MQL5编程文章

在这一系列文章中，我们重新审视经典策略，看看是否可以利用人工智能（AI）对其进行改进。在本文中，我们将研究流行的多时间框架分析策略，以判断该策略是否可以通过人工智能得到增强。

体验分步指南，创建自定义的 MQL5 版本 JSON 解析器，囊括对象和数组处理、错误检查、及序列化。通过这款灵活的解决方案，在 MetaTrader 5 中处理 JSON，获取桥接交易逻辑与结构化数据的实用见解。

在前面的部分中，我们正在开发的智能交易系统 (EA) 只能使用固定的仓位大小进行交易。这对于测试来说是可以接受的，但在真实账户交易时并不建议这样做。让我们能够使用可变的仓位大小进行交易。

在机器学习中，聚类算法是重要的无监督学习算法，它们可以将原始数据划分为具有相似观测值的组。利用这些组，可以分析特定聚类的市场情况，使用新数据寻找最稳定的聚类，并进行因果推断。本文提出了一种在Python中进行时间序列聚类的原创方法。

我们已经创建了不少有助于安排自动优化的组件。在创建过程中，我们遵循了传统的循环结构：从创建最小的工作代码到重构和获得改进的代码。是时候开始清理我们的数据库了，这也是我们正在创建的系统中的一个关键组件。

趋势是许多交易策略的重要组成部分。在本文中，我们将考察一些用来识别趋势及其特征的工具。理解并正确解释趋势，能够显著提升交易效率，并将风险最小化。

传统的机器学习教导从业者要警惕不要使模型陷入过度拟合。然而，这种观念正受到哈佛大学研究人员最新发表的学术见解的挑战。他们发现，看似过拟合的情形在某些情况下可能是由于提前终止训练过程导致的。我们将展示如何利用研究论文中发表的观点，来改进我们使用人工智能预测市场行为的方式。

本文聚焦于 MQL5 文件处理的核心技术，涵盖交易日志、CSV 处理以及外部数据集成。它既提供概念性理解，也包含实用的编程指导。读者将逐步学习如何构建一个自定义的 CSV 导入器类，从而掌握适用于实际应用的实用技能。

在这篇文章中，我们将做一些许多人会觉得奇怪和完全脱离上下文的事情，但如果使用得当，这将使你的学习更加有趣：我们将能够根据这里显示的内容构建非常有趣的东西。这将使您更好地理解 MQL5 语言的语法。此处提供的材料仅用于教育目的。它不应以任何方式被视为最终应用程序。其目的不是探索所提出的概念。

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。

本文从详细的角度讨论了如何基于交易算法实现 EA 交易系统的创建。这有助于在 MQL5 中实现系统自动化，并控制每日回撤。

秉承我们简化价格行为分析的核心理念，我们很高兴推出又一款可显著提升市场分析能力、助力您做出精准决策的工具。该工具可展示关键技术指标（如前一日价格、重要支撑阻力位、成交量），并在图表上自动生成可视化标记。

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。

本文基于蒙特卡洛模拟，展示了回归分析非平稳过程时产生的伪回归现象。

今天，我们将学习如何使用预定义的 MQL5 语言变量和常量。此外，我们将分析另一种特殊类型的变量：函数。知道如何正确使用这些变量可能意味着一个有效的应用程序和一个无效的应用程序之间的区别。为了理解这里介绍的内容，有必要理解前几篇文章中讨论的材料。

本文介绍如何使用 MQL5 中的内置指标，重点介绍如何使用基于项目的方法创建基于 RSI 的 EA 交易。您将学习获取和利用 RSI 值、处理流动性清扫以及使用图表对象增强交易可视化。此外，本文强调了有效的风险管理，包括设定基于百分比的风险、实施风险回报率以及应用风险修改来确保利润。

通过详细的分步方法创建扩展的历史管理 EX5 库，学习如何使用 MQL5 检索、处理、分类、排序、分析和管理已平仓头寸、订单和交易历史。

本文探讨了如何优化 RSI 的水平和周期，以获得更好的交易信号。我们介绍了估算最优 RSI 值的方法，并使用网格搜索和统计模型来自动选择周期。最后，我们在 MQL5 中实现了该解决方案，同时利用 Python 进行分析。我们的方法力求务实和直接，旨在以简单的方式帮助您解决潜在复杂的问题。

本文中，我们在原有四分位脚本的基础上新增 "四分位看板"（Quarters Board） 工具，该工具让您无需返回代码即可直接在图表上切换四分位水平。您可以轻松启用或禁用特定水平，EA还会提供趋势方向注释，帮助您更好地理解市场走势。

本文揭示了跨邻域搜索（ANS）算法的潜力，作为重要的一步，旨在开发灵活且智能的优化方法，使其能够在搜索空间中考虑问题的具体特性和环境的动态变化。

本文将介绍如何创建一个指标型仪表盘，按账户、交易品种及交易策略展示交易统计信息。我们将以官方文档及数据库相关文章中的示例为基础，逐步实现完整程序。

本文详细介绍如何利用第一篇开发的状态检测器，构建一个自适应的智能交易系统（MarketRegimeEA）。该系统能够根据趋势、震荡或高波动市场，自动切换交易策略与风险参数。文中涵盖了实用的参数优化、状态过渡处理以及多时间周期指标的应用。

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。

我们继续研究从点云提取特征的算法。在本文中，我们将领略提升 PointNet 方法效率的机制。

生成式对抗网络是一对神经网络，它们彼此相互训练，以便结果更精准。我们采用这些网络的条件化类型，作为我们正在寻找的可选项，应用于智能信号类之内预测金融时间序列。

我们邀请您来领略层次化矢量转换器（HiVT）方法，其专为快速、准确地预测多模态时间序列而开发。

在本文中，我们将讨论混合交易系统 StockFormer，其结合了预测编码和强化学习（RL）算法。该框架用到 3 个变换器分支，集成了多样化多头注意力（DMH-Attn）机制，改进了原版的注意力模块，采用多头前馈模块，能够捕捉不同子空间中的多元化时间序列形态。

市场结构反转检测智能交易系统（EA） 是您洞察市场情绪变化的得力助手，能够实时监控市场结构的潜在反转信号。该工具通过基于平均真实波幅（ATR）的动态阈值，精准识别市场结构的反转点，并在图表上以清晰的可视化指标标记每一处更高低点和更低高点。依托MQL5的极速执行能力与高度灵活的API接口，该工具提供实时动态分析，可以自动调整显示效果，确保图表清晰易读，并提供实时数据仪表板，实时统计反转次数与时间分布。此外，还支持自定义声音警报和移动端推送通知，确保关键信号无遗漏，通过将原始价格波动转化为可执行的交易策略，帮助您在瞬息万变的市场中抢占先机。

在本系列文章中，我们将重新审视一些广为人知的交易策略，看看是否能够利用人工智能（AI）来改进它们。请加入我们今天的讨论，一起测试贵金属与货币之间是否存在可靠的关系。

本文聚焦R德马赫（Rademacher）函数与沃尔什（Walsh）函数。探讨如何将这两类诞生于20世纪初的数学工具应用于金融时间序列分析，并揭示其在交易策略中的创新应用场景。

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。

本系列文章的这一部分专门介绍如何将WhatsApp与MetaTrader 5集成以实现通知功能。我们包含一张流程图以简化理解，并将讨论在集成过程中安全措施的重要性。指标的主要目的是通过自动化的简化分析过程，并且它们应包含通知方法，以便在满足特定条件时向用户发出警报。欲了解更多信息，请阅读本文。