MQL5 编程示例的文章
DoEasy 函数库中的图形（第七十三部分）：图形元素的交互窗对象
这篇文章开辟了函数库一个新的操控图形的大章节。 在本文中，我将创建鼠标状态对象、所有图形元素的基准对象、以及函数库图形元素的交互窗对象类。
DoEasy 库中的其他类（第七十二部分）：跟踪并记录集合中的图表对象参数
在本文中，我将完成图表对象类及其集合的操控。 我还将实现图表属性及其窗口变化的自动跟踪，以及把新参数保存到对象属性。 如此修订允许在未来实现整个图表集合的事件功能。
来自专业程序员的提示（第二部分）：在智能交易系统、脚本和外部程序之间存储和交换参数
这些来自专业程序员关于方法、技术和辅助工具的一些提示，可令编程变得更轻松。 我们将讨论终端重启（关闭）后如何恢复参数。 所有示例都是来自我的 Cayman 项目的真实工作代码片段。
DoEasy 库中的其他类（第七十部分）：扩展功能并自动更新图表对象集合
在本文中，我将扩展图表对象的功能，并编排图表导航、创建屏幕截图、以及为图表保存和应用模板。 此外，我还将实现图表对象集合、其窗口和其内指标的自动更新。
DoEasy 库中的其他类（第六十九部分）：图表对象集合类
在本文里，我启动图表对象集合类的开发。 该类存储图表对象及其子窗口和指标的集合列表，从而提供操控任何选定图表及其子窗口的能力，亦或同时处理多个图表列表。
DoEasy 库中的其他类（第六十七部分）：图表对象类
在本文中，我将创建图表对象类（单个交易金融产品图表），并改进 MQL5 信号对象的集合类，以便在更新列表时也能为存储在集合中的每个信号对象更新其所有参数。
DoEasy 函数库中的其他类（第六十六部分）：MQL5.com 信号集合类
在本文中，我将针对 MQL5.com 信号服务创建信号集合类，拥有能够管理信号的函数。 此外，我将改进“市场深度”快照对象类，来显示 DOM 的总买卖量。
实用且奇特的自动交易技术
在本文中，我将演示一些非常有趣且实用的自动交易技术。 其中一些可能您很熟悉。 我将尝试覆盖最有趣的方法，并解释为什么它们值得使用。 此外，我将展示这些技术在实战中的适用性。 我们将创建智能交易系统，并依据历史报价来测试全部所述技术。
DoEasy 函数库中的价格（第六十五部分）：市场深度集合并操控 MQL5.com 信号的类
在本文中，我将创建所有品种的市场深度集合类，并着手开发创建信号对象类来操控 MQL5.com 信号服务的功能。
DoEasy 函数库中的价格（第六十二部分）：实时更新即时报价序列，为操控市场深度做准备
在本文中，我将实现即时报价数据的实时更新，并为操控市场深度的品种对象类（DOM 本身将在下一篇文章中实现）做准备。
DoEasy 函数库中的时间序列（第六十一部分）：品种即时报价序列集合
鉴于程序在其运行时可能会用到不同的品种，因此应为每个品种创建一个单独的列表。 在本文中，我将把这些列表合并到一个即时报价数据集合。 实际上，这将是一个常规列表，基于指向标准库 CObject 类及其衍生类实例指针的动态数组。
多层感知机与反向传播算法
这两种方法的普及性日益增加，因此在 Matlab、R、Python、C++ 等领域开发了大量的库，它们接收到一个训练集作为输入，并自动为问题创建合适的网络。让我们试着理解基本的神经网络类型是如何工作的（包括单神经元感知机和多层感知机）。我们将探讨一个令人兴奋的算法，它负责网络训练 - 梯度下降和反向传播。现有的复杂模型往往基于这样简单的网络模型。
DoEasy 函数库中的时间序列（第六十部分）：品种即时报价数据的序列列表
在本文中，我将创建存储单一品种即时报价数据的列表，并在 EA 中检查其创建状态，以及检索所需数据。 每个所用品种各自的即时报价数据列表将来会构成即时报价数据集合。
神经网络变得轻松（第十部分）：多目击者关注
我们以前曾研究过神经网络中的自关注机制。 在实践中，现代神经网络体系结构会采用多个并行的自关注线程来查找序列元素之间的各种依存关系。 我们来研究这种方法的实现，并评估其对整体网络性能的影响。
神经网络变得轻松（第九部分）：操作归档
我们已经经历了很长一段路，并且函数库中的代码越来越庞大。 这令跟踪所有连接和依赖性变得难以维护。 因此，我建议为先前创建的代码创建文档，并保持伴随每个新步骤进行更新。 正确准备的文档将有助我们看到操作的完整性。
