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！
市场模拟（第 13 部分）：套接字（七）
当我们在 xlwings 或任何其他允许直接读写 Excel 的软件包中开发某些内容时，我们必须注意，所有程序、函数或过程都是执行之后就完成了其任务。无论我们如何努力改变工作方式，它们都不会一直处于循环之中。
交易中的神经网络：层次化双塔变换器（Hidformer）
我们邀请您来领略层次化双塔变换器（Hidmer）框架，其专为时间序列预测和数据分析而开发。框架作者提出了若干变换器架构改进方案，其成果提高了预测准确性、并降低了计算资源消耗。
市场模拟（第八部分）：套接字（二）
用套接字实现一些实用功能怎么样？在今天的文章中，我们将开始创建一个迷你聊天室。让我们一起来看看这是怎么做到的 —— 这会非常有趣。请注意，此处提供的代码仅用于教育目的。它不应用于商业目的或现成的应用程序，因为它不提供数据传输安全性，并且可以访问通过套接字传输的内容。
您应当知道的 MQL5 向导技术（第 63 部分）：运用 DeMarker 和包络通道形态
DeMarker 振荡器和包络指标是动量和支撑/阻力工具，能够在开发智能系统时配对。因此，我们逐一实证哪些形态能够实用，哪些潜在要回避。我们一如既往地使用由向导汇编的智能系统，伴同在信号类中内置的形态用法函数。
MQL5自优化智能交易系统（第八部分）：多策略分析（3）—— 加权投票机制
本文将探讨如何确定集成策略中最优的策略数量 —— 这是一个复杂问题，而借助MetaTrader 5的遗传算法优化器可以轻松解决。同时，我们也会使用MQL5云端计算作为核心资源，加速回测与优化过程。具体而言，本篇内容将为后续开发统计评估模型奠定基础，用于基于初始集成结果评估并改进交易策略。
市场模拟（第 15 部分）：套接字（九）
在本文中，我们将讨论我们一直试图展示的一个可能解决方案 —— 即如何让 Excel 用户在 MetaTrader 5 中执行操作，而无需发送订单或开仓或平仓。其思路是用户利用 Excel 对特定股票交易品种进行基本面分析。他们只需使用 Excel，就可以指示在 MetaTrader 5 中运行的 EA 交易开仓或平仓。
价格行为分析工具包开发（第三十三部分）：K线区间理论工具
提升您对市场的解读能力，这款适用于MetaTrader 5的K线区间理论套件是完全原生的MQL5解决方案，能将原始K线数据转化为实时波动率情报。轻量级的CRangePattern库会将每根K线的真实波幅与自适应ATR进行基准对比，并在K线收盘的瞬间完成形态分类；CRT指标随后会将这些分类结果以清晰的彩色矩形和箭头形式呈现在图表上，实时揭示市场的缩量盘整、强势突破以及全区间吞没形态。
混沌优化算法（COA）
本文介绍一种改进型混沌优化算法（COA），该算法将混沌特性与自适应搜索机制相结合。算法通过一组混沌映射与惯性分量对搜索空间进行遍历探索。文章阐述了金融优化领域中混沌方法的理论基础。
交易中的神经网络：针对加密货币市场的记忆扩充上下文感知学习（MacroHFT）
我邀请您探索 MacroHFT 框架，该框架应用了上下文感知强化学习和记忆，利用宏观经济数据和自适应智代改进加密货币高频交易决策。
交易中的神经网络：针对加密货币市场的记忆扩充上下文感知学习（终篇）
针对加密货币交易的 MacroHFT 框架采用上下文感知强化学习和记忆，以便适应动态市场条件。在本文末尾，我们将在真实历史数据上测试所实现的方式，从而评估其有效性。
价格行为分析工具包开发（第 35 部分）：预测模型训练与部署
历史行情数据绝非 “无用糟粕”，而是所有稳健市场分析的根基。本文将带您循序渐进，从历史数据采集入手，利用数据训练预测模型，最终完成模型部署，实盘价格预测落地应用。继续往下阅读，掌握完整实现流程！
基于MQL5中表模型的表类和表头类：应用MVC概念
本文是致力于使用MVC（模型-视图-控制器）架构范式在MQL5中实现表模型系列文章的第二部分。本文基于先前创建的表模型来开发表类和表头。已经开发的类将构成进一步实现视图和控制器组件的基础，这些内容将在随后的文章中讨论。
