有关 MQL5 编程和自动交易使用的文章

在本文中，我将在 MetaTrader 5 中检查并优化二元期权策略。

在本文中，我们将尝试使用金融市场中一个非常重要的概念 - 波动性 - 来构建交易系统。我们将在了解肯特纳通道（Keltner Channel）指标后提供一个基于该指标的交易系统，并介绍如何对其进行编码，以及如何根据简单的交易策略创建一个交易系统，然后在不同的资产上进行测试。

欢迎来到我们的关于学习如何基于最流行的技术指标设计交易系统系列的新篇章，这一篇学习如何基于牛市力量技术指标设计交易系统。

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。

SMC（订单块）是机构交易者发起大规模买入或卖出的关键区域。当价格出现显著波动后，借助斐波那契数字可识别从近期波段高点至波段低点的潜在回撤，从而锁定最佳进场位。

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。

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。

欢迎阅读我们系列的新篇章，学习如何基于最流行的技术指标设计交易系统。 通读这篇新文章，我们将学习如何基于柴金（Chaikin）振荡器指标设计交易系统。

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，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。

在最晚的两篇文章中，我们开发了一个创建和编辑神经网络模型的工具。 现在是时候通过实践示例来评估迁移学习技术的潜在用途了。

通过我们的 MQL5 系列第二部分，开启一段启迪心灵的旅程。这些文章不仅是教程，还是通往魔法世界的大门，在那里，编程新手和魔法师将团结在一起。是什么让这段旅程变得如此神奇？我们的 MQL5 系列第二部分以令人耳目一新的简洁性脱颖而出，使复杂的概念变得通俗易懂。与我们互动，我们会回答您的问题，确保您获得丰富和个性化的学习体验。让我们建立一个社区，让理解 MQL5 成为每个人的冒险。欢迎来到魔法世界！

在我们透彻之前，还有一些涵盖前馈神经网络的次要事情，设计就是其中之一。 针对我们的输入，看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。

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，我们将创建一个模拟多币种定价的数学模型，并针对多元化原理进行彻底研究，作为搜索提高交易效率机制的一部分，我在上一篇文章中已经开始了理论计算。

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。

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。

掌握如何从网络向智能交易系统输入数据并非那么轻而易举。 如果不了解 MetaTrader 5 提供的所有可能性，就很难做到这一点。

我们系列中的新篇章，介绍如何基于最流行的技术指标设计交易系统。 在本文中，我们将学习如何基于相对活力（Vigor）指数指标来做到这一点。

数据分类对于算法交易者和程序员来说是至关重要的。 在本文中，我们将重点关注一种分类逻辑算法，它有帮于我们识别“确定或否定”、“上行或下行”、“做多或做空”。

在本文中，我们将使用MQL5开发一款多层级网格交易系统EA，重点探讨网格交易策略背后的架构与算法设计。我们将研究多层网格逻辑的实现方式以及应对不同市场状况的风险管理技术。最后，我们将提供详尽的解释和实用技巧，指导您完成自动化交易系统的构建、测试与优化。

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。

在本文中，我们将令系统更加可靠，来确保健壮和安全的使用。 实现所需健壮性的途径之一是尝试尽可能多地重用代码，从而能在不同情况下不断对其进行测试。 但这只是其中一种方式。 另一个是采用 OOP。

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。

数据挖掘在数据科学家和交易者看来至关重要，因为很多时候，数据并非如我们想象的那么简单。 人类的肉眼无法理解数据集中的不显眼底层形态和关系，也许 K-means 算法可以帮助我们解决这个问题。 我们来发掘一下...

我们迈进更完整的图表上的直接订单系统。 在本文中，我将展示一种修复订单系统的方法，或者更确切地说，令其更直观。

随着人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。

本文描述了投资组合层面的统计套利基础知识。其目标是帮助没有深厚数学知识的读者理解统计套利的原则，并提出一个概念性的起点框架。文章包含一个可运行的智能交易系统（EA）、一些关于其一年回测的笔记，以及用于复现实验的相应回测配置设置（.ini 文件）。

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。

如果我们想从机器学习这些先进技术中获得任何价值，那么很难解释和理解为什么我们的模型偏离我们的期望至关重要。如果对模型内部工作原理的没有全面了解，我们可能无法发现破坏模型性能的错误，我们可能会在无法预测的参照特征上浪费时间，从长远来看，我们有可能没有充分利用这些模型的功能。幸运的是，有一个复杂且维护良好的多合一解决方案，令我们能够准确地看到我们的模型在引擎盖下正在做什么。