有关 MQL5 编程和自动交易使用的文章
您应当知道的 MQL5 向导技术（第 38 部分）：布林带
布林带是一种非常常见的轨道线指标，许多交易者用它来手工下单和平仓。我们，通过考察尽可能多的由它生成的不同信号，来验证该指标，并看看如何在向导汇编的智能系统中运用它们。
神经网络变得轻松（第五十二部分）：研究乐观情绪和分布校正
由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。
构建一个K线图趋势约束模型（第二部分）：融合原生指标
这篇文章的重点在于如何利用MetaTrader 5的内置指标来甄别逆势信号。在上一篇文章的基础上，我们将进一步探讨如何使用MQL5代码将我们的想法最终用代码实现。
使用MQL5与Python构建自我优化的智能交易系统
在本文中，我们将讨论如何构建能够根据当前市场条件自主选择和更改交易策略的EA。我们将学习马尔可夫链（Markov Chains）以及它们如何帮助我们作为算法交易者。
使用MQL5开发基于震荡区间突破策略的EA
本文概述了如何创建一个基于价格突破震荡区间进行交易的EA。通过识别震荡区间并设定突破水平，交易者可以基于这一策略自动化其交易决策。该EA旨在为交易者提供明确的入场和出场点，同时避免虚假突破。
神经网络变得简单（第 62 部分）：在层次化模型中运用决策转换器
在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。
为 MetaTrader 5 开发一款 MQTT 客户端：TDD 方式
本文汇报为 MQL5 开发原生 MQTT 客户端的首次尝试。MQTT 是一种客户端-服务器之间发布/订阅消息的传输协议。它轻巧、开放、简单，并且易于实施。这些特性令其非常适合在多种情况下使用。
构建K线图趋势约束模型（第8部分）：EA的开发（一）
在本文中，我们将基于前文创建的指标，开发我们的第一个由MQL5语言编写的EA。我们将涵盖实现自动化交易所需的所有功能，包括风险管理。这将极大地帮助用户从手动交易转变为自动化交易系统。
软件开发和 MQL5 中的设计模式（第 2 部分）：结构模式
在了解了设计模式适用于 MQL5 和其他编程语言，并且对于开发人员开发可扩展、可靠的应用程序有多么重要之后，我们将在本文中继续介绍设计模式。我们将学习另一种类型的设计模式，即结构模式，了解如何利用我们所拥有的类组成更大的结构来设计系统。
通过应用程序了解MQL5中的函数
函数在任何编程语言中都是至关重要的东西，它有助于开发人员应用（DRY）的概念，这意味着不要重复自己，还有许多其他好处。在本文中，您将找到更多关于函数的信息，以及我们如何使用简单的应用程序在MQL5中创建自己的函数，这些应用程序可以在任何系统中使用或调用。您必须在不使事情复杂化的情况下丰富您的交易系统。
MQL5 简介（第 4 部分）：掌握结构、类和时间函数
在我们的最新文章中揭开 MQL5 编程的秘密！深入了解结构、类和时间函数的基本要素，为您的编码之旅赋能。无论您是初学者还是经验丰富的开发人员，我们的指南都简化了复杂的概念，为掌握 MQL5 提供了宝贵的见解。提升你的编程技能，在算法交易领域保持领先！
构建K线趋势约束模型（第5部分）：通知系统（第一部分）
我们将会把关键的MQL5代码分解成特定的代码段，以展示如何在本系列文章中创建的“趋势约束”指标中集成Telegram和WhatsApp来接收信号通知。这将帮助交易者，无论是新手还是经验丰富的开发者，都能更容易地理解这一概念。首先，我们将介绍MetaTrader 5的通知设置及其对用户的重要性。这将有助于开发者提前做好笔记，以便在他们的系统中做进一步应用。
神经网络变得简单（第 64 部分）：保守加权行为克隆（CWBC）方法
据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。
Python、ONNX 和 MetaTrader 5：利用 RobustScaler 和 PolynomialFeatures 数据预处理创建 RandomForest 模型
在本文中，我们将用 Python 创建一个随机森林（random forest）模型，训练该模型，并将其保存为带有数据预处理功能的 ONNX 管道。之后，我们将在 MetaTrader 5 终端中使用该模型。
MQL5 简介（第 5 部分）：MQL5 数组函数入门指南
在第 5 部分中探索 MQL5 数组的世界，该部分专为绝对初学者设计。本文简化了复杂的编码概念，重点在于清晰性和包容性。加入我们的学习者社区，在这里解决问题，分享知识！
使用Python和MQL5进行交易策略的自动参数优化
有多种用于交易策略和参数自我优化的算法。这些算法基于历史和当前市场数据自动改进交易策略。在本文中，我们将通过Python和MQL5的示例来探讨其中一种算法。
改编版 MQL5 网格对冲 EA（第 III 部分）：优化简单对冲策略（I）
在第三部分中，我们重新审视了早前开发的简单对冲和简单网格智能系统（EA）。我们的重点转移到通过数学分析和蛮力方式完善简单对冲 EA，旨在实现最优策略用法。本文深入探讨了该策略的数学优化，为在日后文章中探索未来基于编码的优化奠定了基础。
利用 MQL5 的交互式 GUI 改进您的交易图表（第 II 部分）：可移动 GUI（II）
依靠我们的以 MQL5 创建可移动 GUI 的深度指南，在您的交易策略和实用程序中解锁动态数据表达的潜力。深入研究面向对象编程的基本原理，并探索如何在同一图表上轻松高效地设计和实现单个或多个可移动 GUI。
数据科学和机器学习（第 27 部分）：MetaTrader 5 中训练卷积神经网络（CNN）交易机器人 — 值得吗?
