我们将支付您200 USD！
有关MQL5交易系统自动化的文章
阅读 交易系统 文章，拓宽核心思路。了解如何使用蜡烛条图表的统计方法和形态，如何过滤信号以及何处使用信号机指标。
该 MQL5 向导将帮助您 创建无需编程的机器人 以便快速检验您的交易思路。使用向导来学习有关的 遗传算法。
组合剥头皮：分析过去的交易来提升未来交易的成效
本文所提供的技术讲述，旨在提高任何自动交易系统的有效性。 它简要解释了这个思路，以及它的基本原理、可能性和缺点。
形态搜索的暴力强推方式（第四部分）：最小功能
本文基于上一篇文章中设定的目标，提出了一个改进的暴力强推版本。 我将尝试尽可能广泛地涵盖这个主题，并以该方法获取的设置来运行智能交易系统。 本文还附有一个新的程序版本。
MVC 设计范式及其可能的应用
本文讨论了一种流行的 MVC 范式，以及它运用在 MQL 程序中的可能性、优缺点。 这个思路是将现有代码拆分为三个独立的组件：模型、视图和控制器。
神经网络变得轻松（第十三部分）：批次常规化
在上一篇文章中，我们开始研究旨在提高神经网络训练品质的方法。 在本文中，我们将继续这个主题，并会研讨另一种方法 — 批次数据常规化。
DoEasy 函数库中的其他类（第六十六部分）：MQL5.com 信号集合类
在本文中，我将针对 MQL5.com 信号服务创建信号集合类，拥有能够管理信号的函数。 此外，我将改进“市场深度”快照对象类，来显示 DOM 的总买卖量。
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（第四部分）：附加功能和测试
我将继续采用最少的必要功能来充实算法，并测试结果。 其获利能力十分低下，但文章展示的全自动盈利交易的模型，是在不同的行情基本面及完全不同的金融产品上进行。
神经网络变得轻松（第十二部分）：舍弃
作为研究神经网络的下一步，我建议研究在神经网络训练过程中提高收敛性的方法。 有若干种这样的方法。 在本文中，我们将研究其中之一，名为“舍弃”。
DoEasy 函数库中的价格（第六十五部分）：市场深度集合并操控 MQL5.com 信号的类
在本文中，我将创建所有品种的市场深度集合类，并着手开发创建信号对象类来操控 MQL5.com 信号服务的功能。
DoEasy 函数库中的价格（第六十四部分）：市场深度，DOM 快照类和快照序列对象
在本文中，我将创建两个类（DOM 快照对象类，和 DOM 快照序列对象类），并测试 DOM 数据序列的创建。
神经网络变得轻松（第十一部分）：自 GPT 获取
也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。 当然，我们不打算在家用 PC 上创建如此庞然之物。 然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。
DoEasy 函数库中的价格（第六十三部分）：市场深度及其抽象请求类
在本文中，我将着手开发操控市场深度的功能。 我还将创建市场深度抽象订单对象，及其衍生类。
DoEasy 函数库中的价格（第六十二部分）：实时更新即时报价序列，为操控市场深度做准备
在本文中，我将实现即时报价数据的实时更新，并为操控市场深度的品种对象类（DOM 本身将在下一篇文章中实现）做准备。
DoEasy 函数库中的时间序列（第六十一部分）：品种即时报价序列集合
鉴于程序在其运行时可能会用到不同的品种，因此应为每个品种创建一个单独的列表。 在本文中，我将把这些列表合并到一个即时报价数据集合。 实际上，这将是一个常规列表，基于指向标准库 CObject 类及其衍生类实例指针的动态数组。
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。
神经网络变得轻松（第十部分）：多目击者关注
我们以前曾研究过神经网络中的自关注机制。 在实践中，现代神经网络体系结构会采用多个并行的自关注线程来查找序列元素之间的各种依存关系。 我们来研究这种方法的实现，并评估其对整体网络性能的影响。
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。
DoEasy 函数库中的时间序列（第五十七·部分）：存储一次即时报价数据的对象
从本文开始，着手创建操控价格数据的函数库功能。 今天，创建一个对象类，存储到达的即时报价的全部价格数据。