MQL5 MVC模式中表格的视图组件：基础图形元素
本文介绍了在MQL5中实现MVC（模型-视图-控制器）范式下表格视图组件时，开发基础图形元素的过程。这是关于视图组件的首篇文章，也是为MetaTrader 5客户端开发表格功能系列文章的第三篇。
交易中的神经网络：配备概念强化的多智代系统（终篇）
我们继续实现 FinCon 框架作者提议的方式。FinCon 是一款基于大语言模型（LLM）的多智代系统。今天，我们将实现必要的模块，并在真实历史数据上全面测试模型。
数据科学与机器学习（第四十部分）：斐波那契回调位在机器学习中的应用
斐波那契回调位是技术分析中常用的工具，可以帮助交易者识别潜在的价格反转区域。本文将探讨如何将这些斐波那契回调位转化为机器学习模型的目标变量，从而借助这一强大的工具让模型更好地理解市场规律。
在MQL5中实现盈亏平衡机制（第一部分）：基类与固定点数的盈亏平衡模式
本文将探讨如何使用MQL5语言，在自动化交易策略中应用盈亏平衡机制。我们会先简要介绍什么是盈亏平衡模式、其实现方式以及可能存在的不同类型。随后，该功能将被集成到我们在上一篇关于风险管理的文章中所构建的Order Blocks智能交易系统（EA）中。为评估盈亏平衡机制的效果，我们会在特定条件下进行两组回测：一组启用盈亏平衡机制，另一组则不启用。
精通日志记录（第九部分）：实现构造器模式并添加默认配置
本文将演示如何借助构造器模式与自动默认配置，大幅简化 Logify 库的使用流程。文中详细讲解了专用构造器的结构设计、智能代码补全功能的运用方式，以及如何确保日志无需手动配置即可正常运行。同时，本文还针对 MetaTrader 5 build 5100 版本的相关调整进行了适配。
从基础到中级：事件（二）
在本文中，我们将看到并非所有内容都需要以某种特定的方式实现。解决问题还有其他方法。要正确理解这篇文章，有必要掌握前几篇文章中描述的概念。此处提供的材料仅用于教育目的。不要将其视为已完成的应用程序，它的目的是研究这里提出的概念。
金融时间序列中的保形预测探索
本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。
MQL5中表格模型的实现：应用MVC概念
在本文中，我们将探讨如何使用MVC（模型-视图-控制器）架构模式在MQL5中开发表格模型，该模式可将数据逻辑、展示和控制进行分离，从而实现结构化、灵活且可扩展的代码。我们将考虑实现用于构建表格模型的各类，包括使用链表来存储数据。
金融时间序列中的保形预测探索
本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。
数据科学与机器学习（第四十一部分）：基于YOLOv8的外汇与股票市场图表形态检测
金融市场的形态检测极具挑战性，因为它需要“看懂图表画面”，而MQL5受限于图像处理能力，很难实现这一点。本文将介绍一个基于Python构建的合适的模型，它能让我们轻松高效地检测图表上的各类形态。
价格走势角度分析：用于预测金融市场的混合模型
什么是金融市场角度分析？如何利用价格变动角度和机器学习实现准确率达 67% 的精准预测？如何将回归和分类模型与角度特征相结合，并获得一个可运行的算法？这与江恩理论有什么关系？为什么价格走势角度是机器学习的良好指标？
交易中的资本管理和带有数据库的交易者家庭会计程序
交易者如何管理资金？交易者和投资者如何跟踪支出、收入、资产和负债？我不仅要向你介绍会计软件；我将向您展示一个工具，它可能会成为您在波涛汹涌的交易海洋中可靠的金融导航器。
外汇套利交易：汇率关系评估面板
本文介绍了在 MQL5 中开发套利分析面板的过程。如何通过不同方式在外汇交易中获得公允的汇率？制定一个指标，以获取市场价格与公允汇率之间的偏差，并评估一种货币兑换为另一种货币的套利方式（如三角套利）的收益。
博弈论方法在交易算法中的应用
我们正在基于深度Q网络（DQN）机器学习技术，结合多维因果推理，开发一款自适应、自学习的交易 EA。该 EA 将能够同时成功交易 7 个货币对。不同货币对的智能体之间会相互交换信息。
