MQL5 开发的自动交易示例的文章

在这篇参考文章中，我们将研究趋势指标类别中的标准指标。我们将创建现成的模板，用于EA中的指标使用——声明和设置参数、指标初始化和析构，以及从EA中的指示符缓冲区接收数据和信号。

本文中的多币种智能交易系统是交易机器人，它只能在单一品种图表中运营，但可交易（开单、平单和管理订单）超过一个品种对。

我们继续研究无监督学习算法。 一些读者可能对最近发表的与神经网络主题的相关性有疑问。 在这篇新文章中，我们回到了对神经网络的研究。

根据本系列文章的用户和读者的评论和要求，程序已进行了修改。 本文包含一个自动优化器的新版本。 该版本实现了所需的功能，并提供了其他改进，这些是我运用该程序操作时发现的。

交易策略是多种多样的，因此，或许可以采用几种策略并行运作，以分散风险，提高交易结果的稳定性。但是，如果每个策略都作为单独的 EA 交易来实现，那么在一个交易账户上管理它们的工作就会变得更加困难。为了解决这个问题，在一个 EA 中实现不同交易策略的操作是合理的。

我们继续研究强化学习算法。 到目前为止，我们所研究的所有算法都需要创建一个奖励政策，从而令代理者能够每次从一个系统状态过渡到另一个系统状态的转换中估算其每个动作。 然而，这种方式人为因素相当大。 在实践中，动作和奖励之间存在一些时间滞后。 在本文中，我们将领略一种模型训练算法，该算法可以操控从动作到奖励的各种时间延迟。

今天，我们将创建时序与交易，从而快速解读订单流程。 这是我们构建系统的第一部分。 在下一篇文章中，我们将补全该系统缺失的信息。 为了实现这一新功能，我们需要在智能交易系统代码中添加一些新的内容。

这是初学者系列的延续。本文将介绍如何创建常量和变量、写入日期、颜色和其他有用的数据。我们将学习如何创建枚举，如一周中的天数或线条样式（实线、虚线等）。变量和表达式是编程的基础。它们肯定存在于99%以上的程序中，因此理解它们至关重要。因此，如果你是编程新手，这篇文章会对你非常有用。所需的编程知识水平：非常基础，在我上一篇文章（见开头的链接）的范围内。

在本文中，我们将研究追踪止损在交易中的使用。我们将评估它的实用性和有效性以及如何使用它。追踪止损的效率很大程度上取决于价格波动和止损水平的选择。可以使用各种方法来设置止损。

简述。 在本文中，我们将探索采用 MetraTrader 5 终端里以集成的 MQL5 编写 AutoIt 脚本。 在其中，我们将覆盖如何操纵终端的用户界面来自动完成各种任务，并介绍一个采用 AutoItX 库的类。

什么是帧分析器（Frames Analyzer）？ 这是适用于任意智能系统的一个插件模块，在策略测试器中、以及测试器之外进行参数优化期间，该工具在参数优化完成后立即读取测试创建的 MQD 文件、或数据库，并分析优化帧数据。 您能够与拥有帧分析器工具的其他用户共享这些优化结果，从而共同讨论结果。

我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。

我们继续研究无监督学习算法。 这次我建议我们讨论自动编码器应用于递归模型训练时的特性。

本文中的多货币智能系统是一款智能交易系统或交易机器人，它利用两条 RSI 指标线的交叉，即与慢速 RSI 与快速 RSI 两线相交。

我们在开发多币种 EA 方面已经取得了一些进展，该 EA 有几个并行工作的策略。考虑到所积累的经验，让我们回顾一下我们解决方案的架构，并尝试在我们走得太远之前对其进行改进吧。

我们继续研究分布式 Q-学习算法。 在之前的文章中，我们研究了分布式和分位数 Q-学习算法。 在第一种算法当中，我们训练了给定数值范围的概率。 在第二种算法中，我们用给定的概率训练了范围。 在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。 在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。

在上一篇文章中，我们开始探索非梯度优化方法。 我们领略了遗传算法。 今天，我们将继续这个话题，并将研究另一类进化算法。

在本部分中，我们将继续讨论人工智能模型。 即，我们研究无监督学习算法。 我们已经讨论了众多聚类算法之一。 在本文中，我将分享一种解决与降维相关问题的方法。

在本文中，我将在 MetaTrader 5 中检查并优化二元期权策略。

我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。

最后，视觉系统将开始工作，尽管它尚未完工。 在此，我们将完成主要更改。 这只是它们当中很少一部份，但都是必要的。 嗯，整个工作将非常有趣。

在上一篇文章中讨论的强化学习模型中，我们用到了卷积网络的各种变体，这些变体能够识别原始数据中的各种对象。 卷积网络的主要优点是能够识别对象，无关它们的位置。 与此同时，当物体存在各种变形和噪声时，卷积网络并不能始终表现良好。 这些是关系模型可以解决的问题。

我们继续研究分布式 Q-学习。 今天我们将从另一个角度来看待这种方式。 我们将研究使用分位数回归来解决价格预测任务的可能性。

旧时的交易策略本文介绍了一种纯技术型的趋势跟踪策略。该策略纯粹是技术性的，使用一些技术指标和工具来传递信号和目标。该策略的组成部分如下：一个周期数为14的随机振荡指标，一个周期数为5的随机振荡指标，一个周期数为200的移动平均指标，一个斐波那契投影工具（用于设定目标）。

强化学习的问题在于需要定义奖励函数。 它可能很复杂，或难以形式化。 为了定解这个问题，我们正在探索一些基于行动和基于环境的方式，无需明确的奖励函数即可学习技能。

今天我想给大家介绍一种略有不同的学习方法。 我们可以说它是从达尔文的进化论中借鉴而来的。 它可能比前面所讨论方法的可控性更低，但它允许训练不可微分的模型。