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！
价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型
你是否曾错过市场突然的尖峰行情，或者在行情发生时措手不及？预判实时行情的最佳方法是从历史形态中学习。为了训练一个机器学习模型，本文首先向您展示如何在 MetaTrader 5 中创建一个脚本，用于摄取历史数据并将其发送到 Python 进行存储 —— 为您的尖峰检测系统奠定基础。继续阅读，了解每个步骤的实际操作。
您应该了解的MQL5向导技巧（第七十四部分）：结合监督学习运用一目均衡表与ADX-Wilder形态
本文为前一篇文章的延续，之前我们介绍了一目均衡表（Ichimoku）与ADX指标组合，本篇将探讨如何通过监督学习对这一指标组合进行优化改进。一目均衡表与ADX是一组互补型指标组合，前者侧重支撑/阻力判断，后者侧重趋势识别。我们采用的监督学习方案基于深度谱混合核神经网络，对该指标组合的预测结果进行精细调优。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导直接组装成智能交易系统（EA）。
交易中的神经网络：频域异常检测（终篇）
我们继续推进 CATCH 框架的实现。该框架结合傅里叶变换与频域分块，以确保能够准确检测市场异常。在本文中，我们将完成对所提方法的这一实现，并基于真实历史数据测试新模型。
您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用
本文将承接前一篇文章，之前我们介绍了MACD与OBV指标组合，本文将探讨如何通过机器学习对这一指标组合进行优化增强。MACD属于趋势指标，OBV属于成交量指标，二者为互补指标组合。本文采用卷积神经网络机器学习方案，通过有理二次核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
极值优化（EO）
本文介绍极值优化算法（EO），这是一种受Bak-Sneppen（巴克–斯内彭）自组织临界性模型启发的优化方法，通过淘汰系统中表现最差的组件来实现演化。该算法的改进种群版本表明，其设计已从理论原则转向更注重实际效率，由此构建出高效的计算工具。
希尔伯特-施密特独立性判据（HSIC）
本文讨论了非参数 HSIC（希尔伯特-施密特独立性判据）统计检验，该检验旨在识别数据中的线性和非线性依赖关系。本文提出了两种用 MQL5 语言计算 HSIC 的算法实现：精确置换测试和伽马近似法。该方法的有效性通过模拟特征与目标变量之间非线性关系的合成数据得到了验证。
数据科学与机器学习（第四十六部分）：在Python中使用N-BEATS进行股票市场预测
N-BEATS是一款革新性的深度学习模型，专为时间序列预测打造。该模型的初衷是超越ARIMA、PROPHET、VAR等传统时间序列预测模型。在本文中，我们将探讨该模型，并利用其实现股市行情预测。
MQL5中的量子神经网络（第三部分）：基于量子比特的虚拟量子处理器
本文聚焦于构建一套搭载真正的量子模拟器的交易系统，而非仅使用数学类比。该系统通过3个虚拟量子比特、量子门以及量子叠加原理对市场进行分析，并以MQL5编写为MetaTrader 5平台的交易EA实现。其核心突破在于从简单模拟转向真正遵循量子原理处理金融信息。
市场模拟（第 21 部分）：SQL 入门（四）
你们中的许多人可能比我更有数据库工作经验，因此可能会有不同的看法。由于有必要解释数据库为何以这样的方式设计，以及SQL为何具有这样的形式 — 尤其是主键和外键为何出现 — 因此有些内容必须保持一定的抽象性。
从基础到中级：函数指针
在编程方面，您可能已经听说过指针。但是您知道我们可以在 MQL5 中使用这种类型的数据吗？当然，必须以一种让我们始终保持控制、避免程序在执行时出现异常行为的方式来使用它。尽管如此，由于这是一个具有非常特定目的且针对特定类型任务的功能，因此很少听到有人讨论指针是什么以及如何在 MQL5 中使用它。
您应该了解的MQL5向导技巧（第七十六部分）：利用AO形态与包络通道进行监督学习建模
本文承接前一篇文章。之前我们介绍了动量震荡指标（AO）与包络通道组合指标，本篇将探讨如何通过监督学习对该组合进行优化增强。动量震荡指标与包络通道是一组在趋势识别与支撑/阻力判断方面彼此互补的指标组合。我们采用的监督学习模型为卷积神经网络（CNN），该网络通过点积核函数与跨时间注意力机制自适应调整卷积核与通道维度。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导组装成智能交易系统（EA）。
