MQL5 开发的自动交易示例的文章

在本文中，我们将把本系列中的所有知识付诸实践。 我们最终将建立一个 100% 自动化和功能性的系统。 但在此之前，我们仍然需要学习最后一个细节。

多层感知器是简单感知器的演变，可以解决非线性可分离问题。 结合反向传播算法，可以有效地训练该神经网络。 在多层感知器和反向传播系列的第 3 部分当中，我们将见识到如何将此技术集成到策略测试器之中。 这种集成将允许使用复杂的数据分析，旨在制定更好的决策，从而优化您的交易策略。 在本文中，我们将讨论这种技术的优点和问题。

您知道什么是流程图吗？ 您能用它吗？ 您认为流程图适合初学者吗？ 我建议我们一起继续阅读这篇新文章，学习如何使用流程图。

如果您认为自动化系统很简单，那么您可能并未完全理解创建它们需要什么。 在本文中，我们将谈谈杀死大量智能系统的问题。 不分青红皂白地触发订单是解决这个问题的可能方法。

如果没有健全的安全性，自动化系统就不会成功。 但是，如果不对某些事情有很好的理解，就无法确保安全性。 在本文中，我们将探讨为什么在自动化系统中实现最大安全性是一项挑战。

如果您无法控制其调度表，则自动化就意味着毫无意义。 没有工人能够一天 24 小时高效工作。 然而，许多人认为自动化系统理所当然地每天 24 小时运行。 但为 EA 设置工作时间范围总是有好处的。 在本文中，我们将研究如何正确设置这样的时间范围。

尽管创建自动 EA 并非一项非常困难的任务，但在缺乏必要知识的情况下可能会犯许多错误。 在本文中，我们将研究如何构建初级自动化，其中包括创建一个触发器来激活盈亏平衡和尾随停止价位。

在本文中，我们将目睹如何利用事件处理系统快速有效地处理与订单系统相关的问题。 配合这个系统，EA 就能更快地工作，如此它就不必持续不断地搜索所需的数据。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 交易者应当始终明白自动 EA 正在做什么，以便若它“偏离轨道”，交易者可以尽早将其从图表中删除，并控制事态。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 当前状态下，我们的 EA 已能在任何状况下工作，但尚未准备好自动化。 我们仍然需要在几点上努力。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 在上一篇文章的末尾，我建议允许手工操作 EA 是合适的，至少在一段时间内。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 在上一篇文章中，我们已启动开发一个在自动化 EA 中使用的订单系统。 然而，我们只创建了一个必要的函数。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。 在上一篇文章中，我们讨论了任何人在继续创建自动交易的智能系统之前需要了解的第一步。 我们首先研究了概念和结构。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。

我们在本系列的早期文章中领略了 Q-学习方法。 此方法均化每次操作的奖励。 2017 年出现了两篇论文，在研究奖励分配函数时展现出了极大的成功。 我们来研究运用这种技术解决我们问题的可能性。

在本系列的前几篇文章中，我们见识到两种增强的学习算法。 它们中的每一个都有自己的优点和缺点。 正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。 这将弥补它们每种的短处。 本文将讨论其中一种方法。

我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。

在本系列文章中，我们已经不止一次提到了迁移学习。 然而，都只是提及而已。 在本文中，我建议填补这一空白，并仔细研究迁移学习。

在上一篇文章中，我们已熟悉了自动编码器算法。 像其它任何算法一样，它也有其优点和缺点。 在其原始实现中，自动编码器会尽可能多地将对象与训练样本分开。 这次我们将讨论如何应对它的一些缺点。