有关MQL5交易系统自动化的文章

在本文中，我们研究了比尔·威廉姆斯（Bill Williams）的Profitunity系统，深入剖析其核心组成部分以及在混沌市场中独特的交易方法。我们指导读者在MQL5中实现该系统，专注于自动化关键指标和入场/出场信号。最后，我们对策略进行测试和优化，提供其在不同市场环境下的表现。

在本文中，我们将应用2023年发布的一种相对复杂的神经网络算法——PatchTST，来预测未来24小时的价格走势。我们将使用官方仓库的代码，并对其进行一些微小的修改，训练一个针对EURUSD（欧元兑美元）的模型，然后在Python和MQL5环境中应用该模型进行未来预测。

我们继续讨论时间序列的分段线性表示的运用，这在前一篇文章中已经开始。今天，我们要看看如何将该方法与其它时间序列分析方法相结合，从而提高价格趋势预测品质。

通过识别背离，可以有效地分析价格行为，而像 RSI 这样的技术指标则能提供关键的确认信号。在下面的文章中，我们将解释自动化的 RSI 背离分析如何识别趋势的延续和反转，从而为市场情绪提供宝贵的见解。

在本文中，我们将在 MQL5 中构建一个使用动态仓位缩放的网格交易EA。我们将涵盖策略设计、代码实现和回测过程。最后，我们将分享用于优化该自动化交易系统的关键方案和最佳实践。

在本文中，我们将探讨强大的MQL5语言在MetaTrader 5上绘制各种指标样式的能力。我们还将研究脚本及其在模型中的应用。

在本文中，我们将研究使用机器学习的因果推理理论，以及 Python 中的自定义方法实现。因果推理和因果思维植根于哲学和心理学，在我们理解现实中起着重要作用。

在本文中，我们将亲眼见证如何在简单地利用 MQL5 语言锁定指标，我们将以一种非常有趣和迷人的方式做到这一点。

本文介绍了一种利用量子计算预测金融市场价格走势的创新方法。该方法主要应用量子相位估计（QPE）算法来寻找价格模式的原型，从而使交易者能够显著加快市场数据分析的速度。

随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。

由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。

我们将考察使用 Python + MQL5 来离散价格的方法。在本文中，我将分享我开发 Python 函数库的实践经验，其以多种方式实现柱线形成 — 从经典的交易量和范围柱线，到更奇特的方法，如 Renko 和 Kagi。我们将研究三线突破蜡烛和范围柱线，分析它们的统计数据，并尝试定义如何将价格以离散化表示。

到目前为止，我们审阅的大量模型都是基于变换器架构。不过，在处理长序列时，它们或许效率低下。在本文中，我们将领略一种替代方向，即基于状态空间模型的时间序列预测。

作为一名价格行为的观察者和交易者，我注意到当一个趋势得到多个时间周期的确认时，它通常会朝着该方向延续。可能不同的是趋势持续的时间，而这取决于您是哪种类型的交易者，无论是长期持仓还是从事剥头皮交易。您为确认所选的时间周期起着至关重要的作用。读这篇文章，了解一个快速、自动化的系统，只需点击一下按钮或通过定期更新，就能帮助您分析不同时间周期的整体趋势。

本文讨论一种仅沿选定方向（买入或卖出）进行交易的方法。为此，采用了因果推断技术和机器学习方法。

这篇文章深入探讨了约翰·纳什的博弈论，特别是纳什均衡，在交易中的应用。文章讨论了交易者如何利用Python脚本和MetaTrader 5，依据纳什的原则来识别并利用市场的无效性。文章还提供了实施这些策略的逐步指南，包括使用隐马尔可夫模型（HMM）和统计分析，以提升交易表现。

无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。

通过我们的综合指南，掌握VWAP的强大力量！学习如何使用MQL5和Python将VWAP分析集成到您的交易策略中。最大化您的市场洞察力，并改善您今天的交易决策。

长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），其设计初衷是通过有效捕捉数据中的长期依赖关系，并解决传统RNN存在的梯度消失问题，从而实现对时序数据的高效建模。本文将系统阐述如何利用LSTM进行未来趋势预测，进而提升趋势跟踪策略的实战表现。具体内容涵盖这些模块：LSTM关键概念介绍与发展契机、从MetaTrader 5平台提取数据、在Python中构建并训练模型、将机器学习模型嵌入MQL5中、基于统计回测的结果分析与改进方向。

本文是以 MQL5 实现范畴论系列的延续。 本期，我们引入幺半群作为域（集合），通过包含规则和幺元，将范畴论自其它数据分类方法分离开来。

若干交易员同事发送电子邮件或评论了如何基于经纪商提供的名称里带有前缀和/或后缀的品种使用此多币种 EA，以及如何在该多币种 EA 上实现交易时区或交易时段。

我们继续探索强化学习方法。在本文中，我将专注于一种略有不同的算法，其参考智能体政策构造一连串动作的范式。

在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。

在了解了设计模式适用于 MQL5 和其他编程语言，并且对于开发人员开发可扩展、可靠的应用程序有多么重要之后，我们将在本文中继续介绍设计模式。我们将学习另一种类型的设计模式，即结构模式，了解如何利用我们所拥有的类组成更大的结构来设计系统。

在本文中，您将学习如何基于订单簿交易量（市场深度）开发订单块（Order Blocks）指标，并使用缓冲区对其进行优化以提高准确性。这结束了项目的当前阶段，并为下一阶段做准备，下一阶段将包括实施风险管理类和使用指标生成的信号的交易机器人。

在本文中，我们创建了一个 MQL5-Telegram 集成 EA 交易，将移动平均线交叉信号发送到 Telegram。我们详细介绍了从移动平均线交叉生成交易信号的过程，在 MQL5 中实现必要的代码，并确保集成无缝工作。结果是系统可以直接向您的 Telegram 群聊提供实时交易提醒。

目前，我们的 EA 使用数据库来获取交易策略单个实例的初始化字符串。然而，这个数据库相当大，包含许多实际 EA 操作不需要的信息。让我们尝试在不强制连接到数据库的情况下确保 EA 的功能。

在此，我们将见到自定义事件是如何被触发的，以及指标如何报告回放/模拟服务的状态。

据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。

增强型趋势确认技术结合了价格行为、成交量分析和机器学习，用以识别真实的市场行情。该技术要求价格突破和成交量激增（高于平均值50%）这两个条件同时满足以验证交易信号，同时使用一个LSTM神经网络进行附加确认。该系统采用基于ATR（平均真实波幅）的仓位调整和动态风险管理，使其能够适应不同的市场条件，同时过滤掉虚假信号。

本文介绍如何使用 MQL5 中的内置指标，重点介绍如何使用基于项目的方法创建基于 RSI 的 EA 交易。您将学习获取和利用 RSI 值、处理流动性清扫以及使用图表对象增强交易可视化。此外，本文强调了有效的风险管理，包括设定基于百分比的风险、实施风险回报率以及应用风险修改来确保利润。

在第四篇中，我们重新审视了之前开发的“简单对冲”和“简单网格”智能系统（EA）。我们的专注点转移到通过数学分析和暴力方式完善简单网格 EA，旨在优化策略用法。本文深入策略的数学优化，为在以后文章中探索未来基于编码的优化奠定了基础。

在本文中，我想向您介绍一种为解决自动驾驶领域问题而开发的有趣的轨迹预测方法。该方法的作者结合了各种架构解决方案的最佳元素。