有关 MQL5 编程和自动交易使用的文章
神经网络在交易中的应用：不依赖特定数据的时间序列泛化（Mamba4Cast）
在本文中，我们介绍了 Mamba4Cast 框架，并深入探讨了其关键组件之一：基于时间戳的位置编码。本文展示了如何结合数据的日历结构来构建时间嵌入。
交易中的神经网络：一种跨领域时间序列预测框架（TimeFound）
本文将分步搭建 TimeFound 智能模型的核心模块，使其适配真实场景下的时序预测任务。如果你希望了解神经网络分块算法在 MQL5 中的工程落地实现，那么本文正是为你准备的。
交易中的神经网络：面向准确分类的有效特征提取（Mantis）
认识Mantis —— 一款基于 Transformer 架构的轻量级时间序列分类基础模型，采用对比预训练与混合注意力机制，实现创纪录的精度，并具备出色的可扩展性。
在MQL5中自定义交易品种：创建三维K线自定义品种
本文详细讲解创新指标文件3DBarCustomSymbol.mq5的完整制作流程，该指标可在MetaTrader 5中生成自定义品种，将价格、时间、成交量与波动率整合为一体化三维可视化图形。我们会讲解其数学理论基础、系统架构、实操实现步骤，以及在交易策略中的实际应用方式。
您应该了解的MQL5向导技巧（第七十八部分）：鳄鱼振荡器与AD指标的市场韧性策略
本文介绍鳄鱼震荡器与积累/派发（AD）指标系统化交易方法的后半部分内容。作者新增五种信号形态，演示如何过滤虚假走势、捕捉早期反转，并在多时间周期上实现信号共振。文中附带清晰的代码示例与性能测试结果，为 MQL5 开发者搭建了从理论到实践的桥梁。
交易中的神经网络：自适应周期分段（结论）
我们诚邀您一同探索LightGTS的精彩世界 —— 这是一款轻量但性能强大的时间序列预测框架，融合了自适应卷积、旋转位置编码（RoPE）与创新注意力机制。本文将详细阐述框架内全部组件：从分块（patch）构建，一直到解码器内复杂的混合专家模块，这些实现思路已具备集成到MQL5项目中的条件。您将了解LightGTS如何令自动化交易提升至全新高度！
在线性自回归模型残差上训练非线性 U-Transformer
本文介绍一套用于汇率预测的创新混合系统，它将线性自回归模型与用于残差分析的 U-Transformer 架构相结合。系统会根据信号质量自动切换信号来源，并内置完整的交易逻辑，支持摊平加仓/金字塔加仓策略。该方法的核心优势在于：神经网络只在线性模型的残差上训练，从而简化了任务并降低过拟合风险。整套实现完全使用 MQL5 编写，可直接用于实盘交易，并具备随市场环境变化自动适应的能力。
数据科学与机器学习（第四十五部分）：利用Facebook的Prophet模型进行外汇时间序列预测
Prophet模型由Facebook研发，是一款稳健的时间序列预测工具，能够自动捕捉趋势、季节性与节假日效应，且几乎无需人工调整。该模型已被广泛应用于需求预测与商业规划。在本文中，我们将探讨Prophet模型在外汇交易品种波动率预测中的效果，展示其如何应用于传统商业场景之外的任务。
交易中的神经网络：智能预测流程（稀疏混合专家）
我们将带大家探索在OpenCL计算环境下，时序稀疏混合专家模块的实际实现。本文会分步讲解掩码多窗口卷积的工作原理，以及多信息流场景下如何实现基于梯度的训练流程。
从新手到专家：使用 Reporting EA 打造详尽的交易报告
本文深入探讨如何丰富交易报告的细节，并以 PDF 格式通过电子邮件发送最终报告。本文是前序文章内容的延伸，我们将继续探索如何利用 MQL5 与 Python，生成并定时输出格式专业、使用便捷的交易报告。跟随本文，你将了解如何在 MQL5 生态中优化交易报告的生成流程。
