有关MetaTrader 5手动和算法交易的文章
预测市场价格的通用回归模型（二）：自然、技术和社会暂态函数
本文是前一篇文章的逻辑延续。 它彰显一个事实，即确认第一篇文章的结论。 这些事实在该书出版后的十年内就得以显露。 它们围绕着三个检测到的描述市场价格变化形态的动态暂态函数展开。
处理时间（第二部分）：函数
自动判定经纪商时移和 GMT。 与其请求您的经纪商的支持，您可能会从他们那里得到一个不充分的答案（他们很愿意解释时间错位），我们只需自行查看在时间变化的几周内他们如何计算价格 — 但手工操作极其繁琐，我们让程序来做这件事 — 毕竟这就是为什么我们要有一台 PC。
处理时间（第一部分）：基础
能够简化和澄清时间、经纪商时移、以及夏季或冬季变更的时间处理函数和代码片段。 准确的时序也许是交易中的一个关键因素。 在当前钟点，伦敦或纽约的证券交易所是否已经或尚未开市，外汇交易的交易时间何时开始和结束？ 对于一名实况手工交易者来说，这不算是个大问题。
MetaTrader 5 中的出价/要价（Bid/Ask）点差分析
一款能为您报告经纪商平台出价/要价（Bid/Ask）水平的指标。 现在我们可以利用 MT5 的即时报价数据来分析近期的历史真实平均买卖点差是多少。 您不需要查看当前点差，因为若您同时显示出价和要价指示线时，该值已出示。
针对交易的组合数学和概率论（第三部分）：第一个数学模型
早前所研讨主题的逻辑延续，即针对交易任务开发多功能数学模型。 在本文中，我将从头开始讲述与分形数学模型开发相关的整个过程。 这个模型应成为一个重要的构建模块，且其是多功能和通用的。 它将为我们遵循该思路深入开发奠定理论基础。
针对交易的组合数学和概率论（第二部分）：通用分形
在本文中，我们将继续研究分形，并会特别留意总结所有材料。 为此，我将尝试把所有早期开发归纳为一个紧凑的形式，这对于交易中的实际应用来说将是方便和易于理解的。
针对交易的组合数学和概率论（第一部分）：基础知识
在本系列文章中，我们将尝试找寻概率论的实际运用来描述交易和定价过程。 在首篇文章中，我们将研究组合数学和概率论的基础知识，并将分析如何在概率论的框架中应用分形的第一个例子。
网格和马丁格尔交易系统中的机器学习。 您敢为其打赌吗？
本文介绍了应用于网格和马丁格尔交易的机器学习技术。 令人惊讶的是，这种方法在全球网络中难觅踪迹。 阅读过本文之后，您将能够创建自己的交易机器人。
自适应算法(第三部分): 放弃优化
如果采用基于历史数据的优化方法来选择参数，就不可能得到真正稳定的算法。一个稳定的算法应该知道在任何时候操作任何交易工具时需要哪些参数。它不应该预测或猜测，它应该确定知道。
神经网络在交易中的实际应用 (第二部分). 计算机视觉
利用计算机视觉可以训练神经网络对价格图表和指标的直观表示。这种方法可以对整个复杂的技术指标进行更广泛的操作，因为不需要将它们以数字形式输入神经网络。
利用 CatBoost 算法寻找外汇市场的季节性模式
本文探索了用时间过滤器建立机器学习模型，并讨论了这种方法的有效性。现在，只要简单地指示模型在一周中某一天的某个时间进行交易，就可以消除人为因素。模式搜索可以由单独的算法提供。
直推和主动机器学习中的梯度提升
在本文中，我们将探讨利用真实数据的主动机器学习方法，并讨论它们的优缺点。也许你会发现这些方法很有用，并将它们包含在你的机器学习模型库中。直推是由支持向量机（SVM）的共同发明者弗拉基米尔·瓦普尼克（Vladimir Vapnik）提出的。
开发自适应算法 (第二部分): 提高效率
在本文中，我将通过改进先前创建的算法的灵活性来继续本主题的开发。随着分析窗口中烛形数量的增加，或烛形超额阈值百分比的增加，算法变得更加稳定。我不得不做出妥协，并设置一个更大的样本量进行分析或更大的烛形超额百分比。
开发自适应算法（第一部分）：寻找基本模式
在接下来的系列文章中，我将演示探讨大多数市场因素的自适应算法的开发，以及如何将这些情况系统化，用逻辑描述它们，并在您的交易活动中应用它们。我将从一个非常简单的算法开始，这个算法将逐渐获得理论，并发展成一个非常复杂的项目。
梯度提升（CatBoost）在交易系统开发中的应用. 初级的方法
在 Python 中训练 CatBoost 分类器，并将模型导出到mql5，以及解析模型参数和自定义策略测试程序。Python 语言和 MetaTrader 5 库用于准备数据和训练模型。
使用 DeMark Sequential 和 Murray-Gann 水平分析图表
Thomas DeMark Sequential (序列）擅长显示价格变动的平衡变化。如果我们把它的信号与水平指标例如 Murray 水平相结合，就更为明显。这篇文章主要是为初学者和那些仍然找不到他们的“圣杯”。我还将展示一些我在其他论坛上没有看到的构建水平的功能。因此，这篇文章可能对高级交易者也很有用。欢迎提出建议和合理批评。