骆驼算法（CA）
骆驼算法（CA）于 2016 年被提出，该算法模拟沙漠中骆驼的行为特征来求解优化问题，同时考量温度、供给储备和耐力三大因素。本文还提出了该算法的改进版本（CAm），核心改进包括：在解的生成过程中引入高斯分布，并对绿洲效应参数进行优化。
采用 CatBoost AI 预测 Renko 柱
如何将Renko柱与人工智能结合使用？我们来探讨外汇市场中的Renko交易，其预测准确率最高可达 59.27%。我们将探究Renko柱在过滤市场噪音方面的优势，了解为何成交量比价格形态更重要，以及如何为欧元 / 美元设置最优的Renko块大小。这是一份分步指南，教你整合 CatBoost、Python 与 MT5（MetaTrader 5），搭建属于自己的外汇Renko柱预测系统。对于希望突破传统技术分析框架的交易者来说，这是绝佳方案。
精通日志记录（第八部分）：具备自动翻译能力的错误日志记录
在《精通日志记录》第八部分中，我们将探索如何在Logify（一款功能强大的MQL5日志库）中实现多语言报错提示。您将学习如何根据上下文结构化报错信息、将提示内容切换成多种语言，并根据日志重要级别进行自动动态格式化。所有这一切都基于一个简洁、可扩展且适用于生产环境的设计。
市场模拟（第 14 部分）：套接字（八）
许多程序员可能会认为，我们应该放弃使用 Excel，直接使用 Python，使用一些允许 Python 生成 Excel 文件以供以后分析结果的包。不过，正如前一篇文章提到的，虽然这个解决方案对于很多程序员来说是最简单的，但它不会被一些用户接受。在这种特殊情况下，用户总是正确的。作为程序员，我们必须找到一种让一切都能正常工作的方法。
神经网络在交易中的应用：市场异常的自适应检测（DADA）
我们诚邀您了解 DADA 框架，这是一种用于检测时间序列异常的创新方法。它有助于区分随机波动和可疑偏差。与传统方法不同，DADA 具有灵活性，能够适应不同的数据。它没有采用固定的压缩级别，而是提供了多种选项，并为每种情况选择最合适的选项。
挖掘央行资产负债表数据，描绘全球流动性全貌
挖掘各国央行资产负债表数据，能够厘清外汇市场与主要币种的全球流动性现状。我们整合美联储、欧洲央行、日本央行、中国人民银行的数据构建综合指数，并借助机器学习挖掘潜藏规律。该方法融合基本面与技术分析，将原始数据转化为可落地的交易信号。
您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态
分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。
MQL5交易工具（第七部分）：用于多品种持仓与账户监控的信息仪表盘
在本文中，我们将使用MQL5开发一款信息仪表盘，用于监控多品种持仓以及账户关键指标，如余额、净值和可用保证金。我们将实现一个支持排序的实时刷新表格、CSV导出功能，以及发光表头效果，以提升工具的实用性与视觉体验。
数据科学与机器学习（第四十二部分）：使用Python中的ARIMA模型进行外汇时间序列预测 —— 您需要了解的一切
ARIMA，全称为自回归积分移动平均模型，是一种效果出色的传统时间序列预测模型。该模型能够捕捉时间序列数据中的突增与波动，可对后续数值做出精准预测。在本文中，我们将了解什么是ARIMA、如何运行，以及如何利用它高精度预测市场下一期价格，还有更多相关实用内容。
神经网络在交易中的应用：混合图序列模型（GSM++）
混合图序列模型（GSM++）结合了不同架构的优点，能够提供高保真度的数据分析，并优化计算成本。这些模型可高效适配动态市场数据，进而优化金融信息的展示与处理流程。
从基础到中级：结构（三）
在本文中，我们将探讨什么是结构化代码。许多人将结构化代码与有组织的代码混淆，但这两个概念之间存在差异。这正是本文将要讨论的内容。尽管你在初次接触这类代码编写时可能会感到其明显的复杂性，但我已尽可能地以简单易懂的方式讲解这一主题。然而，本文只是迈向更宏大目标的第一步。