有关MQL5数据分析和统计的文章
克服集成ONNX（Open Neural Network Exchange ）的挑战
ONNX是集成不同平台间复杂AI代码的强大工具，尽管它非常出色，但要想充分发挥其作用，就必须解决一些伴随而来的挑战。在本文中，我们将讨论您可能会遇到的一些常见问题，以及如何处理这些问题。
开发回放系统（第 45 部分）：Chart Trade 项目（四）
本文的主要目的是介绍和解释 C_ChartFloatingRAD 类。我们有一个 Chart Trade 指标，它的工作方式非常有趣。您可能已经注意到了，图表上的对象数量仍然很少，但我们却获得了预期的功能。指标中的数值是可以编辑的。问题是，这怎么可能呢？这篇文章将使答案变得更加清晰。
种群优化算法：鸟群算法（BSA）
本文探讨了受自然界鸟类集群行为启发而产生的基于鸟群的算法（BSA）。BSA中的个体采用不同的搜索策略，包括在飞行、警戒和觅食行为之间的切换，使得该算法具有多面性。它利用鸟类集群、交流、适应性、领导与跟随等规则来高效地找到最优解。
开发回放系统（第 41 部分）：启动第二阶段（二）
如果到目前为止，你觉得一切都很好，那就说明你在开始开发应用程序时，并没有真正考虑到长远的问题。随着时间的推移，你将不再需要为新的应用程序编程，只需让它们协同工作即可。让我们看看如何完成鼠标指标的组装。
无政府社会优化（ASO）算法
本文中，我们将了解无政府社会优化（Anarchic Society Optimization，ASO）算法，并探讨一个基于无政府社会（一个摆脱中央权力和各种等级制度的异常社会交互系统）中参与者非理性与冒险行为的算法是如何能够探索解空间并避免陷入局部最优陷阱的。本文提出了一种适用于连续问题和离散问题的统一ASO结构。
您应当知道的 MQL5 向导技术（第 26 部分）：移动平均和赫斯特（Hurst）指数
赫斯特（Hurst）指数是时间序列长期自相关度的衡量度。据了解，它捕获时间序列的长期属性，故在时间序列分析中也具有一定的分量，即使在财经/金融时间序列之外亦然。然而，我们专注于其对交易者的潜在益处，研究如何将该计量度与移动平均线配对，从而构建潜在的稳健信号。
基于转移熵的时间序列因果分析
在本文中，我们讨论了如何将统计因果关系应用于识别预测变量。我们将探讨因果关系与传递熵（Transfer Entropy, TE）之间的联系，并展示用于检测两个变量之间信息方向性传递的MQL5代码。
群体优化算法：抵抗陷入局部极值（第一部分）
本文介绍了一个独特的实验，旨在研究群体优化算法在群体多样性较低时有效逃脱局部最小值并达到全局最大值的能力。朝着这个方向努力将进一步了解哪些特定算法可以使用用户设置的坐标作为起点成功地继续搜索，以及哪些因素会影响它们的成功。
从新手到专家：MQL5中的协作式调试指南
问题解决法能为掌握复杂技能（如MQL5编程）构建高效路径。该方法让您在专注攻克问题的同时，潜移默化地提升技能水平。解决的难题越多，大脑积累的专业知识就越深厚。就我个人而言，调试是精通编程最有效的途径。本文将带你逐步梳理代码清理流程，并探讨将杂乱程序转化为简洁高效代码的核心技巧。阅读本文，洞悉其中的宝贵见解。
化学反应优化（CRO）算法（第一部分）：在优化中处理化学
在本文的第一部分中，我们将深入化学反应的世界并发现一种新的优化方法！化学反应优化 (CRO，Chemical reaction optimization) 利用热力学定律得出的原理来实现有效的结果。我们将揭示分解、合成和其他化学过程的秘密，这些秘密成为了这种创新方法的基础。
《数据科学与机器学习（第25部分）：使用循环神经网络（RNN）进行外汇时间序列预测》
循环神经网络（RNN）非常擅长利用过去的信息来预测未来的事件。它们卓越的预测能力已经在各个领域得到了广泛应用，并取得了巨大成功。在本文中，我们将部署RNN模型来预测外汇市场的趋势，展示它们在提高外汇交易预测准确性方面的潜力。