DoEasy 函数库中的时间序列（第五十八部分）：指标缓冲区数据的时间序列
关于操控时间序列的主题总结，诸如组织存储、针对存储在指标缓冲区中的数据进行搜索和分类，如此即可在程序里利用函数库创建指标值，并进一步据其执行分析。 函数库的所有集合类的一般概念，能够轻松地在相应的集合中找到必要的数据。 在今天创建的类中，也可分别完成同样功能。
神经网络变得轻松（第八部分）：关注机制
在之前的文章中，我们已经测试了组织规划神经网络的各种选项。 我们还研究了自图像处理算法中借鉴而来的卷积网络。 在本文中，我建议研究关注机制，它的出现为开发语言模型提供了动力。
MetaTrader 5 中的 WebSockets
在引入随 MQL5 API 更新而提供的网络功能之前，MetaTrader 程序与基于 WebSocket 的服务连接和接口的能力受到许多限制。当然，这一切都改变了，在本文中，我们将探讨纯 MQL5 中 WebSocket 库的实现。WebSocket 协议的简要描述将与如何使用生成的库的逐步指南一起给出。
DoEasy 函数库中的时间序列（第五十七部分）：指标缓冲区数据对象
在本文中，开发一个对象，其中包含一个指标的一个缓冲区的所有数据。 这些对象对于存储指标缓冲区的数据序列将是必需的。 在其的辅助下，才有可能对任何指标的缓冲区数据，以及其他类似数据进行排序和比较。
DoEasy 函数库中的时间序列（第五十六部分）：自定义指标对象，从集合中的指标对象获取数据
本文研究在 EA 中创建自定义指标对象。 我们稍微改进一下库类，并添加一些方法，以便从 EA 中的指标对象获取数据。
神经网络在交易中的实际应用 Python (第一部分)
在本文中，我们将分析一个基于Python的深层神经网络编程的交易系统的分步实现。这将使用谷歌开发的 TensorFlow 机器学习库执行。我们还将使用 Keras 库来描述神经网络。
神经网络变得轻松（第六部分）：神经网络学习率实验
我们之前已研究过各种类型的神经网络及其实现。 在所有情况下，训练神经网络时都使用梯度下降法，为此我们需要选择学习率。 在本文中，我打算通过示例展示正确选择学习率的重要性，及其对神经网络训练的影响。
DoEasy 函数库中的时间序列（第五十二部分）：多周期、多品种单缓冲区标准指标的跨平台性质
在本文中，研究创建多品种、多周期标准指标的“建仓/派发”。 略微改进指标依托的函数库类，以便从老旧的 MetaTrader 4 平台切换到 MetaTrader 5 时，基于该函数库开发的程序均可正常运行。
如何从算法交易中赚取$1,000,000？使用MQL5.com服务！
所有交易者都以赚取第一个百万美元为目标来访问市场。如何在没有过多风险和启动预算的情况下实现这个目标？MQL5服务为来自世界各地的开发人员和交易者提供了这样的机会。
DoEasy 函数库中的时间序列（第五十一部分）：复合多周期、多品种标准指标
在本文中，会完成多周期、多品种标准指标对象的开发。 以 Ichimoku Kinko Hyo 标准指标为例，分析复合自定义指标的创建，该指标含有辅助绘制缓冲区，可在图表上显示数据。
DoEasy 函数库中的时间序列（第五十部分）：多周期、多品种带位移的标准指标
在文章里，我们将改进函数库的方法，以便正确显示多品种、多周期的标准指标，即那些在当前品种图表上显示曲线，并可在设置中指定位移的指标。 同样，我们按照标准指标的操纵方法进行排序，并在最终的指标程序里将多余的代码移至函数库区域。
DoEasy 函数库中的时间序列（第四十八部分）：在单一子窗口里基于一个缓冲区的多周期、多品种指标
本文研究了一个示例，该示例使用单个指标缓冲区来创建多品种、多周期标准指标，以便在指标子窗口中进行构造和操作。 我会准备库类，以便在程序主窗口中与标准指标一起操作，并有多个缓冲区来显示其数据。
神经网络变得轻松（第二部分）：网络训练和测试
在第二篇文章中，我们将继续研究神经网络，并研究在智能交易系统当中调用我们所创建 CNet 类的示例。 我们将操控两个神经网络模型，它们在训练时间和预测准确性方面都表现出相似的结果。