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！
MQL5经济日历交易指南（第九部分）：通过动态滚动条与界面优化提升新闻交互体验
本文中，我们为MQL5经济日历添加了动态滚动条功能，使用户直观快速浏览新闻事件。确保事件展示界面无卡顿且数据更新高效。并通过测试验证滚动条的响应性与仪表盘的美观度。
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。
精通日志记录（第七部分）：如何在图表上显示日志
了解如何在MetaTrader图表上以条理清晰的方式直接显示日志，包括边框、标题和自动
滚动功能。本文将演示如何用MQL5打造可视化日志系统，助您实时监控交易机器人的运行状态。
皇冠同花顺优化（RFO）
最初的皇冠同花顺优化算法提供了一种解决优化问题的新方法，受到扑克牌原则启发，以基于扇区的方式取代了传统的遗传二进制编码算法。RFO 展现出简化的基本原理如何带来高效、且实用的优化方法。文章呈现了一份详细的算法分析和测试结果。
交易中的神经网络：配备概念强化的多智代系统（FinCon）
我们邀您探索 FinCon 框架，这是一款基于大语言模型（LLM）的多智代系统。该框架利用概念性词汇强化来提升决策制定和风险管理，能在多种金融任务中有高效表现。
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。
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。
市场模拟（第 10 部分）：套接字（四）
在这篇文章中，我们将以一种非常有趣的方式，看看你需要做什么才能开始使用 Excel 来管理 MetaTrader 5。为此，我们将使用 Excel 加载项来避免使用内置的 VBA。如果您不知道什么是加载项，请阅读本文，学习如何直接在 Excel 中使用 Python 进行编程。
市场模拟（第九部分）：套接字（三）
今天的文章是上一篇文章的延续。我们将研究 EA 交易的实现，主要关注服务器代码的执行方式。上一篇文章中给出的代码不足以使一切按预期工作，因此我们需要更深入地挖掘它。因此，有必要阅读这两篇文章，以便更好地了解会发生什么。
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。
从基础到中级：模板和类型名称（三）
在本文中，我们将讨论该主题的第一部分，这对初学者来说并不容易理解。为了避免更加困惑并正确解释这个话题，我们将把解释分为几个阶段。我们将把这篇文章用于第一阶段。然而，尽管在本文末尾，我们似乎已经陷入僵局，但事实上，我们将朝着另一种情况迈出一步，这将在下一篇文章中得到更好的理解。
您应当知道的 MQL5 向导技术（第 59 部分）：配以移动平均和随机振荡器形态的强化学习（DDPG）
我们继续上一篇文章中有关配以 MA 和随机振荡器指标的 DDPG 话题，探讨实现 DDPG 时其他关键的强化学习类。尽管我们大多用 Python 编码，但最终产品是把训练好的网络导出为 ONNX 格式，我们会将它集成到由向导汇编的 MQL5 智能系统中作为资源。
机器学习交易系统中的隐马尔可夫模型
隐马尔可夫模型（HMM）是一类强大的概率模型，用于分析序列数据，其中观测值取决于形成马尔可夫过程的某些未观察（隐藏）状态的序列。HMM 的主要假设包括隐状态的马尔可夫性质，即转移到下一个状态的概率仅取决于当前状态，以及在当前隐状态已知的情况下，观测值是独立的。
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。
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。
从基础到中级：数组和字符串（二）
在本文中，我将展示，尽管我们仍处于编程的一个非常基本的阶段，但我们已经可以实现一些有趣的应用程序。在这种情况下，我们将创建一个相当简单的密码生成器。通过这种方式，我们将能够应用到目前为止已经解释过的一些概念。此外，我们将研究如何为一些具体问题制定解决方案。
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。
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。
精通日志记录（第六部分）：数据库日志存储方案
本文探讨如何利用数据库以结构化、可扩展的方式存储日志。内容涵盖基础概念、核心操作、MQL5中数据库处理器的配置与实现。最后验证结果，并阐述该方法在优化与高效监控方面的优势。
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。
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。
在 MQL5 中实现保本机制（第 2 部分）：基于 ATR 和风险回报比的保本机制
本文将完成 MQL5 中基于 ATR 和风险回报比（RRR）的保本机制实现，并从零开始开发一个类，使得在无需重新输入参数的情况下即可轻松切换保本模式。为评估每种保本类型的有效性，我们将进行多次回测，并在算法交易的背景下分析它们各自的优缺点。
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。
MQL5 交易策略自动化（第二十七部分）：创建带可视化反馈的价格行为螃蟹谐波形态
本文将基于 MQL5 开发一套螃蟹谐波形态交易系统。程序借助枢轴点与斐波那契比例识别看涨、看跌螃蟹谐波形态，并按照精准的入场、止损、止盈点位触发交易。同时使用三角形、趋势线等图表对象做可视化展示，完整展示 XABCD 形态结构与各个交易价位。
神经网络在交易中的应用：基于自适应模态分解的时间序列预测（终篇）
本文讨论了在算法交易背景下，使用 MQL5 对 ACEFormer 框架的调整及其实践应用。它展示了关键的架构决策、训练特性以及在真实数据上的模型测试结果。
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：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。
神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（DA-CG-LSTM）
本文介绍了 DA-CG-LSTM 算法，该算法为时间序列分析和预测提供了新的方法。它解释了创新的注意力机制和模型灵活性如何提高预测准确性。
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。
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。
不使用期权的期权交易（第一部分）：基础理论与基于标的资产的模拟实现
本文介绍了一种通过标的资产实现期权模拟的方案，并使用MQL5编程语言完成代码实现。以莫斯科交易所（MOEX）FORTS期货市场以及Bybit加密货币交易所为例，对比了该方案与真实场内期权的优缺点。
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。
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。