次代码改进迭代。但是，我们的 EA 无法处理挂单，也无法在终端重启后恢复运行。让我们添加这些功能。
密码锁算法（CLA）
在本文中，我们将重新考虑密码锁，将它们从安全机制转变为解决复杂优化问题的工具。让我们探索密码锁的世界，不再将其视为简单的安全装置，而是作为优化问题新方法的灵感来源。我们将创建一整群“锁”，其中每把锁都代表问题的一个独特解决方案。然后，我们将开发一种算法来“破解”这些锁，并从机器学习到交易系统开发等多个领域中找到最优解。
基于转移熵的时间序列因果分析
在本文中，我们讨论了如何将统计因果关系应用于识别预测变量。我们将探讨因果关系与传递熵（Transfer Entropy, TE）之间的联系，并展示用于检测两个变量之间信息方向性传递的MQL5代码。
关于因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在市场事件预测中的应用实例
本文提供了一个使用因果网络分析（Causality Network Analysis，CNA）和向量自回归（Vector Autoregression，VAR）模型在MQL5中实现复杂交易系统的全面指南。文章涵盖了这些方法的理论背景，详细解释了交易算法中的关键函数，并提供了实现的示例代码。
基于LSTM的趋势预测在趋势跟踪策略中的应用
长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），其设计初衷是通过有效捕捉数据中的长期依赖关系，并解决传统RNN存在的梯度消失问题，从而实现对时序数据的高效建模。本文将系统阐述如何利用LSTM进行未来趋势预测，进而提升趋势跟踪策略的实战表现。具体内容涵盖这些模块：LSTM关键概念介绍与发展契机、从MetaTrader 5平台提取数据、在Python中构建并训练模型、将机器学习模型嵌入MQL5中、基于统计回测的结果分析与改进方向。
价格行为分析工具包开发（第 17 部分）：TrendLoom EA 工具
作为一名价格行为的观察者和交易者，我注意到当一个趋势得到多个时间周期的确认时，它通常会朝着该方向延续。可能不同的是趋势持续的时间，而这取决于您是哪种类型的交易者，无论是长期持仓还是从事剥头皮交易。您为确认所选的时间周期起着至关重要的作用。读这篇文章，了解一个快速、自动化的系统，只需点击一下按钮或通过定期更新，就能帮助您分析不同时间周期的整体趋势。
卡尔曼滤波器在外汇均值回归策略中的应用
卡尔曼滤波器是一种递归算法，在算法交易中用于通过滤除价格走势中的噪声来估计金融时间序列的真实状态。它能够根据新的市场数据动态更新预测，这使得它在均值回归等自适应策略中极具价值。本文首先介绍卡尔曼滤波器，涵盖其计算方法和实现方式。接下来，我们以外汇领域一个经典的均值回归策略为例，应用该滤波器。最后，我们通过将卡尔曼滤波器与移动平均线（MA）在外汇不同货币对上进行比较，开展各种统计分析。