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！
数据科学与机器学习（第22部分）：利用自编码器神经网络实现更智能的交易——从噪声中提炼信号
在瞬息万变的金融市场中，从噪音中分离出有意义的信号对于成功交易至关重要。通过采用复杂的神经网络架构，利用自动编码器发掘市场数据中的隐藏模式，将嘈杂的输入转化为可操作的类型。本文探讨了自动编码器如何改变交易实践，为交易者提供了一个强大的工具，以改善决策制定，并在当今瞬息万变的市场中获得竞争优势。
自定义指标：为净额结算账户绘制部分入场、出场和反转交易
在本文中，我们将探讨在MQL5中创建指标的一种非标准方法。我们的目标不是专注于趋势或图表形态，而是管理我们自己的仓位，包括部分入场和出场。我们将广泛使用动态矩阵以及一些与交易历史和未平仓头寸相关的交易函数，以在图表上显示这些交易发生的位置。
神经网络变得简单（第 69 部分）：基于密度的行为政策支持约束（SPOT）
在离线学习中，我们使用固定的数据集，这限制了环境多样性的覆盖范围。在学习过程中，我们的 Agent 能生成超出该数据集之外的动作。如果没有来自环境的反馈，我们如何判定针对该动作的估测是正确的？在训练数据集中维护 Agent 的政策成为确保训练可靠性的一个重要方面。这就是我们将在本文中讨论的内容。
重塑经典策略（第三部分）：预测新高与新低
在系列文章的第三部分中，我们将通过实证分析经典交易策略，探讨如何利用人工智能进行优化。本次研究聚焦于运用线性判别分析模型（LDA）预测价格走势中的更高高点与更低低点。
创建 MQL5-Telegram 集成 EA 交易 (第一部分):从 MQL5 发送消息到 Telegram
在本文中，我们在 MQL5 中创建一个 EA 交易，以使用机器人向 Telegram 发送消息。我们设置必要的参数，包括机器人的 API 令牌和聊天 ID，然后通过执行 HTTP POST 请求来传递消息。之后，我们将处理响应以确保成功传达，并排除故障时出现的任何问题。这确保我们能够通过创建的机器人将消息从 MQL5 发送到 Telegram。
群体优化算法：抵抗陷入局部极值（第一部分）
本文介绍了一个独特的实验，旨在研究群体优化算法在群体多样性较低时有效逃脱局部最小值并达到全局最大值的能力。朝着这个方向努力将进一步了解哪些特定算法可以使用用户设置的坐标作为起点成功地继续搜索，以及哪些因素会影响它们的成功。
开发回放系统（第 39 部分）：铺平道路（三）
在进入开发的第二阶段之前，我们需要修正一些想法。您知道如何让 MQL5 满足您的需求吗？您是否尝试过超出文档所包含的范围？如果没有，那就做好准备吧。因为我们将做一些大多数人通常不会做的事情。
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。
数据科学与机器学习（第24部分）：使用常规AI模型进行外汇时间序列预测
在外汇市场中，如果不了解过去的情况，就很难预测未来的趋势。很少有机器学习模型能够通过考虑过去的数据来做出未来预测。在本文中，我们将讨论如何使用经典（非时间序列）人工智能模型来战胜市场。
MQL5 中的范畴论 (第 9 部分)：幺半群（Monoid）— 动作
本文是以 MQL5 实现范畴论系列的延续。 在这里，我们继续将“幺半群 — 动作”当为幺半群变换的一种手段，如上一篇文章所涵盖的内容，从而增加了应用。
精通模型解释：从您的机器学习模型中获取深入见解
机器学习对于任何经验的人来说都是一个复杂而回报的领域。在本文中，我们将深入探讨为您所构建模型提供动力的内在机制，我们探索的错综复杂的世界，涵盖特征、预测和化解复杂性的有力决策，并牢牢把握模型解释。学习驾驭权衡、强化预测、特征重要性排位的艺术，同时确保做出稳健的决策。这篇基本读物可帮助您从机器学习模型中获得更高的性能，并为运用机器学习方法提取更多价值。
克服集成ONNX（Open Neural Network Exchange ）的挑战
ONNX是集成不同平台间复杂AI代码的强大工具，尽管它非常出色，但要想充分发挥其作用，就必须解决一些伴随而来的挑战。在本文中，我们将讨论您可能会遇到的一些常见问题，以及如何处理这些问题。
无政府社会优化（ASO）算法
