有关使用 MQL5 集成 MetaTrader 5 的文章
交易者遇到的有趣挑战，就是经常需要一个创新的方法。这个类别的特色文章，提供了众多评估、分析和处理价格数据以及交易结果的出乎意料的解决方案。这些文章描述了多种集成方案，包括数据库和 ICQ 连接，OpenCL 的使用 和社群网络，Delphi 和 C# 的使用。
您应该了解的MQL5向导技巧（第六十八部分）：结合余弦核网络使用TRIX与威廉百分比范围形态
在前一篇中，我们介绍了三重平滑指数平均线（TRIX）与威廉百分比范围（WPR）指标组合，本文承接前文，将探讨如何通过机器学习对这一指标组合进行扩展优化。TRIX属于趋势指标，威廉百分比属于支撑/阻力震荡指标，二者形成互补。我们的机器学习方案采用卷积神经网络，网络结构中集成了余弦核函数，用于对该指标组合的预测结果进行精细调优。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
海豚回波定位算法（DEA）
在本文中，我们将深入探讨 DEA 算法：一种受海豚利用回声定位捕食的独特能力启发而设计的元启发式优化方法。从数学基础到 MQL5 中的实际实现，从原理分析到与经典算法的对比，我们将详细剖析为什么这一相对较新的方法值得在面临优化问题的研究者工具箱中占有一席之地。
价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型
你是否曾错过市场突然的尖峰行情，或者在行情发生时措手不及？预判实时行情的最佳方法是从历史形态中学习。为了训练一个机器学习模型，本文首先向您展示如何在 MetaTrader 5 中创建一个脚本，用于摄取历史数据并将其发送到 Python 进行存储 —— 为您的尖峰检测系统奠定基础。继续阅读，了解每个步骤的实际操作。
您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用
本文将承接前一篇文章，之前我们介绍了MACD与OBV指标组合，本文将探讨如何通过机器学习对这一指标组合进行优化增强。MACD属于趋势指标，OBV属于成交量指标，二者为互补指标组合。本文采用卷积神经网络机器学习方案，通过有理二次核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
市场模拟（第 21 部分）：SQL 入门（四）
你们中的许多人可能比我更有数据库工作经验，因此可能会有不同的看法。由于有必要解释数据库为何以这样的方式设计，以及SQL为何具有这样的形式 — 尤其是主键和外键为何出现 — 因此有些内容必须保持一定的抽象性。
您应该了解的MQL5向导技巧（第七十六部分）：利用AO形态与包络通道进行监督学习建模
本文承接前一篇文章。之前我们介绍了动量震荡指标（AO）与包络通道组合指标，本篇将探讨如何通过监督学习对该组合进行优化增强。动量震荡指标与包络通道是一组在趋势识别与支撑/阻力判断方面彼此互补的指标组合。我们采用的监督学习模型为卷积神经网络（CNN），该网络通过点积核函数与跨时间注意力机制自适应调整卷积核与通道维度。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导组装成智能交易系统（EA）。
市场模拟（第 19 部分）：SQL 入门（二）
正如我们在第一篇关于 SQL 的文章中所解释的那样，没有必要花费时间编写程序来执行 SQL 中已经内置的功能。然而，如果不了解基础知识，你就无法使用 SQL 或充分利用这个工具所提供的一切功能。因此，在本文中，我们将探讨如何在数据库中执行基本任务。
市场模拟（第 23 部分）：仓位视图（一）
接下来我们将要介绍的内容，在理论和概念方面要复杂得多。我会让这些材料尽可能简单易懂。编程部分本身相当简单明了。但是，如果你不了解背后的理论，那么在将回放模拟系统改进或调整以适应不同于我将要展示的任务时，你就几乎没有任何可用于进一步改进或适配系统的实际依据。我不希望你只是编译和使用我提供的代码。我希望你能学习、理解，并且如果可能的话，能够创造出更好的东西。
