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。
您应当知道的 MQL5 向导技术（第 47 部分）：配合时态差异的强化学习
时态差异是强化学习中的另一种算法，它基于智顾训练期间预测和实际奖励之间的差异更新 Q-值。它专门驻守更新 Q-值，而不介意它们的状态-动作配对。因此，我们考察如何在向导汇编的智能系统中应用这一点，正如我们在之前文章中所做的那样。
交易中的神经网络：降低锐度强化变换器效率（SAMformer）
训练变换器模型需要大量数据，并且往往很困难，因为模型不擅长类推到小型数据集。SAMformer 框架通过避免糟糕的局部最小值来帮助解决这个问题。即使在有限的训练数据集上，也能提升模型的效率。
价格走势：数学模型与技术分析
预测货币对走势是交易成功的重要因素。本文剖析各类价格运行模型，对比其优劣特性，并探究模型在交易策略中的实际落地方式。文中将介绍能够挖掘潜在行情规律、提升预测精准度的分析方法。
神经网络变得简单（第 79 部分）：在状态上下文中的特征聚合查询（FAQ）
在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。
MQL5 交易工具包（第 8 部分）：如何在代码库中实现和使用历史管理 EX5 库
在本系列的最后一篇文章中，我们将探讨如何轻松地将历史管理 EX5 库导入到 MQL5 源代码中，以处理 MetaTrader 5 账户中的交易历史记录。通过 MQL5 中简单的单行函数调用，可以高效管理和分析交易数据。此外，您还将学习如何创建不同的交易历史分析脚本，并开发基于价格的 EA 交易，作为实际用例示例。该示例 EA 利用价格数据和历史管理 EX5 库做出明智的交易决策、调整交易量，并根据先前已平仓的交易实施恢复策略。
在 MQL5 中实现其他语言的实用模块（第 01 部分）：构建受 Python 启发的 SQLite3 库
Python 中的 sqlite3 模块提供了一种使用 SQLite 数据库的简单方法，它既快速又方便。在本文中，我们将在内置的 MQL5 函数的基础上构建一个类似的模块，用于处理数据库，使在 MQL5 中使用 SQLite3 数据库更容易，就像在 Python 中一样。
图论：Dijkstra（迪杰斯特拉）算法在交易中的应用
Dijkstra（迪杰斯特拉）算法是图论中一种经典的最短路径解决方案，它可以通过对市场网络进行建模来优化交易策略。交易者可以利用它从 K 线图表数据中找到最高效的路线。
开发多币种 EA 交易（第 23 部分）：整理自动项目优化阶段的输送机（二）
我们的目标是创建一个系统，用于自动定期优化最终 EA 中使用的交易策略。随着系统的发展，它变得越来越复杂，因此有必要不时地将其视为一个整体，以确定瓶颈和次优解决方案。
数据科学和机器学习（第 36 部分）：与偏颇的金融市场打交道
金融市场非是完美平衡。有些市场看涨，有些看跌，有些市场展现范围起伏行为，表明无论哪个方向都不确定，这些不平衡的信息在训练机器学习模型时可能会误导，在于市场频繁变化。在本文中，我们将讨论若干种途径来应对该问题。
您应当知道的 MQL5 向导技术（第 61 部分）：结合 ADX 和 CCI 形态进行监督学习
ADX 振荡器和 CCI 振荡器是趋势跟踪和动量指标，可在开发智能系统时配对。我们考察如何使用机器学习的三大主要训练模式来将其系统化。向导汇编的智能系统令我们能够评估这两个指标所呈现的形态，我们从考察如何在监督学习中应用这些形态开始。
交易中的神经网络：搭配区段注意力的参数效率变换器（终篇）
在之前的工作中，我们讨论了 PSformer 框架的理论层面，其中包括经典变换器架构的两大创新：参数共享（PS）机制，以及时空区段注意力（SegAtt）。在本文中，我们继续实现所提议方式的 MQL5 版本。
