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！
从基础到中级：对象（四）
这可能是迄今为止最有趣的一篇文章。原因在于，我们将修改 MetaTrader 5 中已有的一个对象，以创建另一个原本不在该平台上的对象。当然，我们接下来要介绍的内容可能看起来有点疯狂，但它确实有效，并且具有非常有趣的用途。
从基础到中级：对象事件（一）
在本文中，我们将探讨当图表上的某个对象发生变化时，MetaTrader 5 可以生成的六个事件中的三个。从用户交互的角度来看，这些事件非常有用。这是因为，如果不了解这些事件，在尝试为特定目的管理对象时，我们将不得不付出更多的努力来维护特定的图表配置。
梦境优化算法（DOA）
这是一种基于种群的优化算法，其灵感源自一种尚存争议、研究较少的现象 —— 人类梦境的机制。该算法拥有一个具备不同“记忆”的智能体种群，用余弦波调制移动步长，并采用独特的99/1时间分配比例。让我们看一下这些特性会如何影响交易策略的优化效率。
交易中的神经网络：智能预测流程（Time-MoE）
诚邀大家一起来研究现代Time-MoE框架，该框架已针对时间序列预测任务完成适配。本文将分步实现该架构的核心组件，并同步提供原理讲解与实操示例。该方法使得您不仅能够理解模型的运行机制，还可以将相关原理应用于真实交易场景。
交易中的神经网络：以分解替代规模化 —— 模块构建
本文我们继续实操讲解SSCNN —— 一款能够处理碎片化时间序列的新一代架构方案。SSCNN不再盲目扩大模型规模，而是依靠精巧的模块化设计、精细化处理和针对性归一化。我们将在MQL5环境中逐步搭建计算单元，为可靠的预测分析打下基础。
交易中的神经网络：分解，而非扩大模型规模（结论）
本文将介绍一种算法，可以将时间序列分解为具备明确含义的多层分量，并基于这些分量构建简约模型。我们会系统阐述模型架构、基于MQL5/OpenCL的实际实现，以及基于历史行情数据开展的实际测试。
市场模拟：MQL5 中的 SQL 入门（一）
在今天的文章中，我们将开始学习如何在 MQL5 代码中使用 SQL。我们还将探讨如何创建数据库。或者更准确地说，如何使用 MQL5 内置的功能来创建 SQLite 数据库文件。我们还将了解如何创建表，以及如何通过使用主键和外键来建立表之间的关系。所有这些都将再次使用 MQL5 来完成。我们将看到，通过使用一个有助于封装底层实现细节的类，创建代码是多么容易，这些代码稍后可以迁移到其他 SQL 实现中。而且，最重要的是，我们将看到，在使用 SQL 时，我们可能会在不同阶段面临出错的风险。这是因为，在 MQL5 代码中，SQL 代码总是被放置在字符串中。
从基础到进阶：处理鼠标事件
阅读本文相关的此类技术资料，仅仅浏览和研究代码，绝对不足以理解其中涉及的过程。实际上，您需要编译出可执行程序，并在任意图表上运行它。只有这样，您才能体会到那些单靠看代码极难掌握的细节，例如结合键盘与鼠标来创建某些元素。
市场模拟（第 22 部分）：SQL 入门（五）
亲爱的读者，在你放弃并决定不再学习 SQL 之前，请允许我提醒你，我们目前所使用的只是最基本的内容。我们尚未探讨 SQL 的一些功能。一旦你理解了这些功能，你会发现 SQL 远比它看起来要实用得多。不过，由于创作过程是动态的，我们最终很可能会改变我们正在构建的方向。我们将更多地展示如何在 SQL 中创建不同的内容，因为这对你来说确实非常重要且有用。仅仅认为自己比整个程序员和开发人员社区更有能力，只会导致时间和机会的浪费。别担心，因为接下来的内容将会更加有趣。
神经网络在交易中的应用：一种端到端多变量时间序列预测模型（GinAR）
我们诚邀您探索一种使用 GinAR 框架预测缺失数据时间序列的创新方法。本文展示了使用 OpenCL 实现关键组件的过程，确保了高性能。在我们的下一篇文章中，我们将详细介绍如何将这些解决方案集成到 MQL5 中。这将有助于理解如何在交易实践中应用该方法。
从新手到专家：使用MQL5实现动态新闻标题（X）——新闻交易的多品种图表视图
今天，我们将基于图表对象开发一套多图表视图系统。开发目标是服务于新闻交易，借助MQL5算法，缩短交易者在重大新闻发布等高波动行情下的反应时间。在本示例中，我们为交易者提供一体化方案，可以在同一个新闻交易工具内同时监控多个主流交易品种。我们的开发在新闻标题EA（News Headline EA）的基础上持续迭代，目前该EA的功能还在不断扩充，无论是全自动策略使用者，还是依靠算法辅助手工交易的交易者，都能从中获得实际帮助。欢迎点击阅读、参与讨论，一起学习更多知识、思路与实战方案。