卷积神经网络（CNN）以其在检测图像和视频形态方面的出色能力而闻名，其应用涵盖众多领域。在本文中，我们探讨了 CNN 在金融市场中识别有价值形态，并为 MetaTrader 5 交易机器人生成有效交易信号的潜力。我们来发现这种深度机器学习技术如何能撬动更聪明的交易决策。
算法交易中的风险管理器
本文的目标是证明在算法交易中使用风险管理器的必要性，并在一个单独的类中实现控制风险的策略，以便每个人都可以验证标准化的风险管理方法在金融市场日内交易和投资中的有效性。在本文中，我们将为算法交易创建一个风险管理类。本文是上一篇文章的延续，在前文中我们讨论了为手动交易创建风险管理器。
MQL5 中的范畴论 (第 8 部分)：幺半群（Monoids）
本文是以 MQL5 实现范畴论系列的延续。 本期，我们引入幺半群作为域（集合），通过包含规则和幺元，将范畴论自其它数据分类方法分离开来。
数据科学和机器学习（第 26 部分）：时间序列预测的终极之战 — LSTM 对比 GRU 神经网络
在上一篇文章中，我们讨论了一个简单的 RNN，尽管它对理解数据中的长期依赖关系无能为力，却仍能制定可盈利策略。在本文中，我们将讨论长-短期记忆（LSTM）、门控递归单元（GRU）。引入这两个是为了克服简单 RNN 的缺点，并令其更聪慧。
MQL5 中的范畴论 (第 4 部分)：跨度、实验、及合成
范畴论是数学的一个多样化和不断扩展的分支，到目前为止，在 MQL5 社区中还相对难以发现。 这些系列文章旨在介绍和研究其一些概念，其总体目标是建立一个开放的函数库，提供洞察力，同时希望在交易者的策略开发中进一步运用这一非凡的领域。
在MetaTrader 5中实现基于EMA交叉的级联订单交易策略
本文介绍一个基于EMA交叉信号的自动交易算法，该算法适用于MetaTrader 5平台。文章详细阐述了在MQL5中开发一个EA所需的方方面面，以及在MetaTrader 5中进行测试的过程——从分析价格区间行为到风险管理。
将您自己的 LLM 集成到 EA 中（第 4 部分）：使用 GPU 训练自己的 LLM
随着当今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，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
神经网络变得简单（第 68 部分）：离线优先引导政策优化
自从第一篇专门讨论强化学习的文章以来，我们以某种方式触及了 2 个问题：探索环境和检定奖励函数。最近的文章曾专门讨论了离线学习中的探索问题。在本文中，我想向您介绍一种算法，其作者完全剔除了奖励函数。
神经网络变得轻松（第二十八部分）：政策梯度算法
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。
MQL5 中的高级变量和数据类型
不仅在 MQL5 编程中，在任何编程语言中，变量和数据类型都是非常重要的主题。MQL5 变量和数据类型可分为简单类型和高级类型。在这篇文章中，我们将识别并学习高级类型，因为我们在前一篇文章中已经提到过简单类型。
将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLMs 开发和测试交易策略（一）- 微调
随着当今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，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
DoEasy 函数库中的时间序列（第五十八部分）：指标缓冲区数据的时间序列
关于操控时间序列的主题总结，诸如组织存储、针对存储在指标缓冲区中的数据进行搜索和分类，如此即可在程序里利用函数库创建指标值，并进一步据其执行分析。 函数库的所有集合类的一般概念，能够轻松地在相应的集合中找到必要的数据。 在今天创建的类中，也可分别完成同样功能。
神经网络变得简单（第 61 部分）：离线强化学习中的乐观情绪问题
在离线学习期间，我们基于训练样本数据优化了智能体的政策。成品政策令智能体对其动作充满信心。然而，这种乐观情绪并不总是正当的，并且可能会在模型操作期间导致风险增加。今天，我们要寻找降低这些风险的方法之一。
开发多币种 EA 交易 (第 11 部分):自动化优化（第一步）
为了获得一个好的 EA，我们需要为它选择多组好的交易策略实例参数。这可以通过对不同的交易品种运行优化然后选择最佳结果来手动完成。但最好将这项工作委托给程序，并从事更有成效的活动。