您应当知道的 MQL5 向导技术（第 60 部分）：推理学习（Wasserstein-VAE），配合移动平均线和随机振荡器形态
我们将目光转向 MA 与随机振荡器的互补配对，实证推理学习在后监督学习与强化学习状况中扮演的角色。显然，推理学习有多种途径可供选择，不过我们的方式是使用变分自编码器。我们先以 Python 探索这些，然后将训练好的模型以 ONNX 格式导出，可在 MetaTrader 中供向导汇编智能系统所用。
您应当知道的 MQL5 向导技术（第 31 部分）：选择损失函数
损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。
交易中的神经网络：基于 ResNeXt 模型的多任务学习（终篇）
我们继续探索基于 ResNeXt 的多任务学习框架，其特征是模块化、高计算效率、及识别数据中稳定形态的能力。使用单一编码器和专用“头”可降低模型过度拟合风险，提升预测品质。
市场模拟（第二部分）：跨期订单（二）
与上一篇文章中所做的不同，这里我们将使用 EA 交易来测试选择选项。虽然这还不是最终的解决方案，但目前已经足够了。在本文的帮助下，您将能够理解如何实现一种可能的解决方案。
辩证搜索（DA）
本文介绍了辩证算法（DA），这是一种受辩证法哲学概念启发的新的全局优化方法。该算法利用了人口中独特的划分，将其分为投机思想者和实践思想者。测试表明，在低维问题上，性能令人印象深刻，高达 98%，整体效率为 57.95%。本文解释了这些度量，并详细描述了算法和不同类型函数的实验结果。
您应当知道的 MQL5 向导技术（第 57 部分）：搭配移动平均和随机振荡器的监督训练
移动平均线和随机振荡器是十分常用的指标，因其滞后性质，一些交易者或许较少使用。在一个三部分的“迷你序列”中，研究机器学习的三大主要形式，我们会考证对这些指标的偏见是否合理，或者它们可能占据优势。我们经由向导汇编的智能系统来进行实证。
在交易图表上通过资源驱动的双三次插值图像缩放技术创建动态 MQL5 图形界面
本文探讨了动态 MQL5 图形界面，利用双三次插值技术在交易图表上实现高质量的图像缩放。我们详细介绍了灵活的定位选项，支持通过自定义偏移量实现动态居中或位置定位。
台球优化算法(BOA)
BOA方法灵感源自经典的台球运动，它将寻求最优解的过程模拟为一场游戏：球体致力于落入代表最佳结果的球袋之中。本文将探讨BOA的基本原理、数学模型及其在解决各类优化问题中的效率。
计算机视觉在MQL5中的集成（第一部分）：构建基础函数
基于计算机视觉与深度学习的欧元兑美元（EURUSD）汇率预测系统。探索卷积神经网络（CNN）如何识别外汇市场中的复杂价格形态，并实现最高达54%的汇率波动预测准确率。本文将分享一种突破传统技术指标的算法设计方法 —— 通过人工智能（AI）技术对K线图进行可视化分析。作者演示了将价格数据转换为“图像”的过程、神经网络的处理流程，以及通过激活热力图和注意力热图窥视AI“思维”的独特机会。通过基于MetaTrader 5库的Python实践代码，读者可完整复现系统并将其应用于自身的交易中。
神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（终篇）
我们继续实现 DA-CG-LSTM 框架，该框架为时间序列分析和预测提供了创新方法。使用 CG-LSTM 和双重注意力机制可以更准确地检测数据中的长期和短期依赖关系，这在金融市场分析中尤其有用。
金融时间序列中的保形预测探索
本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。
纯 MQL5 货币对强弱指标