市场模拟（第 19 部分）：SQL 入门（二）
正如我们在第一篇关于 SQL 的文章中所解释的那样，没有必要花费时间编写程序来执行 SQL 中已经内置的功能。然而，如果不了解基础知识，你就无法使用 SQL 或充分利用这个工具所提供的一切功能。因此，在本文中，我们将探讨如何在数据库中执行基本任务。
MQL5 向导技巧（第七十七部分）：使用 Gator 振荡器与积累/派发振荡器（AD Oscillator）
Gator 振荡器（Gator Oscillator）由比尔·威廉姆斯（Bill Williams）开发，与累积/派发振荡器（Accumulation/Distribution Oscillator）是另一对可在 MQL5 EA 中协同使用的指标组合。我们使用 Gator 振荡器来确认趋势，同时使用 AD 振荡器通过检查成交量来确认趋势。在探索这种指标组合时，我们一如既往地使用 MQL5 向导来构建和测试它们的潜力。
MQL5中的价格时间缺口分析（第二部分）：构建时间维度下的流动性分布热力图
这是一份详细的MetaTrader 5热力图指标构建教程，能够可视化展示价格随时间的分布状态。本文阐述了时间密度分析的数学原理，将各个价格区间以色彩区分：红色代表价格停留时间最短，蓝色代表价格停留时间最长。
市场模拟（第 23 部分）：仓位视图（一）
接下来我们将要介绍的内容，在理论和概念方面要复杂得多。我会让这些材料尽可能简单易懂。编程部分本身相当简单明了。但是，如果你不了解背后的理论，那么在将回放模拟系统改进或调整以适应不同于我将要展示的任务时，你就几乎没有任何可用于进一步改进或适配系统的实际依据。我不希望你只是编译和使用我提供的代码。我希望你能学习、理解，并且如果可能的话，能够创造出更好的东西。
您应该了解的MQL5向导技巧（第七十八部分）：鳄鱼振荡器与AD指标的市场韧性策略
本文介绍鳄鱼震荡器与积累/派发（AD）指标系统化交易方法的后半部分内容。作者新增五种信号形态，演示如何过滤虚假走势、捕捉早期反转，并在多时间周期上实现信号共振。文中附带清晰的代码示例与性能测试结果，为 MQL5 开发者搭建了从理论到实践的桥梁。
神经网络在交易中的应用：不依赖特定数据的时间序列泛化（Mamba4Cast）
在本文中，我们介绍了 Mamba4Cast 框架，并深入探讨了其关键组件之一：基于时间戳的位置编码。本文展示了如何结合数据的日历结构来构建时间嵌入。
数据科学与机器学习（第四十五部分）：利用Facebook的Prophet模型进行外汇时间序列预测
Prophet模型由Facebook研发，是一款稳健的时间序列预测工具，能够自动捕捉趋势、季节性与节假日效应，且几乎无需人工调整。该模型已被广泛应用于需求预测与商业规划。在本文中，我们将探讨Prophet模型在外汇交易品种波动率预测中的效果，展示其如何应用于传统商业场景之外的任务。
交易机器人风险管理器（第一部分）：EA风控头文件
交易对风控纪律有着极高的要求。本文分析了交易者亏损的主要原因，并针对MQL5平台提出一套技术方案 —— CEnhancedRiskManager（增强型风险管理器）类，并在激进网格EA上完成了实操测试。
MQL5中的自优化智能交易系统（第十一部分）：线性代数基础入门
在本文中，我们将为使用MQL5矩阵与向量API中强大的线性代数工具奠定基础。想要熟练运用此套API，我们必须牢固掌握支撑这些方法合理使用的线性代数原理。本文旨在让读者直观理解，作为MQL5算法交易者，入门并利用这一强大库所需的一些最重要的线性代数规则。
在MQL5中自定义交易品种：创建三维K线自定义品种
本文详细讲解创新指标文件3DBarCustomSymbol.mq5的完整制作流程，该指标可在MetaTrader 5中生成自定义品种，将价格、时间、成交量与波动率整合为一体化三维可视化图形。我们会讲解其数学理论基础、系统架构、实操实现步骤，以及在交易策略中的实际应用方式。
协方差矩阵自适应演化策略（CMA-ES）
本文探讨了一种最有趣的非梯度优化算法，该算法能够学习理解目标函数的几何特性。我们将重点关注对 CMA-ES 的经典实现，并稍作修改 — 用幂律分布代替正态分布。我们将深入探究算法背后的数学原理以及实际实现方式，并验证 CMA-ES 在哪些方面无懈可击，以及在哪些方面应避免使用。