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。
DoEasy 函数库中的时间序列（第五十六部分）：自定义指标对象，从集合中的指标对象获取数据
本文研究在 EA 中创建自定义指标对象。 我们稍微改进一下库类，并添加一些方法，以便从 EA 中的指标对象获取数据。
神经网络变得轻松（第七部分）：自适应优化方法
在之前的文章中，我们利用随机梯度下降法针对网络中的所有神经元按照相同的学习率训练神经网络。 在本文中，我提议着眼于自适应学习方法，该方法能够改变每个神经元的学习率。 我们还将研究这种方法的利弊。
市场及其全局模式中的物理学
在本文中，我将尝试测试这样一个假设，即任何对市场了解甚微的系统都可以在全局范围内运行。我不会发明任何理论或模式，但我只会使用已知的事实，逐步将这些事实转化为数学分析的语言。
基于暴力算法的 CatBoost 模型高级重采样与选择
本文描述了一种可能的数据转换方法，旨在提高模型的通用性，并讨论了 CatBoost 模型的采样和选择。
无需 Python 或 R 语言知识的 Yandex CatBoost 机器学习算法
本文通过一个具体的例子提供了机器学习过程的主要阶段的代码和描述。您不需要 Python 或 R 语言知识就能够获得模型。此外，基本的MQL5知识已经足够了- 这正是我的水平。因此，我希望这篇文章能为广大读者提供一个很好的指导，帮助那些对评估机器学习能力感兴趣的人，并在他们的课程中实现这些能力。
DoEasy 函数库中的时间序列(第五十五部分)：指标集合类
本文继续开发指标对象类及其集合。 为每个指标对象创建其描述和正确的集合类，从而实现无错存储，并从集合列表中获取指标对象。
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。
手工图表和交易工具包（第二部分）。 图表图形绘图工具
这是该系列的下一篇文章，在其中我展示了如何创建一个函数库来，从而看便利地用键盘快捷键手动绘制图表图形。 所用工具包括直线及其组合。 在这一部分中，我们将查看如何在绘图工具里应用第一部分中讲述的函数。 该函数库可连接到任何 EA 或指标，这将大大简化绘图任务。 此方案未使用外部 dll，而所有命令都是由内置 MQL 工具实现的。
DoEasy 函数库中的时间序列（第五十四部分）：抽象基准指标类的衍生
本文研究基于基准抽象指标衍生对象类的创建。 这些对象所提供功能，可访问创建的指标 EA，收集和获取各种指标和价格数据的数值统计信息。 同样，创建指标对象集合，从中可以访问程序中创建的每个指标的属性和数据。
开发和分析交易系统的最佳方法
在这篇文章中，我将展示在选择一个系统或信号来投资你的资金时所使用的标准，以及描述开发交易系统的最佳方法，并强调这个问题在外汇交易中的重要性。
DoEasy 函数库中的时间序列（第五十三部分）：抽象基准指标类
本文研究创建一个抽象指标，其将进一步用作创建函数库标准指标和自定义指标对象的基类。
神经网络变得轻松（第五部分）：OpenCL 中的多线程计算
我们早前已经讨论过某些类型的神经网络实现。 在所研究的网络中，每个神经元都重复相同的操作。 逻辑上进一步应利用现代技术提供的多线程计算功能来加快神经网络学习过程。 本文介绍了一种可能的实现方式。
网格和马丁格尔：它们是什么？如何使用它们？
在本文中，我将试图详细解释什么是网格和马丁格尔，以及它们的共同点。此外，我将试着分析这些策略到底有多可行。这篇文章同时包含了数学和实践部分。
模式搜索的暴力方法
在本文中，我们将搜索市场模式，根据确定的模式创建 EA 交易，并检查这些模式，如果它们保持有效的话，保持有效的时间有多少。
DoEasy 函数库中的时间序列（第五十二部分）：多周期、多品种单缓冲区标准指标的跨平台性质
在本文中，研究创建多品种、多周期标准指标的“建仓/派发”。 略微改进指标依托的函数库类，以便从老旧的 MetaTrader 4 平台切换到 MetaTrader 5 时，基于该函数库开发的程序均可正常运行。
神经网络变得轻松（第四部分）：循环网络
我们继续研究神经网络的世界。 在本文中，我们将研究另一种类型的神经网络，循环网络。 此类型建议与时间序列配合使用，其在 MetaTrader 5 交易平台中由价格图表呈现。