有关 MQL5 编程和自动交易使用的文章

创建用于 MetaTrader 平台的 EA，执行各种开发者已经实现的功能。交易机器人可以每天 24 小时跟踪金融产品，复制交易，创建和发送报告，分析新闻，甚至提供特定的自定义图形界面。

这些文章描述了编程技术，进行数据处理的数学思想，创建和订购交易机器人的技巧。

我们邀请您来领略一种利用超网络检测物体的新方式。超网络针对主模型生成权重，允许参考具体的当前市场形势。这种方式令我们能够通过令模型适配不同的交易条件来提升预测准确性。

在本文中，我们概述一种基于“超点变换器”（SPFormer）的三维物体分段方法，其剔除了对中间数据聚合的需求。这加快了分段过程，并提高了模型的性能。

自我监督学习是分析大量无标签数据的有效方法。通过令模型适应金融市场的特定特征来提供效率，这有助于提升传统方法的有效性。本文讲述了一种替代的注意力机制，它参考输入之间的相对依赖关系。

强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。

在大数据的世界里，有数以百万计的备选数据集，它们有可能提升我们的交易策略。在这一系列文章中，我们将帮助您识别最有信息量的公开数据集。

本文将深入探讨改进EA在策略测试器中运行时间的方法，通过编写代码将新闻事件时间按小时分类。在指定的小时段内将访问这些新闻事件。这样确保了EA能够在高波动性和低波动性环境中高效管理事件驱动的交易。

我们继续研究层次化向量变换器方法。在本文中，我们将完成模型的构造。我们还会在真实历史数据上对其进行训练和测试。

在嘈杂的条件下有效识别和预存市场数据的局部结构是交易中的一项关键任务。运用自注意力机制在处理这类数据方面展现出可喜的结果；不过，经典方式并未考虑底层结构的局部特征。在本文中，我将引入一种能够协同这些结构依赖关系的算法。

本文介绍了最初是为天气预报而开发的“构象（Conformer）”算法，其变化多端之处可与金融市场相提并论。“构象（Conformer）”是一种复杂的方法。它结合了关注度模型和常微分方程的优点。

在本文中，我们将讨论免掩码注意力变换器（MAFT）方法，及其在交易领域的应用。不同于传统的变换器，即处理序列时需要数据掩码，MAFT 通过消除掩码需求来优化注意力过程，显著改进了计算效率。

线性内核是机器学习中，针对线性回归和支持向量机所用的同类中最简单的矩阵。另一方面，Matérn 内核是我们在之前的文章中讲述的径向基函数的更普遍版本，它擅长映射不如 RBF 假设那样平滑的函数。我们构建了一个自定义信号类，即利用两个内核来预测做多和做空条件。

在本文中，我们将了解HTTP方法和状态码，这是网络上客户端与服务器之间通信的两个非常重要的部分。了解每种方法的作用，可以让您更精确地发出请求，告知服务器您想要执行的操作，从而提高效率。

SARSA 是 “State-Action-Reward-State-Action” 的缩写，是另一种能在实现强化学习时运用的算法。故此，正如我们在 Q-学习和 DQN 中看到的那样，我们考察了如何在向导汇编的智能系统中探索和实现它，将其作为独立模型，而不仅仅是一种训练机制。

我们继续上一篇文章中开启的工作，使用 MQL5 构建 RefMask3D 框架。该框架旨在全面研究点云中的多模态互动和特征分析，随后基于自然语言提供的描述进行目标对象识别。

高斯（Gaussian）进程核心是正态分布的协方差函数，能够在预测中扮演角色。我们在 MQL5 的自定义信号类中探索这种独特的算法，看看它是否可当作主要入场和离场信号。

在本系列文章的最后一篇中，我们探讨了观察者模式（Observer Pattern）在Connexus库中的实现，同时对文件路径和方法名进行了必要的重构优化。该系列文章完整地记录了Connexus库的开发过程——这是一个专为简化复杂应用中的HTTP通信而设计的工具库。

“深度-Q-网络” 是一种强化学习算法，在机器学习模块的训练过程中，神经网络参与预测下一个 Q 值和理想动作。我们曾研究过另一种强化学习算法 “Q-学习”。本文因此出示了另一个如何配以强化学习训练 MLP 的示例，可于自定义信号类中所用。

在Connexus库系列文章的第六篇中，我们将聚焦于完整的HTTP请求，涵盖构成请求的各个组件。我们将创建一个表示整个请求的类，这将有助于将之前创建的各个类整合在一起。

损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。

1 ...10 11 12 13 14 15 16 17