神经网络在交易中的应用：概率时间序列预测（K²VAE）
我们诚邀您探索 K²VAE 框架的原始实现 — 这是一个灵活的模型，能够线性近似潜在空间中的复杂动态。本文将演示如何在 MQL5 中实现关键组件，包括参数化矩阵，以及如何在标准神经网络层之外对这些矩阵进行管理。对于任何寻求构建可解释时间序列模型实用方法的人来说，本文材料都将大有裨益。
交易中的神经网络：自适应周期分块（LightGTS）
本文将为大家介绍创新的自适应分块技术，这是一种在考虑时序数据内在周期性的前提下，对时间序列做灵活分块的方法。我们还会讲解一种高效编码技术，该技术在处理不同尺度的数据时，可以保留重要语义特征。金融市场数据具备复杂、多尺度的典型特点，上述两类方法为此类数据的精准处理开辟了新路径，能够显著提升预测结果的稳定性与可靠性。
交易中的神经网络：自适应周期分块（Token生成）
诚邀您开启一段精彩旅程，一同探索金融时间序列自适应分析领域，了解如何将复杂谱分析与灵活卷积转化为可落地的交易信号。您将看到LightGTS如何捕捉市场节奏，借助可变窗口步长机制适配市场变化；同时了解OpenCL加速如何让高速计算成为获取盈利决策的快车道。
交易中的神经网络：摆脱特定数据依赖的时间序列泛化（结论）
本文将向您展示Mamba4Cast如何把理论转化为可运行的交易算法，并为您开展自主实验奠定基础。不要错过这次机会，获取用于自研策略的全面的知识与策略开发灵感。
交易中的神经网络：自适应周期分块（Token生成）
诚邀您开启一段精彩旅程，一同探索金融时间序列自适应分析领域，了解如何将复杂谱分析与灵活卷积转化为可落地的交易信号。您将看到LightGTS如何捕捉市场节奏，借助可变窗口步长机制适配市场变化；同时了解OpenCL加速如何让高速计算成为获取盈利决策的快车道。
交易中的神经网络：智能预测流程（Time-MoE）
诚邀大家一起来研究现代Time-MoE框架，该框架已针对时间序列预测任务完成适配。本文将分步实现该架构的核心组件，并同步提供原理讲解与实操示例。该方法使得您不仅能够理解模型的运行机制，还可以将相关原理应用于真实交易场景。
MQL5自动化交易策略（第二十九部分）：构建基于价格行为的加特利谐波形态交易系统
本文将使用MQL5开发一套加特利形态交易系统。该系统依托枢轴点与斐波那契比率识别看涨、看跌加特利谐波形态，并依据精准的入场、止损和止盈价位执行交易。系统可通过三角形、趋势线、文本标签等图表对象实现可视化展示，清晰呈现XABCD形态结构，辅助交易者分析行情。
神经网络在交易中的应用：一种端到端多变量时间序列预测模型（GinAR）
我们诚邀您探索一种使用 GinAR 框架预测缺失数据时间序列的创新方法。本文展示了使用 OpenCL 实现关键组件的过程，确保了高性能。在我们的下一篇文章中，我们将详细介绍如何将这些解决方案集成到 MQL5 中。这将有助于理解如何在交易实践中应用该方法。
交易中的神经网络：解耦结构化分量——编码器实现
本文将继续探索 SCNN 框架实现的下一阶段。该框架兼具灵活性与可解释性，能够精准识别时间序列中的各类结构化分量。本文将详细讲解自适应归一化与注意力机制的原理，这两项机制保障模型在市场环境发生变化时依然具备稳健性。
交易中的神经网络：结构化分量解耦（SCNN）
我们诚邀您探索创新的SCNN框架。该框架可将数据清晰拆分为长期分量、季节分量、短期分量与残差分量，把时间序列分析提升至全新层次。该方法使模型能够适配复杂且不断变化的市场动态，从而显著提升预测精度。
神经网络在交易中的应用：一种端到端多变量时间序列预测模型（关键组件）
我们诚邀您探索 GinAR 框架关键组件的新实现 — 一种用于处理图结构时间序列的自适应算法。本文逐步分解了架构以及前向传播和误差反向传播的算法。