MQL5 开发的自动交易示例的文章

我们将继续讨论训练轨迹预测模型的算法。在本文中，我们将领略一种称为 “AutoBots” 的方法。

本文是以 MQL5 实现范畴论系列的续篇。于此，我们验证在开发交易系统的平仓策略时，图论如何与幺半群和其它数据结构集成。

在此，我将研究相当新颖的随机边际扮演者-评论者（SMAC）算法，该算法允许在熵值最大化的框架内构建潜在变量政策。

在本文中，我提议从不同的角度看待构建交易策略的问题。我们不会预测未来的价格走势，但会尝试基于历史数据分析构建交易系统。

本文所见的主成分分析，是数据分析中的一种降维技术，文中还有如何配合本征值和向量来实现它。一如既往，我们瞄向的是开发一个可在 MQL5 向导中使用的原型专业信号类。

在本文中，我们将谈及使用时空变换来有效预测即将到来的价格走势。为了提高 STNN 中的数值预测准确性，提出了一种连续注意力机制，令模型能够更好地参考数据的重要方面。

本文中，我们将在MQL5中开发一个动态多品种、多周期相对强弱指数（RSI）指标仪表盘，为交易者提供跨不同品种和时间段的实时RSI值。该仪表盘具备交互式按钮、实时更新功能和有色编码的指标，以帮助交易者做出明智的决策。

在开发上一篇文章的主题时，我决定创建一个更灵活、功能更强大的模板，该模板具有更大的功能，可以有效地用于自由职业，也可以作为开发多货币和多时段 EA 的基础，并能够与外部解决方案集成。

在离线学习中，我们使用固定的数据集，这限制了环境多样性的覆盖范围。在学习过程中，我们的 Agent 能生成超出该数据集之外的动作。如果没有来自环境的反馈，我们如何判定针对该动作的估测是正确的？在训练数据集中维护 Agent 的政策成为确保训练可靠性的一个重要方面。这就是我们将在本文中讨论的内容。

在系列文章的第三部分中，我们将通过实证分析经典交易策略，探讨如何利用人工智能进行优化。本次研究聚焦于运用线性判别分析模型（LDA）预测价格走势中的更高高点与更低低点。

在本文中，我们在 MQL5 中创建一个 EA 交易，以使用机器人向 Telegram 发送消息。我们设置必要的参数，包括机器人的 API 令牌和聊天 ID，然后通过执行 HTTP POST 请求来传递消息。之后，我们将处理响应以确保成功传达，并排除故障时出现的任何问题。这确保我们能够通过创建的机器人将消息从 MQL5 发送到 Telegram。

大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。

轻量级时间序列预测模型使用最少的参数数量实现高性能。这反过来减少了计算资源的消耗并加快了决策速度。尽管是轻量级的，这些模型实现了与更复杂模型相当的预测质量。

我们继续领略 TEMPO 方法。在本文中，我们将评估所提议方法在真实历史数据上的真实有效性。

在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。

我们将继续讨论决策转换器方法系列。从上一篇文章中，我们已经注意到，训练这些方法架构下的转换器是一项相当复杂的任务，需要一个大型标记数据集进行训练。在本文中，我们将观看到一种使用未标记轨迹进行初步模型训练的算法。

在本文中，我们将领略一个有趣的算法，它是在监督和强化学习方法的交叉点上构建的。

在本文中，我们将在MQL5中开发一个快速交易EA，利用抛物线SAR和简单移动平均线（SMA）指标来创建一个响应迅速的交易策略。我们详细介绍了该策略的实施过程，包括指标的使用、信号的生成以及测试和优化过程。

在本文中，我们继续实现 ATFNet 模型的方式，其在时间序列预测内可自适应地结合 2 个模块（频域和时域）的结果。

在前面的部分中，我们正在开发的智能交易系统 (EA) 只能使用固定的仓位大小进行交易。这对于测试来说是可以接受的，但在真实账户交易时并不建议这样做。让我们能够使用可变的仓位大小进行交易。

本文介绍了一种相当有效的多个体轨迹预测方法，其可适配各种环境条件。

本文从详细的角度讨论了如何基于交易算法实现 EA 交易系统的创建。这有助于在 MQL5 中实现系统自动化，并控制每日回撤。

在本系列文章中，我们重新审视经典策略，看看是否可以使用人工智能来改进这些策略。在今天的文章中，我们将研究一种使用一篮子具有相关性的金融产品来进行多品种分析的流行策略，我们将重点关注货币对 USDZAR。

预测未来状态的品质在“目标条件预测编码”方法中扮演着重要角色，我们曾在上一篇文章中讨论过。在本文中，我想向您介绍一种算法，它可以显著提高随机环境（例如金融市场）中的预测品质。

在探索各种模型架构设计时，我们往往对模型训练过程的关注投入不足。在本文中，我旨在弥补这一差距。

基于变换器架构的模型展现出高效率，但由于在训练阶段、及运行期间都资源成本高昂，故它们的使用变得复杂。在本文中，我提议领略那些能够降低此类模型内存占用的算法。

这种创新的交易机器人将 MetaTrader 5 与 Python 结合，利用实时社交媒体情绪分析为自动化交易决策提供支持。通过分析与特定金融工具相关的 Twitter 情绪，该机器人将社交媒体趋势转化为可操作的交易信号。它采用客户端-服务器架构，并通过套接字通信实现无缝交互，将 MT5 的交易能力与 Python 的数据处理能力完美结合。该系统展示了将量化金融与自然语言处理相结合的潜力，提供了一种利用替代数据源的尖端算法交易方法。尽管显示出巨大潜力，但该机器人也突显了未来改进的方向，包括采用更先进的情绪分析技术以及改进风险管理策略。

在以前的工作中，我们总是评估环境的当前状态。与此同时，指标变化的动态始终保持在“幕后”。在本文中，我打算向您介绍一种算法，其允许您评估 2 个连续环境状态数据之间的直接变化。

在这一系列文章中，我们重新审视经典策略，看看是否可以利用人工智能（AI）对其进行改进。在本文中，我们将研究流行的多时间框架分析策略，以判断该策略是否可以通过人工智能得到增强。

这篇文章与我以前发表的有些不同。在本文中，我们将谈谈时间序列的另类表示。时间序列的分段线性表示是一种利用涵盖小间隔的线性函数逼近时间序列的方法。

在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。