有关 MQL5 编程和自动交易使用的文章

在人工智能飞速发展的今天，大语言模型（LLM）是人工智能的重要组成部分，所以我们应该思考如何将强大的 LLM 融入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。

在本文中，我提议从不同的角度看待构建交易策略的问题。我们不会预测未来的价格走势，但会尝试基于历史数据分析构建交易系统。

我们继续领略 TEMPO 方法。在本文中，我们将评估所提议方法在真实历史数据上的真实有效性。

本文提出了使用机器学习创建 EA 交易的方法。

在此，我将研究相当新颖的随机边际扮演者-评论者（SMAC）算法，该算法允许在熵值最大化的框架内构建潜在变量政策。

在第四篇中，我们重新审视了之前开发的“简单对冲”和“简单网格”智能系统（EA）。我们的专注点转移到通过数学分析和暴力方式完善简单网格 EA，旨在优化策略用法。本文深入策略的数学优化，为在以后文章中探索未来基于编码的优化奠定了基础。

赫斯特（Hurst）指数是时间序列长期自相关度的衡量度。据了解，它捕获时间序列的长期属性，故在时间序列分析中也具有一定的分量，即使在财经/金融时间序列之外亦然。然而，我们专注于其对交易者的潜在益处，研究如何将该计量度与移动平均线配对，从而构建潜在的稳健信号。

在离线学习中，我们使用固定的数据集，这限制了环境多样性的覆盖范围。在学习过程中，我们的 Agent 能生成超出该数据集之外的动作。如果没有来自环境的反馈，我们如何判定针对该动作的估测是正确的？在训练数据集中维护 Agent 的政策成为确保训练可靠性的一个重要方面。这就是我们将在本文中讨论的内容。

学习率是许多机器学习算法在训练过程期间，朝向训练目标迈进的步长。我们检验了其众多调度和格式对于生成式对抗网络性能的影响，该神经网络类型我们在早前文章中已检验过。

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。

了解如何在 MQL5 代码或项目中导入和使用 EX5 库。在这篇续文中，我们将通过向现有库中添加更多仓位管理功能并创建两个 EA 交易系统来扩展 EX5 库。第一个例子将使用可变指数动态平均（Variable Index Dynamic Average，VIDYA）技术指标来开发追踪止损交易策略 EA 交易，而第二个例子将利用交易面板来监控、开仓、平仓和修改仓位。这两个例子将演示如何使用和实现升级后的 EX5 仓位管理库。

在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。

在本文中，我们将创建一个基于日波动区间突破策略的 MQL5 EA。我们阐述该策略的关键概念，设计EA框架蓝图，并在 MQL5 语言中实现突破策略逻辑。最后，我们将探讨用于回测和优化EA的技术，以最大限度地提高其有效性。

当我们用模型分析市场形势时，我们主要关注蜡烛条。然而，人们早就知道烛条形态能有助于预测未来的价格走势。在本文中，我们将领略一种能将这两种方法集成的方式。

在正在开发的 EA 中，我们已经有了某种控制回撤的机制。但它具有概率性，因为它是以历史价格数据的测试结果为基础的。因此，回撤有时会超过最大预期值（尽管概率很小）。让我们试着增加一种机制，以确保遵守指定的回撤水平。

抛物线止损和反转（PSAR） 是趋势确认、和趋势终结点的指标。因为它在识别趋势方面滞后，所以它的主要目的是为持仓定位尾随止损。然而，我们要探索它是否真的可以当作智能系统的交易信号，这要归功于由向导汇编智能系统的自定义信号类。

生成式对抗网络是一对神经网络，它们彼此相互训练，以便结果更精准。我们采用这些网络的条件化类型，作为我们正在寻找的可选项，应用于智能信号类之内预测金融时间序列。

在前面的部分中，我们正在开发的智能交易系统 (EA) 只能使用固定的仓位大小进行交易。这对于测试来说是可以接受的，但在真实账户交易时并不建议这样做。让我们能够使用可变的仓位大小进行交易。

在这一系列文章中，我们重新审视经典策略，看看是否可以利用人工智能（AI）对其进行改进。在本文中，我们将研究流行的多时间框架分析策略，以判断该策略是否可以通过人工智能得到增强。

学习使用当前和历史数据在 MQL5 中创建和自定义图表对象。本基于项目的指南可帮助您可视化交易并实际应用 MQL5 概念，从而更容易构建适合您交易需求的工具。

本文从详细的角度讨论了如何基于交易算法实现 EA 交易系统的创建。这有助于在 MQL5 中实现系统自动化，并控制每日回撤。

本文是‘Connexus’库开发系列的开篇之作，旨在为MQL5环境下的HTTP请求提供便利支持。该项目的目的是为终端用户提供这个机会，并展示如何使用这个辅助库。我打算尽可能地简化，以便于学习，从而为进一步开发提供可能性。

本系列文章的这一部分专门介绍如何将WhatsApp与MetaTrader 5集成以实现通知功能。我们包含一张流程图以简化理解，并将讨论在集成过程中安全措施的重要性。指标的主要目的是通过自动化的简化分析过程，并且它们应包含通知方法，以便在满足特定条件时向用户发出警报。欲了解更多信息，请阅读本文。

在本文中，我们继续实现 ATFNet 模型的方式，其在时间序列预测内可自适应地结合 2 个模块（频域和时域）的结果。

动态多货币对EA利用正负相关性来优化EA的交易表现。通过分析实时市场数据，它识别并利用货币对之间的相关性。

在本系列文章中，我们重新审视经典策略，看看是否可以使用人工智能来改进这些策略。在今天的文章中，我们将研究一种使用一篮子具有相关性的金融产品来进行多品种分析的流行策略，我们将重点关注货币对 USDZAR。

我们将继续讨论决策转换器方法系列。从上一篇文章中，我们已经注意到，训练这些方法架构下的转换器是一项相当复杂的任务，需要一个大型标记数据集进行训练。在本文中，我们将观看到一种使用未标记轨迹进行初步模型训练的算法。