MQL5 开发的自动交易示例的文章

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。

使用MQL5实现基于布林带交易策略的自动化交易算法的逐步指南。这是一个基于创建EA的详细教程，对交易者非常有帮助。

建立前瞻性的EA，并根据任何市场进行调整。

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。

本文概述了基于 RSI 和移动平均线指标实现 Deus EA 以指导自动交易的步骤。

在本文中，我们将详细探讨如何从头编写手动交易的风险管理类。这个类也可以被用作自动化程序的算法交易者继承的基类。

MQL5中EA自优化的分步指南。我们将涵盖稳健的优化逻辑、参数选择的最佳实践，以及如何通过回测重构策略。此外，还将讨论诸如分步优化等高级方法，以增强您的交易方法。

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。

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。

在本文中，我们将研究交易量和比尔威廉姆斯指标类别的标准指标。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 EA 是一款智能交易系统或交易机器人，可以仅从一个品种图表中交易（开单、平单和管理订单，例如：尾随止损和止盈）多个品种（对）。在本文中，我们将用到来自两个指标的信号，在本例中为凯尔特纳（Keltner）通道上的布林带®。

在本文中，我们将探讨用于便捷创建各种追踪止损的类，并学习如何将追踪止损加入到EA中。

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。

本文详细探讨了创建基于区域恢复交易算法的EA需要实施的步骤。这有助于自动化该系统，从而为算法交易者节省时间。

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。

在本系列文章中，我会采用实验和非标准方法来开发一个可盈利的交易系统，并检查神经网络是否对交易者有任何帮助。 若在交易中运用神经网络，MetaTrader 5 则可作为近乎自给自足的工具。

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。

在本文中，我们将介绍如何使用Python中的情绪分析和ONNX模型，并将它们应用于EA中。使用一个脚本运行TensorFlow训练的ONNX模型，以进行深度学习预测；而通过另一个脚本获取新闻标题，并使用人工智能技术量化情绪。

本文继续针对初学者的系列文章。在这里我们将讨论开发 EA 交易的基本原则。我们将创建两个 EA：第一个 EA 不使用指标进行交易，使用挂单，第二个 EA 将基于标准 MA 指标，以当前价格开仓。在这里，我假设你不再是一个完全的初学者，并且对前几篇文章中的材料有相对较好的掌握。

在本文中，我们将介绍另一个基于波动率的指标——蔡金波动率（Chaikin Volatility）。在了解到蔡金波动率的使用方法和构建方式之后，我们将学习如何构建自定义指标。我们将分享一些可用的简单策略，并对其进行测试，以了解哪个策略更优。

本文探讨了一种将线性判别分析（LDA）与布林带相结合的交易策略，利用对市场区域的分类预测来生成战略性入场信号。

在本文中，我们将开发一个“看看发生了什么”类型的图形订单系统。 请注意，我们这次不是从头开始，只不过我们将修改现有系统，在我们交易的资产图表上添加更多对象和事件。

今天，我们将针对市场分析构建《时序与交易》系统的第二部分。 在前一篇文章《时序与交易（I）》当中，我们讨论了一种替代的图表组织系统，该系统能够针对市场上执行的成交进行最快速的解释。

我们继续研究聚类方法。 在本文中，我们将创建一个新的 CKmeans 类来实现最常见的聚类方法之一：k-均值。 在测试期间，该模型成功地识别了大约 500 种形态。

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。

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。

让我们继续开发多币种 EA，让多个策略并行工作。让我们尝试将与市场开仓相关的所有工作从策略级转移到管理策略的 EA 级。这些策略本身只进行虚拟交易，并不建立市场仓位。

强化学习中的一个关键问题是环境探索。 之前，我们已经见识到基于内在好奇心的研究方法。 今天我提议看看另一种算法：凭借分歧进行探索。

我们继续在强化学习模型中研究环境。 在本文中，我们将见识到另一种算法 — Go-Explore，它允许您在模型训练阶段有效地探索环境。

想象一下，您可以使用 MetaTrader 中没有的数据，您只能通过价格分析和技术分析从指标中获得数据。现在想象一下，您可以访问数据，这将使你的交易能力更高。如果您通过 API（应用程序编程接口）数据混合其他软件、宏观分析方法和超高级工具的输出，您就可以倍增 MetaTrader 软件的力量。在本文中，我们将教您如何使用 API，并介绍有用和有价值的 API 数据服务。

在本文中，我们将创建一个MQL5 EA，它基于PIRANHA策略，并使用布林带来提升交易表现。我们会系统梳理该策略的核心原理、代码实现细节，以及测试与优化方法。并助您轻松将 EA 部署到实际的交易环境中。

在本文中，我们将自动化 MQL5 中的头肩形态。我们分析其架构，实现一个用于检测和交易该形态的 EA，并对结果进行回测。这个过程揭示了一个具有改进空间的实用交易算法。