交易中的神经网络：解耦结构化分量——编码器实现
本文将继续探索 SCNN 框架实现的下一阶段。该框架兼具灵活性与可解释性，能够精准识别时间序列中的各类结构化分量。本文将详细讲解自适应归一化与注意力机制的原理，这两项机制保障模型在市场环境发生变化时依然具备稳健性。
价格行为分析工具包开发（第三十八部分）：基于Tick环形缓冲区的VWAP与短窗口失衡引擎
在本文中，我们搭建一套可投入实盘使用的MT5监控面板，它能够将原始逐笔tick数据转化为可用于交易的信号。该EA会缓存tick数据，用于计算tick级别的VWAP、短窗口订单失衡（资金流）指标，以及基于ATR的仓位大小。面板采用减少闪烁的柱状图，直观展示点差、ATR与资金流。系统会输出建议手数与1倍风险止损位，并支持自定义告警：低点差、强资金流、具备交易优势的行情状态均可触发提醒。自动交易功能被有意禁用；本项目的重心放在稳定可靠的信号生成与简洁友好的交互体验上。
神经网络在交易中的应用：一种端到端多变量时间序列预测模型（结论）
我们很高兴为您呈现关于 GinAR 系列文章的最后一部分 — GinAR 是一个用于时间序列预测的神经网络框架。在本文中，我们分析了模型在新数据上的测试结果，并评估了其在真实市场条件下的稳健性。
交易中的神经网络：结构化分量解耦（SCNN）
我们诚邀您探索创新的SCNN框架。该框架可将数据清晰拆分为长期分量、季节分量、短期分量与残差分量，把时间序列分析提升至全新层次。该方法使模型能够适配复杂且不断变化的市场动态，从而显著提升预测精度。
价格行为分析工具包开发（第三十九部分）：在MQL5中实现BOS与ChoCH的自动识别
本文介绍分形响应系统（Fractal Reaction System），这是一套精简的MQL5工具，能够将分形拐点转化为可用于交易的市场结构信号。该EA采用K线收盘判定逻辑，避免信号重绘；可以识别行情性质转变（ChoCH）预警、确认结构突破（BOS），在图表上绘制持久图形对象，并对每一个已确认事件生成日志与多渠道告警（桌面端、移动端和声音提醒）。下文将呈现算法设计、实现要点、测试结果以及完整EA源码，您可以自行编译、回测并部署这套信号识别工具。
交易中的神经网络：以分解替代模型规模扩张（SSCNN）
在本文中，我们将开始探究 SSCNN 框架 —— 一套面向时间序列分析的现代架构方案，兼具精度、结构化设计与高计算效率。我们会系统剖析它的理论基础，重点对比它与前代模型的核心差异，并着手在 MQL5 环境中落地其基础组件。
从基础到中级：FileSave 和 FileLoad
在今天的文章中，我们将探讨几种使用 FileSave 和 FileLoad 库函数的方法。尽管由于它们在特定场景中带来的某些限制或困难，许多人认为它们的使用范围有限，但正确理解这两个函数的工作原理在某些情况下可以为我们节省大量精力。它们也是处理日志文件的绝佳方式。
市场模拟：仓位视图（四）
在这里，我们将开始将之前完全相互隔离的不同组件或应用程序整合在一起。Chart Trade、鼠标指标和 EA 已经相互连接，但仍然无法直接在图表上显示交易服务器上未平仓位，这些持仓通常使用对冲订单机制进行管理。从这一点开始，这成为可能，为各种想法和未来的实施开辟了道路。尽管我们才刚刚开始将这些组件投入运行，但我们已经有了进一步发展的方向。
运用聪明钱概念（SMC）提升交易水平：订单块（OB）、结构突破（BOS）与公允价值缺口（FVG）
运用聪明钱概念（SMC）提升你的交易水平，将订单块（OB）、结构突破（BOS）与公允价值缺口（FVG）整合到一个强大的 EA 中。选择自动策略执行，或聚焦任意单一的 SMC 概念，实现灵活而精准的交易。
交易中的神经网络：时间序列查询模型（TQNet）
时序查询网络（TQNet）框架兼具模块化、灵活性与高性能，为金融时间序列的建模与预测开辟了新路径。本文探讨实现全局相关性复杂处理机制的可行性，其中包含高级参数初始化方法。
机器学习中的高斯过程（第二部分）：在 MQL5 中实现和测试分类模型
在这个部分中，我们将探讨 MQL5 中高斯过程库关键接口的实现：IKernel、ILikelihood 和 IInference。我们还将演示其在合成数据上的运行情况，并实现分类和回归指标，同时演示其在在线模式下的运行情况 — 即每根新 K 线都会对模型进行重新训练。
交易中的神经网络：时间序列查询模型（结论）
我们很高兴为大家带来TQNet框架开发与测试的最终阶段，将理论落实到真实交易场景中。我们将从历史样本训练转入基于近期市场数据的压力测试，以此评估模型的稳健性与预测精度。最终结果不只是枯燥的统计指标，更是对这套方案实际价值的直观证明。