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 20 部分）：符号回归
符号回归是一种回归形式，它从最小、甚或没有假设开始，而底层模型看起来应当映射所研究数据集。尽管它可以通过贝叶斯（Bayesian）方法、或神经网络来实现，但我们看看如何使用遗传算法实现，从而有助于在 MQL5 向导中使用自定义的智能信号类。
交易中的神经网络：广义 3D 引用表达分段
在分析市场状况时，我们将其切分为不同的段落，标识关键趋势。然而，传统的分析方法往往只关注一个层面，从而限制了正确的感知。在本文中，我们将学习一种方法，可选择多个对象，以确保对形势进行更全面、及多层次的理解。
交易中的神经网络：具有相对编码的变换器
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。
百年数学函数如何革新您的交易策略？
本文聚焦R德马赫（Rademacher）函数与沃尔什（Walsh）函数。探讨如何将这两类诞生于20世纪初的数学工具应用于金融时间序列分析，并揭示其在交易策略中的创新应用场景。
交易中的神经网络：双曲型潜在扩散模型（终篇）
正如 HypDIff 框架所提议，使用各向异性扩散过程针对双曲潜在空间中的初始数据进行编码，助力保留当前市场状况的拓扑特征，并提升其分析品质。在上一篇文章中，我们开始利用 MQL5 实现所提议的方式。今天，我们将继续我们已开始的工作，并得出合乎逻辑的结论。
交易中的神经网络：使用小波变换和多任务注意力的模型（终篇）
在上一篇文章中，我们探索了理论基础，并开始实现多任务-Stockformer 框架的方式，其结合了小波变换和自注意力多任务模型。我们继续实现该框架的算法，并评估其在真实历史数据上的有效性。
您应当知道的 MQL5 向导技术（第 15 部分）：协同牛顿多项式的支持向量机
支持向量机基于预定义的类，按探索增加数据维度的效果进行数据分类。这是一种监督学习方法，鉴于其与多维数据打交道的潜力，它相当复杂。至于本文，我们会研究进行价格行为分类时，如何运用牛顿多项式更有效地做到非常基本的 2-维数据实现。
您应当知道的 MQL5 向导技术（第 29 部分）：继续学习率与 MLP
我们主要验证自适应学习率，圆满考察学习率对智能系统性能的敏感性。这些学习率旨在在训练过程中针对层中的每个参数进行自定义，故我们评估潜在收益相较于预期的性能损失。
交易中的神经网络：搭配预测编码的混合交易框架（终篇）
我们继续研习 StockFormer 混合交易系统，其结合了预测编码和强化学习算法，来分析金融时间序列。该系统基于三个变换器分支，搭配多样化多头注意力（DMH-Attn）机制，能够捕获资产之间的复杂形态、和相互依赖关系。之前，我们已领略了该框架的理论层面，并实现了 DMH-Attn 机制。今天，我们就来聊聊模型架构和训练。
MQL5中交易策略的自动化实现（第六部分）：掌握智能资金交易中的订单块（Order Block）检测技巧
在本文中，我们将运用纯粹的价格行为分析方法，在MQL5平台上实现订单块的自动化检测。我们将界定订单块的定义，实现其检测功能，并集成自动化交易执行系统。最后，我们通过回测来评估该策略的表现。
交易中的神经网络：多智代自适应模型（终篇）
在上一篇文章中，我们讲述了多智代自适应框架 MASA，它结合了强化学习方法和自适应策略，在动荡的市场条件下提供了盈利能力、及风险之间的和谐平衡。我们已在该框架内构建了单个智代的功能。在本文中，我们继续我们已开始的工作，令其得出合乎逻辑的结论。
Connexus中的正文（第四部分）：添加HTTP请求正文
在本文中，我们探讨了HTTP请求中的正文概念，这对于发送诸如JSON和纯文本之类的数据至关重要。我们讨论并解释了如何正确地使用正文，并结合适当的头部信息。此外，我们还介绍了Connexus库中的ChttpBody类，它将简化对请求正文的处理。
神经网络变得简单（第 88 部分）：时间序列密集编码器（TiDE）
为尝试获得最准确的预测，研究人员经常把预测模型复杂化。而反过来又会导致模型训练和维护成本增加。这样的增长总是公正的吗？本文阐述了一种算法，即利用线性模型的简单性和速度，并演示其结果与拥有更复杂架构的最佳模型相当。
交易中的神经网络：使用小波变换和多任务注意力的模型
我们邀请您探索一个结合小波变换和多任务自注意力模型的框架，旨在提高波动市场条件下预测的响应能力、和准确性。小波变换可将资产回报分解为高频和低频，精心捕捉长期市场趋势、和短期波动。
在MQL5中实现基于经济日历新闻事件的突破型智能交易系统（EA）
重大经济数据发布前后市场波动率通常显著上升，为突破交易策略提供了理想的环境。在本文中，我们将阐述基于经济日历的突破策略的实现过程。我们将全面覆盖从创建用于解析和存储日历数据的类，到利用这些数据开发符合实际的回测系统，最终实现实盘交易执行代码的完整流程。
您应当知道的 MQL5 向导技术（第 23 部分）：CNNs
卷积神经网络是另一种机器学习算法，倾向于专门将多维数据集分解为关键组成部分。我们看看典型情况下这是如何达成的，并探索为交易者在其它 MQL5 向导信号类中的可能应用。
您应当知道的 MQL5 向导技术（第 48 部分）：比尔·威廉姆斯（Bill Williams）短吻鳄