人工原子算法（A3）
本文介绍如何在 MQL5 中实现人工原子算法（A3）—— 一种受化学过程启发的元启发式优化算法。该算法只有两个可调参数：紧凑性和较小的种群规模，这保证了较高的运行速度，同时保持了足够的解质量。
从基础到中级：对象事件（四）
在本文中，我们将完成上一篇文章中已经开始的内容：一种直接在图表上以完全交互的方式调整对象大小的方法。尽管许多人认为创建这样的功能需要对 MQL5 有更深入的了解，但您将看到，只需运用简单的概念和基础知识，我们就可以实现一种直接在图表上操作对象的方法。这样最终会得到一个既有趣又相当吸引人的结果。
交易中的神经网络：一种跨领域时间序列预测框架（TimeFound）
本文将分步搭建 TimeFound 智能模型的核心模块，使其适配真实场景下的时序预测任务。如果你希望了解神经网络分块算法在 MQL5 中的工程落地实现，那么本文正是为你准备的。
基于协整股票的统计套利（第二部分）：EA、回测与优化
本文展示一个智能交易系统（EA）示例，用于交易一篮子四只纳斯达克股票。选股流程如下：首先通过皮尔逊相关系数检验进行初步筛选；再对筛选后的股票组进行约翰森协整检验；最后通过ADF检验与KPSS检验验证协整价差的平稳性。本文将对这一流程做补充说明，并展示经过小幅优化后的回测结果。
交易中的神经网络：面向准确分类的有效特征提取（Mantis）
认识Mantis —— 一款基于 Transformer 架构的轻量级时间序列分类基础模型，采用对比预训练与混合注意力机制，实现创纪录的精度，并具备出色的可扩展性。
精通日志记录（第十部分）：通过抑制机制避免日志重复输出
我们在 Logify 函数库中搭建了一套日志抑制系统。本文详细讲解 CLogifySuppression 类如何通过可配置规则过滤重复、无关日志消息，减少控制台冗余信息。同时本文还介绍外部配置框架、参数校验机制以及完整测试方案，保障 EA、指标开发过程中日志记录能力稳定、灵活。
市场模拟（第 23 部分）：SQL 入门（六）
在本文中，我们将探讨如何可视化一个数据库，并借此了解其结构。这是通过分析数据库的内部结构来实现的。虽然乍一看这似乎没有必要，但如果我们真的想成为数据库管理员，那么这样做是完全合理的。毕竟，有些人以维护和设计数据库为生。
从基础到中级：对象（三）
在今天的文章中，我们将探讨如何实现一个极具吸引力和趣味性的交互系统，特别是对于那些刚开始学习 MQL5 编程的人来说。这里并没有任何全新的内容。得益于我对这个主题的处理方式，理解起来会容易得多，因为我们将通过实践，了解如何使用结构化的方法，以实用且引人入胜的目标来开发程序。
竞争性学习算法（CLA）
本文介绍了竞争性学习算法（CLA），这是一种基于模拟教育过程的新型元启发式优化方法。该算法将解的种群组织为若干班级，班级中包含学生，而每个班级中最优的学生充当教师。其中代理通过三种机制进行学习：跟随班级中的最优解、利用个人经验以及在班级之间共享知识。
市场模拟（第 24 部分）：仓位视图（二）
在本文中，我将展示如何以最简单、最实用的方式使用指标来跟踪交易服务器上的未平仓位。我将逐步演示，以表明您并不一定需要将所有这些操作都转移到 EA 中。你们中的许多人可能因为这样或那样的原因已经习惯了这样做。事实上，这并不完全合理，因为随着这种实现方式的演变，您将清楚地看到，您可以为此目的创建或实现不同类型的指标。
从基础到中级：对象（二）
在今天的文章中，我们将探讨如何使用代码以一种简单的方式控制某些对象属性。我们还将了解自定义应用程序如何将多个对象放置在同一个图表上。此外，我们将开始认识到，为我们计划实现的任何指标分配一个简称的重要性。
使用MQL5实现Firebase数据的增删改查
本文提供一份循序渐进指南，带您掌握Firebase的CRUD（创建、读取、更新、删除）操作，重点聚焦实时数据库与Firestore。您将学习如何使用Firebase SDK方法高效管理Web与移动端应用的数据，涵盖新增记录、查询、修改以及删除数据条目。文中提供实用代码示例，并且介绍了实时场景下的数据结构设计与处理最佳实践，帮助开发者依托Firebase灵活的NoSQL（非关系型）架构，开发动态、可扩展的应用程序。
Parafrac震荡器：抛物线SAR与分形指标的组合
我们将探究如何把抛物线SAR与分形指标相结合，构建一款全新的震荡器。通过融合这两种工具各自独有的优势，交易者有望开发出一套更完善且更高效的交易策略。