神经网络在交易中的实际应用 Python (第一部分)
在本文中，我们将分析一个基于Python的深层神经网络编程的交易系统的分步实现。这将使用谷歌开发的 TensorFlow 机器学习库执行。我们还将使用 Keras 库来描述神经网络。
自定义品种（符号）：实践基础
本文专门介绍了程序化生成自定义品种（符号），这些自定义品种可用来演示一些显示报价的流行方法。 它描述的是一种建议的微创智能交易系统改编方案，可用在派生的自定义品种图表上，如同真实品种一样。 MQL 源代码随附于文后。
什么是趋势，行情结构是基于趋势还是横盘？
交易者经常谈论趋势和横盘，但很少有人真正了解趋势/横盘是什么，甚至很少能够清楚地解释这些概念。 讨论这些基本术语通常会受到一系列顽固偏见和误解的困扰。 然而，如果我们想赚钱，就需要了解这些概念的数学和逻辑含义。 在本文中，我将仔细研究趋势和横盘的本质，并尝试定义行情结构是基于趋势/横盘，亦或其他。 我还将研究在趋势和横盘行情上获利的最佳策略。
快捷手动交易工具箱：基本功能
如今，众多交易者切换至自动交易系统，这类系统可能需要附加设置，或是能够完全自动化并准备就绪。 然而，有相当一部分交易者更喜欢以旧有方式进行手动交易。 在本文中，我们将创建快速手动交易工具箱，用热键来一键执行典型交易操作。
手工图表和交易工具包（第一部分）。 准备：结构描述和助手类
这是该系列的第一篇文章，我将在其中讲述一个工具箱，该工具箱可通过键盘快捷键来手工图表图形应用。 这非常方便：按一个键，然后出现趋势线，再按另一个键 — 将创建具有必要参数的斐波那契扇形。 也可以切换时间帧，重新排列图层或从图表中删除所有对象。
监视多币种的交易信号（第五部分）：复合信号
在第五篇文章是与创建交易信号监视器有关，我们将研究复合信号，并实现必要的功能。 在早前版本里，我们用到了简单信号，例如 RSI、WPR 和 CCI，并且还引入了自定义指标的可能性。
监视多币种的交易信号（第四部分）：增强功能并改善信号搜索系统
在这一部分中，我们要扩展交易信号搜索和编辑系统，及介绍自定义指标，和加入程序本地化的可能性。 之前我们已创建了一个搜索信号的基本系统，但它是基于一小组指标和一组简单的搜索规则。
监视多币种的交易信号（第三部分）：引入搜索算法
在前一篇文章中，我们开发了应用程序的可视部分，以及基本的 GUI 交互元素。 这次，我们将添加内部逻辑，并准备交易信号数据的算法，还要有建立信号、搜索信号、并在监视器中对其可视化的能力。
在交易中应用 OLAP（第四部分）：定量和可视化分析测试器报告
本文提供的的基本工具，可针对测试器报告的单次通关验证和优化结果进行 OLAP 分析。 该工具可以操控标准格式文件（tst 和 opt），并还提供了图形界面。 MQL 源代码附带于后。
项目可协助创建可盈利的交易机器人！ 或至少，看似可以
大程序都是从小文件开始，然后随着您不断添加更多的函数和对象而增长。 大多数的机器人开发人员都采用包含文件来应对此问题。 然而，有一个更好的解决方案：在一个项目中开始开发任意交易应用程序。 这样做的原因有很多。
监视多币种的交易信号 (第二部分) : 应用程序可视部分的实现
在上一篇文章中，我们已创建了应用程序框架，其可作为进一步操作的基础。 在这一部分中，我们将继续开发：创建应用程序的可视部分，并配置界面元素的基本交互。
SQLite: MQL5 原生 SQL 数据库操纵
交易策略的研发与大数据处理相关联。 现在，您能够基于 SQLite 在 MQL5 中直接运用 SQL 查询来操纵数据库。 该引擎的重要特性在于整个数据库都被安置在用户 PC 上的单个文件中。
利用箱形图（Boxplot）探索金融时间序列的季节性形态
在本文中，我们将利用箱形图（Boxplot）观察金融时间序列的季节性特征。 每个单独的箱形图（或箱须图）都能直观地展现数值如何沿数据集的分布。 不要把箱形图与烛条图混淆，尽管它们在外观上可能相似。
扩充策略构建器功能
在前两篇文章之中，我们讨论了 Merrill （美林）形态针对各种数据类型的应用。 并开发了一款应用程序来测试提出的思路。 在本文中，我们将继续策略构建器的工作，来提高其效率，并实现新的功能。
基于 Merill（梅里尔） 形态的策略构建器
在前一篇文章中，我们研究了如何将 Merill（梅里尔）形态应用于各种数据，例如货币品种图表上的价格，以及标准 MetaTrader 5 指标值：ATR，WPR，CCI，RSI，等等。 现在，我们尝试基于 Merill 形态创建策略构造集合。