有关 MQL5 编程和自动交易使用的文章
在 MQL5 中实现其他语言的实用模块（第 02 部分）：构建受 Python 启发的 REQUESTS 库
在本文中，我们实现了一个类似于 Python 中 requests 模块的功能，以便更轻松地使用 MQL5 在 MetaTrader 5 中发送和接收 Web 请求。
您应当知道的 MQL5 向导技术（第 60 部分）：推理学习（Wasserstein-VAE），配合移动平均线和随机振荡器形态
我们将目光转向 MA 与随机振荡器的互补配对，实证推理学习在后监督学习与强化学习状况中扮演的角色。显然，推理学习有多种途径可供选择，不过我们的方式是使用变分自编码器。我们先以 Python 探索这些，然后将训练好的模型以 ONNX 格式导出，可在 MetaTrader 中供向导汇编智能系统所用。
您应当知道的 MQL5 向导技术（第 31 部分）：选择损失函数
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。
交易中的神经网络：基于 ResNeXt 模型的多任务学习（终篇）
我们继续探索基于 ResNeXt 的多任务学习框架，其特征是模块化、高计算效率、及识别数据中稳定形态的能力。使用单一编码器和专用“头”可降低模型过度拟合风险，提升预测品质。
MQL5自优化智能交易系统（第八部分）：多策略分析（3）—— 加权投票机制
本文将探讨如何确定集成策略中最优的策略数量 —— 这是一个复杂问题，而借助MetaTrader 5的遗传算法优化器可以轻松解决。同时，我们也会使用MQL5云端计算作为核心资源，加速回测与优化过程。具体而言，本篇内容将为后续开发统计评估模型奠定基础，用于基于初始集成结果评估并改进交易策略。
Connexus请求解析（第六部分）：创建HTTP请求与响应
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。
Connexus助手（第五部分）：HTTP方法和状态码
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。
在交易图表上通过资源驱动的双三次插值图像缩放技术创建动态 MQL5 图形界面
本文探讨了动态 MQL5 图形界面，利用双三次插值技术在交易图表上实现高质量的图像缩放。我们详细介绍了灵活的定位选项，支持通过自定义偏移量实现动态居中或位置定位。
神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（终篇）
我们继续实现 DA-CG-LSTM 框架，该框架为时间序列分析和预测提供了创新方法。使用 CG-LSTM 和双重注意力机制可以更准确地检测数据中的长期和短期依赖关系，这在金融市场分析中尤其有用。
数据科学和机器学习（第 35 部分）：MQL5 中的 NumPy — 用更少代码制作复杂算法的艺术
NumPy 库几乎为所有 Python 语言编程的机器学习算法提供核心动力，在本文中我们即将实现一个类似的模块，其收集了所有复杂的代码，辅助我们构建各种类的复杂模型和算法。
您应当知道的 MQL5 向导技术（第 58 部分）：配以移动平均和随机振荡器形态的强化学习（DDPG）
移动平均线和随机振荡器是十分常用的指标，我们在前一篇文章中探讨了它们的共通形态，并通过监督学习网络，见识了哪些“形态能粘附”。我们自该文加以分析，进一步研究当使用该已训练网络时，强化学习的效能。读者应当注意，我们的测试时间窗口非常有限。无论如何，我们在展示这一点时，会继续追求由 MQL5 向导提供最低编码需求。
开发多币种 EA 交易（第 22 部分）：开始向设置的热插拔过渡
如果要自动进行周期性优化，我们需要考虑自动更新交易账户上已经运行的 EA 设置。这样一来，我们就可以在策略测试器中运行 EA，并在单次运行中更改其设置。
您应当知道的 MQL5 向导技术（第 62 部分）：结合 ADX 与 CCI 形态的强化学习 TRPO