本文中，我们将了解无政府社会优化（Anarchic Society Optimization，ASO）算法，并探讨一个基于无政府社会（一个摆脱中央权力和各种等级制度的异常社会交互系统）中参与者非理性与冒险行为的算法是如何能够探索解空间并避免陷入局部最优陷阱的。本文提出了一种适用于连续问题和离散问题的统一ASO结构。
您应当知道的 MQL5 向导技术（第 28 部分）：据入门学习率重新审视 GAN
学习率是许多机器学习算法在训练过程期间，朝向训练目标迈进的步长。我们检验了其众多调度和格式对于生成式对抗网络性能的影响，该神经网络类型我们在早前文章中已检验过。
开发多币种 EA 交易 (第 10 部分):从字符串创建对象
EA 开发计划包括几个阶段，中间结果保存在数据库中，它们只能作为字符串或数字而不是对象再次从那里读取。因此，我们需要一种方法来根据从数据库读取的字符串重新创建 EA 中的所需对象。
交易中的神经网络：用于时间序列预测的轻量级模型
轻量级时间序列预测模型使用最少的参数数量实现高性能。这反过来减少了计算资源的消耗并加快了决策速度。尽管是轻量级的，这些模型实现了与更复杂模型相当的预测质量。
结合基本面和技术分析策略在MQL5中的实现（适合初学者）
在本文中，我们将讨论如何将趋势跟踪和基本面原则无缝整合到一个EA中，以构建一个更加稳健的交易策略。本文将展示任何人都可以轻松上手，使用MQL5构建定制化交易算法的过程。
为 Metatrader 5 开发MQTT客户端：TDD方法——第4部分
本文是一系列文章的第四部分，介绍了我们为 MQTT 协议开发本机 MQL5 客户端的步骤。在这一部分中，我们将描述什么是 MQTT v5.0 属性，它们的语义，以及我们如何阅读其中的一些属性，并提供一个如何使用属性来扩展协议的简短示例。
DoEasy. 控件 (第 17 部分): 裁剪对象不可见部分、辅助箭头按钮 WinForms 对象
在本文中，我将创建一种功能，可隐藏超出其容器之外的对象部分。 此外，我亦将创建辅助箭头按钮对象，作为其它 WinForms 对象的一部分。
开发具有 RestAPI 集成的 MQL5 强化学习代理（第 3 部分）：在 MQL5 中创建自动移动和测试脚本
本文讨论在 Python 中实现井字游戏中的自动移动，并与 MQL5 函数和单元测试集成。目标是通过在 MQL5 中进行测试，提高游戏的互动性并确保系统的可靠性。本文内容包括游戏逻辑开发、集成和实际测试，最后将介绍动态游戏环境和强大集成系统的创建。
为 Metatrader 5 开发 MQTT 客户端：TDD 方法 - 第 6 部分
本文是介绍我们针对 MQTT 5.0 协议的本地 MQL5 客户端的开发步骤的系列文章的第六部分。在本部分中，我们会讨论我们第一次重构中的主要变化，我们如何为我们的数据包构建类得出可行的蓝图，我们如何构建 PUBLISH 和 PUBACK 数据包，以及 PUBACK 原因代码背后的语义。
您应当知道的 MQL5 向导技术（第 08 部分）：感知器
感知器，单隐藏层网络，对于任何精熟基本自动交易，并希望涉足神经网络的人来说都是一个很好的切入点。我们查看这是如何在一个信号类当中一步一步组装实现的，其是 MQL5 向导类中用于智能交易系统的部分。
为 MetaTrader 5 开发 MQTT 客户端：TDD 方法 - 最终篇
本文是介绍我们针对 MQTT 5.0 协议的本机 MQL5 客户端的开发步骤系列文章的最后一部分。尽管该库尚未投入实际使用，但在此部分中，我们将使用我们的客户端来更新来自另一个经纪商的报价（或利率）的自定义交易品种。请参阅本文底部以获取有关该库的当前状态的更多信息、它与 MQTT 5.0 协议完全兼容所缺少的内容、可能的路线图以及如何关注和促进其发展。
开发回放系统（第 35 部分）：进行调整 (一)
在向前迈进之前，我们需要解决几个问题。这些实际上并不是必需的修正，而是对类的管理和使用方式的改进。原因是系统内的某些相互作用导致了故障的发生。尽管我们试图找出这些故障的原因以消除它们，但所有这些尝试都没有成功。其中有些情况完全不合理，例如，当我们在 C/C++ 中使用指针或递归时，程序就会崩溃。
开发回放系统（第 36 部分）：进行调整（二）
让我们的程序员生活举步维艰的原因之一就是做出假设。在本文中，我将向您展示假设是多么危险：例如在 MQL5 编程中假设类型将具有某个特定值，或是在 MetaTrader 5 中假设不同服务器的工作方式相同。