可视化交易图表（第二部分）：数据图形化展示
接下来，我们将从头开始编写一个脚本，以简化交易订单截图的加载过程，便于分析交易入场点。所有关于单个交易的必要信息都将方便地显示在一个图表上，并且该图表具备绘制不同时间框架的能力。
MQL5 中的范畴论 (第 9 部分)：幺半群（Monoid）— 动作
本文是以 MQL5 实现范畴论系列的延续。 在这里，我们继续将“幺半群 — 动作”当为幺半群变换的一种手段，如上一篇文章所涵盖的内容，从而增加了应用。
两样本Kolmogorov-Smirnov检验作为时间序列非平稳性的指标
本文探讨了最著名的非参数同质性检验之一——两样本柯尔莫哥洛夫-斯米尔诺夫（Kolmogorov-Smirnov）检验。文章对模型数据和实际价格都进行了分析。此外，本文还给出了构建非平稳性指标（iSmirnovDistance）的一个示例。
开发回放系统（第 39 部分）：铺平道路（三）
在进入开发的第二阶段之前，我们需要修正一些想法。您知道如何让 MQL5 满足您的需求吗？您是否尝试过超出文档所包含的范围？如果没有，那就做好准备吧。因为我们将做一些大多数人通常不会做的事情。
开发回放系统（第 35 部分）：进行调整 (一)
在向前迈进之前，我们需要解决几个问题。这些实际上并不是必需的修正，而是对类的管理和使用方式的改进。原因是系统内的某些相互作用导致了故障的发生。尽管我们试图找出这些故障的原因以消除它们，但所有这些尝试都没有成功。其中有些情况完全不合理，例如，当我们在 C/C++ 中使用指针或递归时，程序就会崩溃。
您应当知道的 MQL5 向导技术（第 10 部分）：非常规 RBM
限制性玻尔兹曼（Boltzmann）机处于基本等级，是一个两层神经网络，擅长通过降维进行无监督分类。我们取其基本原理，并检验如果我们重新设计和训练它，我们是否可以得到一个实用的信号滤波器。
您应当知道的 MQL5 向导技术（第 08 部分）：感知器
感知器，单隐藏层网络，对于任何精熟基本自动交易，并希望涉足神经网络的人来说都是一个很好的切入点。我们查看这是如何在一个信号类当中一步一步组装实现的，其是 MQL5 向导类中用于智能交易系统的部分。
大气云模型优化（ACMO）：理论
本文致力于介绍一种元启发式算法——大气云模型优化（ACMO）算法，该算法通过模拟云层的行为来解决优化问题。该算法利用云层的生成、移动和传播的原理，适应解空间中的“天气条件”。本文揭示了该算法如何通过气象模拟在复杂的可能性空间中找到最优解，并详细描述了ACMO运行的各个阶段，包括“天空”准备、云层的生成、云层的移动以及水的集中。
数据科学和机器学习（第 19 部分）：利用 AdaBoost 为您的 AI 模型增压
AdaBoost，一个强力的提升算法，设计用于提升 AI 模型的性能。AdaBoost 是 Adaptive Boosting 的缩写，是一种复杂的融合学习技术，可无缝集成较弱的学习器，增强它们的集体预测强度。
开发回放系统（第 36 部分）：进行调整（二）
让我们的程序员生活举步维艰的原因之一就是做出假设。在本文中，我将向您展示假设是多么危险：例如在 MQL5 编程中假设类型将具有某个特定值，或是在 MetaTrader 5 中假设不同服务器的工作方式相同。
开发回放系统（第 44 部分）：Chart Trader 项目（三）
在上一篇文章中，我介绍了如何操作模板数据以便在 OBJ_CHART 中使用。在那篇文章中，我只是概述了这一主题，并没有深入探讨细节，因为在那个版本中，这项工作是以非常简单的方式完成的。这样做是为了更容易解释内容，因为尽管很多事情表面上很简单，但其中有些并不那么明显，如果不了解最简单、最基本的部分，就无法真正理解全局。
用Python和MQL5进行投资组合优化