ADX 振荡器和 CCI 振荡器是趋势跟踪和动量指标，可在开发智能系统时配对。我们延续上一篇文章未竟的话题，实证如何得益于强化学习来实际运用训练、并更新我们已开发的模型。我们正在使用的算法尚未在本系列中涵盖，其称为可信区域政策优化。一如既往，由 MQL5 向导汇编的智能系统令我们能够更快地搭建测试模型，且可配合不同类型信号进行测试、并派发。
您应当知道的 MQL5 向导技术（第 63 部分）：运用 DeMarker 和包络通道形态
DeMarker 振荡器和包络指标是动量和支撑/阻力工具，能够在开发智能系统时配对。因此，我们逐一实证哪些形态能够实用，哪些潜在要回避。我们一如既往地使用由向导汇编的智能系统，伴同在信号类中内置的形态用法函数。
交易中的神经网络：层次化双塔变换器（终篇）
我们继续构建 Hidformer 层次化双塔变换器模型，专为分析和预测复杂多变量时间序列而设计。在本文中，我们会把早前就开始的工作推向逻辑结局 — 我们将在真实历史数据上测试模型。
您应当知道的 MQL5 向导技术（第 55 部分）：配备优先经验回放的 SAC
强化学习中的回放缓冲区对于像 DQN 或 SAC 这样的无政策算法尤为重要。这样就会聚光在该记忆缓冲区的抽样过程。举例，SAC 默认选项从该缓冲区随机选择，而优先经验回放缓冲区则基于 TD 分数从缓冲区中抽样对其优调。我们回顾强化学习的重要性，并一如既往，在由向导汇编的智能系统中验证这一假设（而‘非交叉验证）。
MQL5经济日历交易指南（第九部分）：通过动态滚动条与界面优化提升新闻交互体验
本文中，我们为MQL5经济日历添加了动态滚动条功能，使用户直观快速浏览新闻事件。确保事件展示界面无卡顿且数据更新高效。并通过测试验证滚动条的响应性与仪表盘的美观度。
数据科学与机器学习（第四十一部分）：基于YOLOv8的外汇与股票市场图表形态检测
金融市场的形态检测极具挑战性，因为它需要“看懂图表画面”，而MQL5受限于图像处理能力，很难实现这一点。本文将介绍一个基于Python构建的合适的模型，它能让我们轻松高效地检测图表上的各类形态。
数据科学与机器学习（第四十部分）：斐波那契回调位在机器学习中的应用
斐波那契回调位是技术分析中常用的工具，可以帮助交易者识别潜在的价格反转区域。本文将探讨如何将这些斐波那契回调位转化为机器学习模型的目标变量，从而借助这一强大的工具让模型更好地理解市场规律。
MQL5 交易策略自动化（第二十七部分）：创建带可视化反馈的价格行为螃蟹谐波形态
本文将基于 MQL5 开发一套螃蟹谐波形态交易系统。程序借助枢轴点与斐波那契比例识别看涨、看跌螃蟹谐波形态，并按照精准的入场、止损、止盈点位触发交易。同时使用三角形、趋势线等图表对象做可视化展示，完整展示 XABCD 形态结构与各个交易价位。
交易中的神经网络：配备概念强化的多智代系统（FinCon）
我们邀您探索 FinCon 框架，这是一款基于大语言模型（LLM）的多智代系统。该框架利用概念性词汇强化来提升决策制定和风险管理，能在多种金融任务中有高效表现。
您应当知道的 MQL5 向导技术（第 59 部分）：配以移动平均和随机振荡器形态的强化学习（DDPG）
我们继续上一篇文章中有关配以 MA 和随机振荡器指标的 DDPG 话题，探讨实现 DDPG 时其他关键的强化学习类。尽管我们大多用 Python 编码，但最终产品是把训练好的网络导出为 ONNX 格式，我们会将它集成到由向导汇编的 MQL5 智能系统中作为资源。
交易中的神经网络：层次化双塔变换器（Hidformer）
我们邀请您来领略层次化双塔变换器（Hidmer）框架，其专为时间序列预测和数据分析而开发。框架作者提出了若干变换器架构改进方案，其成果提高了预测准确性、并降低了计算资源消耗。
MQL5交易工具（第七部分）：用于多品种持仓与账户监控的信息仪表盘
在本文中，我们将使用MQL5开发一款信息仪表盘，用于监控多品种持仓以及账户关键指标，如余额、净值和可用保证金。我们将实现一个支持排序的实时刷新表格、CSV导出功能，以及发光表头效果，以提升工具的实用性与视觉体验。