在MQL5中实现基于抛物线转向指标（Parabolic SAR）和简单移动平均线（SMA）的快速交易策略算法
在本文中，我们将在MQL5中开发一个快速交易EA，利用抛物线SAR和简单移动平均线（SMA）指标来创建一个响应迅速的交易策略。我们详细介绍了该策略的实施过程，包括指标的使用、信号的生成以及测试和优化过程。
MQL5 中的范畴论 (第 14 部分)：线性序函子
本文是更广泛关于以 MQL5 实现范畴论系列的一部分，深入探讨了函子（Functors）。我们实验了如何将线性序映射到集合，这要归功于函子；通过研究两组数据，典型情况下会忽略其间的任何联系。
改编版 MQL5 网格对冲 EA（第 IV 部分）：优化简单网格策略（I）
在第四篇中，我们重新审视了之前开发的“简单对冲”和“简单网格”智能系统（EA）。我们的专注点转移到通过数学分析和暴力方式完善简单网格 EA，旨在优化策略用法。本文深入策略的数学优化，为在以后文章中探索未来基于编码的优化奠定了基础。
神经网络变得简单（第 94 部分）：优化输入序列
在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。
神经网络变得简单（第 63 部分）：决策转换器无监督预训练（PDT）
我们将继续讨论决策转换器方法系列。从上一篇文章中，我们已经注意到，训练这些方法架构下的转换器是一项相当复杂的任务，需要一个大型标记数据集进行训练。在本文中，我们将观看到一种使用未标记轨迹进行初步模型训练的算法。
开发具有 RestAPI 集成的 MQL5 强化学习代理（第 2 部分）：用于与井字游戏 RestAPI 进行 HTTP 交互的 MQL5 函数
在本文中，我们将讨论 MQL5 如何与 Python 和 FastAPI 交互，使用 MQL5 中的 HTTP 调用与 Python 开发的井字游戏交互。这篇文章讨论了使用 FastAPI 为这种集成创建一个 API，并提供了一个 MQL5 测试脚本，突出了 MQL5 的多功能性、Python 的简易性以及 FastAPI 在连接不同技术以创建创新解决方案方面的效果。
数据科学和机器学习（第 19 部分）：利用 AdaBoost 为您的 AI 模型增压
AdaBoost，一个强力的提升算法，设计用于提升 AI 模型的性能。AdaBoost 是 Adaptive Boosting 的缩写，是一种复杂的融合学习技术，可无缝集成较弱的学习器，增强它们的集体预测强度。
可视化交易图表（第二部分）：数据图形化展示
接下来，我们将从头开始编写一个脚本，以简化交易订单截图的加载过程，便于分析交易入场点。所有关于单个交易的必要信息都将方便地显示在一个图表上，并且该图表具备绘制不同时间框架的能力。
开发回放系统（第 44 部分）：Chart Trader 项目（三）
在上一篇文章中，我介绍了如何操作模板数据以便在 OBJ_CHART 中使用。在那篇文章中，我只是概述了这一主题，并没有深入探讨细节，因为在那个版本中，这项工作是以非常简单的方式完成的。这样做是为了更容易解释内容，因为尽管很多事情表面上很简单，但其中有些并不那么明显，如果不了解最简单、最基本的部分，就无法真正理解全局。
您应当知道的 MQL5 向导技术（第 10 部分）：非常规 RBM
限制性玻尔兹曼（Boltzmann）机处于基本等级，是一个两层神经网络，擅长通过降维进行无监督分类。我们取其基本原理，并检验如果我们重新设计和训练它，我们是否可以得到一个实用的信号滤波器。
您应当知道的 MQL5 向导技术（第 26 部分）：移动平均和赫斯特（Hurst）指数
赫斯特（Hurst）指数是时间序列长期自相关度的衡量度。据了解，它捕获时间序列的长期属性，故在时间序列分析中也具有一定的分量，即使在财经/金融时间序列之外亦然。然而，我们专注于其对交易者的潜在益处，研究如何将该计量度与移动平均线配对，从而构建潜在的稳健信号。
利用Python进行季节性过滤并为EA的ONNX深度学习模型选择时间周期
在利用Python构建深度学习模型时，我们能否从季节性因素中获益？为ONNX模型过滤数据是否有助于获得更好的结果？我们应该使用哪个时间周期？本文将全面探讨这些问题。