本文探讨了使用Python和MQL5结合MetaTrader 5进行高级投资组合优化的技术。文章展示了如何开发用于数据分析、资产配置和交易信号生成的算法，强调了在现代金融管理和风险缓解中数据驱动决策的重要性。
您应当知道的 MQL5 向导技术（第 32 部分）：正则化
正则化是一种在贯穿神经网络各层应用离散权重，按比例惩罚损失函数的形式。我们来考察其重要性，对于一些不同的正则化形式，能够在配合向导组装的智能系统运行测试。
数据科学与机器学习（第 15 部分）：SVM，每个交易员工具箱中的必备工具
探索支持向量机 (SVM，Support Vector Machines) 在塑造未来交易中不可或缺的作用。本综合指南探讨了 SVM 如何提升您的交易策略，增强决策能力，并在金融市场中释放新的机会。通过实际应用、分步教程和专家见解深入了解 SVM 的世界。为自己配备必要的工具，帮助您应对现代交易的复杂性。使用 SVM 提升您的交易能力 — 这是每个交易者工具箱中的必备工具。
种群优化算法：模拟退火（SA）。第 1 部分
模拟退火算法是受到金属退火工艺启发的一种元启发式算法。在本文中，我们将对算法进行全面分析，并揭示围绕这种广为人知的优化方法的一些常见信仰和神话。本文的第二部分将研究自定义模拟各向同性退火（SIA）算法。
基于MQL5和Python的自优化EA（第五部分）：深度马尔可夫模型
在本次讨论中，我们将把一个简单的马尔可夫链应用于相对强弱指标（RSI），以观察指标穿过关键水平后的价格行为。我们得出结论，当RSI处于11-20区间时，会产生最强的买入信号；而当RSI处于71-80区间时，会产生最强的卖出信号，这在新西兰元兑日元（NZDJPY）货币对上表现得尤为明显。我们将展示如何通过对数据的处理和分析，直接从您所拥有的数据中构建出最优的交易策略。此外，我们还将展示如何训练一个深度神经网络，使其能够最优地利用转移矩阵。
数据科学和机器学习（第 30 部分）：预测股票市场的幂对、卷积神经网络（CNN）、和递归神经网络（RNN）
在本文中，我们会探讨卷积神经网络（CNN）和递归神经网络（RNN）在股票市场预测中的动态集成。借力 CNN 提取形态的能力，以及 RNN 的精练度，来处理序列数据。我们看看这个强大的组合如何强化交易算法的准确性和效率。
因果推断中的时间序列聚类
在机器学习中，聚类算法是重要的无监督学习算法，它们可以将原始数据划分为具有相似观测值的组。利用这些组，可以分析特定聚类的市场情况，使用新数据寻找最稳定的聚类，并进行因果推断。本文提出了一种在Python中进行时间序列聚类的原创方法。
您应当知道的 MQL5 向导技术（第 25 部分）：多时间帧测试和交易
默认情况下，由于组装类中使用了 MQL5 代码架构，故基于多时间帧策略，且由向导组装的智能系统无法进行测试。我们探索一种绕过该限制的方式，看看搭配二次移动平均线的情况下，研究运用多时间帧策略的可能性。
开发回放系统（第 49 部分）：事情变得复杂 (一)
在本文中，我们将把问题复杂化。通过前面文章中展示的内容，我们将开始打开模板文件，以便用户可以使用自己的模板。不过，我将逐步进行修改，因为我还将改进指标，以减少 MetaTrader 5 的负载。
数据处理的分组方法：在MQL5中实现组合算法
在本文中，我们将继续探索数据处理家族分组算法，在MQL5中实现组合算法（Combinatorial Algorithm）及其优化版本——组合选择算法（Combinatorial Selective Algorithm）。
您应当知道的 MQL5 向导技术（第 21 部分）：配以财经日历数据进行测试
默认情况下，财经日历数据在策略测试器中不可用于智能系统测试。我们看看数据库能如何提供帮助，绕过这个限制。故此，在本文中，我们会探讨如何使用 SQLite 数据库来存档财经日历新闻，如此这般，由向导组装的智能系统就可以用它来生成交易信号。