交易中的神经网络：针对加密货币市场的记忆扩充上下文感知学习（MacroHFT）
我邀请您探索 MacroHFT 框架，该框架应用了上下文感知强化学习和记忆，利用宏观经济数据和自适应智代改进加密货币高频交易决策。
交易中的神经网络：针对加密货币市场的记忆扩充上下文感知学习（终篇）
针对加密货币交易的 MacroHFT 框架采用上下文感知强化学习和记忆，以便适应动态市场条件。在本文末尾，我们将在真实历史数据上测试所实现的方式，从而评估其有效性。
神经网络在交易中的应用：基于自适应模态分解的时间序列预测（终篇）
本文讨论了在算法交易背景下，使用 MQL5 对 ACEFormer 框架的调整及其实践应用。它展示了关键的架构决策、训练特性以及在真实数据上的模型测试结果。
您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态
分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。
神经网络在交易中的应用：市场异常的自适应检测（DADA）
我们诚邀您了解 DADA 框架，这是一种用于检测时间序列异常的创新方法。它有助于区分随机波动和可疑偏差。与传统方法不同，DADA 具有灵活性，能够适应不同的数据。它没有采用固定的压缩级别，而是提供了多种选项，并为每种情况选择最合适的选项。
神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（DA-CG-LSTM）
本文介绍了 DA-CG-LSTM 算法，该算法为时间序列分析和预测提供了新的方法。它解释了创新的注意力机制和模型灵活性如何提高预测准确性。
你应该了解的 MQL5 向导技巧（第67部分）：使用 TRIX 和威廉百分比范围的形态
三重指数平滑摆动指标（TRIX）与威廉百分比指标，是另一组可在 MQL5 智能交易系统（EA）中搭配使用的技术指标。和我们此前介绍的指标组合一样，这组指标同样具备互补性：TRIX 用于判断趋势，威廉百分比指标则确认支撑位与阻力位。按照惯例，我们借助 MQL5 向导，测试这两个指标组合的实战可行性。
不使用期权的期权交易（第一部分）：基础理论与基于标的资产的模拟实现
本文介绍了一种通过标的资产实现期权模拟的方案，并使用MQL5编程语言完成代码实现。以莫斯科交易所（MOEX）FORTS期货市场以及Bybit加密货币交易所为例，对比了该方案与真实场内期权的优缺点。
交易中的神经网络：配备概念强化的多智代系统（终篇）
我们继续实现 FinCon 框架作者提议的方式。FinCon 是一款基于大语言模型（LLM）的多智代系统。今天，我们将实现必要的模块，并在真实历史数据上全面测试模型。
您应该了解的MQL5向导技巧（第七十一部分）：使用MACD与OBV形态
指数平滑异同移动平均线震荡指标（MACD）与能量潮指标（OBV），是另一组可在MQL5智能交易系统（EA）中联合使用的技术指标。与本系列文章一贯的思路相同，这一组合具有互补性：MACD用于确认趋势，OBV则用于验证成交量。我们依旧通过MQL5向导来构建并测试这一组合的潜在效果。
数据科学与机器学习（第43篇）：使用潜在高斯混合模型（LGMM）识别指标数据中的隐藏模式
你是否曾盯着行情图，产生过一种奇妙的感觉…… 仿佛表面之下就藏着某种模式？一套秘密代码 —— 只要能破解它，就能揭示价格的走向？来认识一下 LGMM 吧 —— 市场隐藏模式探测器。这是一种机器学习模型，帮助识别市场中的那些隐藏模式。
神经网络在交易中的应用：将混沌理论融入时间序列预测（Attraos）
Attraos 框架将混沌理论整合至长期时间序列预测领域，并将其视作多维混沌动力系统的投影。该模型利用吸引子不变性，通过相空间重构和动态多分辨率记忆来保留历史结构。
神经网络在交易中的应用：混合图序列模型（GSM++）
混合图序列模型（GSM++）结合了不同架构的优点，能够提供高保真度的数据分析，并优化计算成本。这些模型可高效适配动态市场数据，进而优化金融信息的展示与处理流程。