短吻鳄指标是比尔·威廉姆斯（Bill Williams）的创意，是一种多功能趋势识别指标，可产生清晰的信号，并经常与其它指标结合使用。MQL5 向导类和汇编允许我们在形态基础上测试各种信号，故此我们也研究了这个指标。
风险管理（第一部分）：建立风险管理类的基础知识
在本文中，我们将介绍交易风险管理的基础知识，并学习如何创建第一个函数来计算交易的适当手数以及止损。此外，我们将详细介绍这些功能的工作原理，解释每个步骤。我们的目标是清楚地了解如何在自动交易中应用这些概念。最后，我们将通过创建一个包含文件的简单脚本来将所有内容付诸实践。
您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入
受限玻尔兹曼（Boltzmann）机是一种神经网络形式，开发于 1980 年代中叶，当时的计算资源非常昂贵。在其初创时，它依赖于 Gibbs 采样，以及对比散度来降低维度，或捕获输入训练数据集上的隐藏概率/属性。我们验证当 RBM 为预测多层感知器“嵌入”价格时，反向传播如何执行类似的操作。
您应当知道的 MQL5 向导技术（第 49 部分）：搭配近端政策优化的强化学习
近端政策优化是强化学习中的另一种算法，通常以网络形式以非常小的增量步幅更新政策，以便确保模型的稳定性。我们以向导汇编的智能系统来试验其作用，如同我们之前的文章一样。
构建MQL5自优化智能交易系统（EA）（第四部分）：动态头寸规模调整
成功运用算法交易需要持续的跨学科学习。然而，无限的可能性可能会耗费数年努力，却无法取得切实成果。为解决这一问题，我们提出一个循序渐进增加复杂性的框架，让交易者能够迭代优化策略，而非将无限时间投入不确定的结果中。
交易中的神经网络：具有预测编码的混合交易框架（StockFormer）
在本文中，我们将讨论混合交易系统 StockFormer，其结合了预测编码和强化学习（RL）算法。该框架用到 3 个变换器分支，集成了多样化多头注意力（DMH-Attn）机制，改进了原版的注意力模块，采用多头前馈模块，能够捕捉不同子空间中的多元化时间序列形态。
创建 MQL5-Telegram 集成 EA 交易（第 4 部分）：模块化代码函数以增强可重用性
在本文中，我们将现有的用于从 MQL5 向 Telegram 发送消息和截图的代码重构为可重复使用的模块化函数。这将简化流程，实现跨多个实例的更高效执行和更轻松的代码管理。
交易中的神经网络：受控分段（终章）
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。
您应当知道的 MQL5 向导技术（第 50 部分）：动量振荡器
动量振荡器是另一个用于衡量动量的比尔·威廉姆斯（Bill Williams）指标。它能生成多个信号，因此我们像之前的文章一样，利用 MQL5 向导类和汇编，在形态基础上审查这些信号。
让新闻交易轻松上手（第4部分）：性能增强
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。
您应当知道的 MQL5 向导技术（第 36 部分）：依据马尔可夫（Markov）链的 Q-学习
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。
您应当知道的 MQL5 向导技术（第 52 部分）：加速器振荡器
加速器振荡指标是另一款比尔·威廉姆斯（Bill Williams）指标，它跟踪价格动量的加速，而不光是其速度。尽管很像我们在最近的一篇文章中回顾的动量（Awesome）振荡器，但它更专注于加速度，而不仅是速度，来寻求避免滞后效应。我们一如既往地验证我们可从中获得哪些形态，以及每种形态由向导汇编到智能交易系统后，在交易中具有的意义。
交易中的神经网络：免掩码注意力方式预测价格走势
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。
交易中的神经网络：超点变换器（SPFormer）
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。
使用 MQL5 经济日历进行交易（第三部分）：添加货币、重要性和时间过滤器
在本文中，我们将在 MQL5 经济日历仪表板中添加过滤器，以便通过货币、重要性和时间来细化新闻事件的显示。我们首先为每个类别建立过滤标准，然后将这些标准集成到仪表板中，以仅显示相关事件。最后，我们确保每个过滤器都能动态更新，为交易者提供专注的、实时的经济信息。
交易中的神经网络：降低锐度强化变换器效率（终章）
SAMformer 为长期时间序列预测中变换器模型的主要缺点，譬如训练复杂性，及小型数据集的普适能力差，提供了解决方案。其浅层架构和锐度感知优化有助于避免次优的局部最小值。在本文中，我们将继续利用 MQL5 实现方式，并评估其实用价值。
智能系统健壮性测试
在策略开发中，有许多错综复杂的细节需要考虑，对于初学交易者其中许多都未予重视。如是结果，众多交易者，包括我自己，都不得不历经苦难来学习这些教训。本文基于我观察到的大多数初学交易者在 MQL5 上开发策略时常见的陷阱。它将提供一系列提示、技巧、和示例，帮助辨别不合格的 EA，并以一种易于实现的方式来测试我们自己 EA 的稳健性。目标是教导读者，帮助他们未来购买 EA 时避免遭遇骗局，以及预防他们自己开发策略时的错误。