MQL5编程文章

我们继续研究无监督学习算法。 一些读者可能对最近发表的与神经网络主题的相关性有疑问。 在这篇新文章中，我们回到了对神经网络的研究。

我们将会令订单系统更加灵活。 在此，我们将研究代码的修改，令其更加灵活，而这也让我们能够更快地修改持仓破位价。

本文研究的是概率价格域演化方程，与即将到来的价格尖峰准则。 它还揭示了图表上价格数值的本质，以及这些数值随机游走的发生机制。

今天，我们将继续开发新订单系统。 实现一个新系统并非那么容易，因为我们经常会遇到各种问题令过程复杂化。 当这些问题出现时，我们必须停下来重新分析我们前进的方向。

本系列中的一篇新文章,介绍了如何依据 MQL5 最流行的技术指标为 MetaTrader 5 设计交易系统。 在本文中，我们将学习如何依据 Williams‘ %R 指标设计交易系统。

在本文中，我将研究升级 CCI 指标的可能性。 此外，我将对指标进行修改。

我们继续研究关联规则。 在前一篇文章中，我们讨论了这种类型问题的理论层面。 在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。 我们还将采用真实数据测试所实现的解决方案。

最后，视觉系统将开始工作，尽管它尚未完工。 在此，我们将完成主要更改。 这只是它们当中很少一部份，但都是必要的。 嗯，整个工作将非常有趣。

这是我们系列中有关如何基于最热门指标设计交易系统的一篇新文章，这回我们将详细讨论 Ichimoku 指标，以及如何依据该指标设计交易系统。

作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。 这种问题类型首先用于零售业，即超市等，来分析市场篮子。 在本文中，我们将讨论这些算法在交易中的适用性。

决策树模仿人类的方式针对数据进行分类。 我们看看如何构建这棵树，并利用它们来分类和预测一些数据。 决策树算法的主要目标是将含有杂质的数据分离成纯节点或靠近节点。

我们继续实现新的订单系统。 创建这样的一个系统需要熟练地掌握 MQL5，以及了解 MetaTrader 5 平台的实际工作方式，及其提供的资源。

今天的交易者都是一位哲学家，他几乎总是（有意识地或无意识地）寻找新的思路，尝试它们，选择修改或抛弃它们；这是一个需要付出相当勤奋程度的探索过程。 这显然会花费交易者高昂的时间，且需要避免错误。 本系列文章将提出，MQL5 向导应该是交易者的支柱。 为什么呢？ 因为交易者不仅经由 MQL5 向导组装他的新想法来节省时间，而且大大减少了重复编码的错误；他最终会把精力集中在交易哲学的几个关键领域。

机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。

在本文中，我们将开发一个“看看发生了什么”类型的图形订单系统。 请注意，我们这次不是从头开始，只不过我们将修改现有系统，在我们交易的资产图表上添加更多对象和事件。

这是我们系列文集中的新篇章，介绍如何基于最流行的技术指标设计交易系统。 本文将专门讨论交易量指标。 作为一个概念，交易量是金融市场交易中非常重要的因素之一，我们必须予以关注。 贯穿本文，我们将学习如何基于交易量指标设计一款简单的系统。

在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证神经网络是否对交易者有任何帮助。

在本部分中，我们将继续讨论人工智能模型。 即，我们研究无监督学习算法。 我们已经讨论了众多聚类算法之一。 在本文中，我将分享一种解决与降维相关问题的方法。

这篇新文章出自我们的系列文章，是有关基于最流行的技术指标设计交易系统，它研究了一个新的技术指标 — 资金流动性指数（MFI）。 我们将详细学习它，利用 MQL5 开发一个简单的交易系统，并在 MetaTrader 5 中执行它。

本文提供了数学上严格的价格运动和市场功能理论的基础。 到目前为止，我们还没有任何经过严格数学论证的价格走势理论。 取而代之的是，我们不得不基于经验假设进行处理，即价格在某种形态之后以某种方式移动。 当然，这些假设既没有得到统计数据的支持，也没有得到理论的支持。

这是新订单系统的第一部分。 自从我们在文章中开始打造这个 EA 以来，它已经历了各种变化和改进，同时保持了相同的图表订单系统模型。

在本文中，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。

欢迎阅读本系列的新文章，了解如何基于最流行的技术指标设计交易系统。 在本文中，我们将学习一种新的技术指标，称为建仓/派发指标，并了解如何基于简单的 AD 交易策略设计一款 MQL5 交易系统。

在本文中，我们将继续研究如何从 web 获取数据，并在智能系统中使用它。 这次我们将着手开发一个替代系统。

在上一篇文章中，我们为数据聚类创建了一个类。 在本文中，我想分享在解决实际交易任务时应用所获结果会遇到的可能变体。

这一次，我们的模型是由矩阵构建的，它更具灵活性，同时它允许我们构建更强大的模型，不仅可以处理五个独立变量，但凡我们保持在计算机的计算极限之内，它还可以处理更多变量，这篇文章肯定会是一篇阅读起来很有趣的文章。

本文提供了一个关于指标界面的新视角。 我将重点关注便利性。 多年以来，我尝试了几十种不同的交易策略，并测试过数百种不同的指标，我得出了一些结论，我想在本文中与大家分享。

这是一篇新文章，将针对初学者继续我们的系列，介绍如何基于一些流行指标设计交易系统。 我们将学习一个新的指标，即能量潮（OBV），我们将学习如何使用并基于它来设计交易系统。

我们继续研究聚类方法。 在本文中，我们将创建一个新的 CKmeans 类来实现最常见的聚类方法之一：k-均值。 在测试期间，该模型成功地识别了大约 500 种形态。

掌握如何从网络向智能交易系统输入数据并非那么轻而易举。 如果不了解 MetaTrader 5 提供的所有可能性，就很难做到这一点。

我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。