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。
协方差矩阵自适应演化策略（CMA-ES）
本文探讨了一种最有趣的非梯度优化算法，该算法能够学习理解目标函数的几何特性。我们将重点关注对 CMA-ES 的经典实现，并稍作修改 — 用幂律分布代替正态分布。我们将深入探究算法背后的数学原理以及实际实现方式，并验证 CMA-ES 在哪些方面无懈可击，以及在哪些方面应避免使用。
人工原子算法（A3）
本文介绍如何在 MQL5 中实现人工原子算法（A3）—— 一种受化学过程启发的元启发式优化算法。该算法只有两个可调参数：紧凑性和较小的种群规模，这保证了较高的运行速度，同时保持了足够的解质量。
市场模拟（第 23 部分）：SQL 入门（六）
在本文中，我们将探讨如何可视化一个数据库，并借此了解其结构。这是通过分析数据库的内部结构来实现的。虽然乍一看这似乎没有必要，但如果我们真的想成为数据库管理员，那么这样做是完全合理的。毕竟，有些人以维护和设计数据库为生。
竞争性学习算法（CLA）
本文介绍了竞争性学习算法（CLA），这是一种基于模拟教育过程的新型元启发式优化方法。该算法将解的种群组织为若干班级，班级中包含学生，而每个班级中最优的学生充当教师。其中代理通过三种机制进行学习：跟随班级中的最优解、利用个人经验以及在班级之间共享知识。
市场模拟（第 24 部分）：仓位视图（二）
在本文中，我将展示如何以最简单、最实用的方式使用指标来跟踪交易服务器上的未平仓位。我将逐步演示，以表明您并不一定需要将所有这些操作都转移到 EA 中。你们中的许多人可能因为这样或那样的原因已经习惯了这样做。事实上，这并不完全合理，因为随着这种实现方式的演变，您将清楚地看到，您可以为此目的创建或实现不同类型的指标。
使用MQL5实现Firebase数据的增删改查
本文提供一份循序渐进指南，带您掌握Firebase的CRUD（创建、读取、更新、删除）操作，重点聚焦实时数据库与Firestore。您将学习如何使用Firebase SDK方法高效管理Web与移动端应用的数据，涵盖新增记录、查询、修改以及删除数据条目。文中提供实用代码示例，并且介绍了实时场景下的数据结构设计与处理最佳实践，帮助开发者依托Firebase灵活的NoSQL（非关系型）架构，开发动态、可扩展的应用程序。
从新手到专家：使用MQL5实现动态新闻标题（9）—— 新闻交易中的单图表多品种管理
新闻行情往往伴随着剧烈波动，交易者需要在极短时间内管理多个持仓与交易品种。在本文中，我们将把多品种功能集成到新闻标题EA中，以集成多品种功能的方式应对多品种交易的挑战。接下来我们一起探讨，如何借助MQL5算法交易，让多品种交易变得更加高效、强大。
您应该了解的MQL5向导技巧（第七十九部分）：在监督学习中使用鳄鱼震荡指标和A/D震荡指标
在前一篇文章中，我们完成了对鳄鱼震荡指标与集散量（A/D）震荡指标组合的研究，分析二者在原生信号模式下的应用效果。这两个指标互为补充：鳄鱼震荡指标属于趋势指标，A/D震荡指标属于量能指标。本文作为续篇，研究如何利用监督式学习，优化前文所探讨的各类特征形态。我们采用的监督学习模型为卷积神经网络（CNN），该模型结合核回归与点积相似度，对卷积核和通道进行尺度配置。一如既往，我们将逻辑写在自定义信号类文件中，该文件可配合MQL5向导来生成EA。
市场模拟：仓位视图（三）
在之前的文章中，我们提到过有时需要为 ZOrder 属性设置一个值。但是为什么呢？原因在于，许多向图表添加对象的代码根本不使用（或者更准确地说，不定义）此属性的值。关键在于，我并不是来规定每个程序员应该或不应该做什么，或者他们应该或不应该如何编写代码的。亲爱的读者，我在此向您以及所有真正想了解这些过程内部运作原理的人展示，幕后究竟发生了什么。
科学家群体优化（CoSO）：理论
元启发式方法中交易策略有效优化的秘诀。科学家群体优化算法是一种新型的基于种群的算法，其灵感来源于科学界的运作机制。与传统的自然启发式隐喻不同，CoSO 模型展现了人类科学活动的独特方面：在期刊上发表成果、竞争资助以及组建研究团队。