我们将在 MQL5 中开发货币强势分析的专业指标。这本分步指南将向你展示如何为 MetaTrader 5 开发一款功能强大的交易工具，该工具带有可视化仪表板。您将学习如何计算多个时间周期（H1、H4、D1）内货币对的强度，实现动态数据更新，并创建用户友好的界面。
博弈论方法在交易算法中的应用
我们正在基于深度Q网络（DQN）机器学习技术，结合多维因果推理，开发一款自适应、自学习的交易 EA。该 EA 将能够同时成功交易 7 个货币对。不同货币对的智能体之间会相互交换信息。
外汇套利交易：汇率关系评估面板
本文介绍了在 MQL5 中开发套利分析面板的过程。如何通过不同方式在外汇交易中获得公允的汇率？制定一个指标，以获取市场价格与公允汇率之间的偏差，并评估一种货币兑换为另一种货币的套利方式（如三角套利）的收益。
开发多币种 EA 交易（第 22 部分）：开始向设置的热插拔过渡
如果要自动进行周期性优化，我们需要考虑自动更新交易账户上已经运行的 EA 设置。这样一来，我们就可以在策略测试器中运行 EA，并在单次运行中更改其设置。
您应当知道的 MQL5 向导技术（第 62 部分）：结合 ADX 与 CCI 形态的强化学习 TRPO
ADX 振荡器和 CCI 振荡器是趋势跟踪和动量指标，可在开发智能系统时配对。我们延续上一篇文章未竟的话题，实证如何得益于强化学习来实际运用训练、并更新我们已开发的模型。我们正在使用的算法尚未在本系列中涵盖，其称为可信区域政策优化。一如既往，由 MQL5 向导汇编的智能系统令我们能够更快地搭建测试模型，且可配合不同类型信号进行测试、并派发。
您应当知道的 MQL5 向导技术（第 63 部分）：运用 DeMarker 和包络通道形态
DeMarker 振荡器和包络指标是动量和支撑/阻力工具，能够在开发智能系统时配对。因此，我们逐一实证哪些形态能够实用，哪些潜在要回避。我们一如既往地使用由向导汇编的智能系统，伴同在信号类中内置的形态用法函数。
交易中的神经网络：层次化双塔变换器（终篇）
我们继续构建 Hidformer 层次化双塔变换器模型，专为分析和预测复杂多变量时间序列而设计。在本文中，我们会把早前就开始的工作推向逻辑结局 — 我们将在真实历史数据上测试模型。
骆驼算法（CA）
骆驼算法（CA）于 2016 年被提出，该算法模拟沙漠中骆驼的行为特征来求解优化问题，同时考量温度、供给储备和耐力三大因素。本文还提出了该算法的改进版本（CAm），核心改进包括：在解的生成过程中引入高斯分布，并对绿洲效应参数进行优化。
MQL5经济日历交易指南（第九部分）：通过动态滚动条与界面优化提升新闻交互体验
本文中，我们为MQL5经济日历添加了动态滚动条功能，使用户直观快速浏览新闻事件。确保事件展示界面无卡顿且数据更新高效。并通过测试验证滚动条的响应性与仪表盘的美观度。
皇冠同花顺优化（RFO）
最初的皇冠同花顺优化算法提供了一种解决优化问题的新方法，受到扑克牌原则启发，以基于扇区的方式取代了传统的遗传二进制编码算法。RFO 展现出简化的基本原理如何带来高效、且实用的优化方法。文章呈现了一份详细的算法分析和测试结果。
数据科学与机器学习（第四十一部分）：基于YOLOv8的外汇与股票市场图表形态检测
金融市场的形态检测极具挑战性，因为它需要“看懂图表画面”，而MQL5受限于图像处理能力，很难实现这一点。本文将介绍一个基于Python构建的合适的模型，它能让我们轻松高效地检测图表上的各类形态。
MQL5 交易策略自动化（第二十七部分）：创建带可视化反馈的价格行为螃蟹谐波形态
本文将基于 MQL5 开发一套螃蟹谐波形态交易系统。程序借助枢轴点与斐波那契比例识别看涨、看跌螃蟹谐波形态，并按照精准的入场、止损、止盈点位触发交易。同时使用三角形、趋势线等图表对象做可视化展示，完整展示 XABCD 形态结构与各个交易价位。
交易中的神经网络：配备概念强化的多智代系统（FinCon）
我们邀您探索 FinCon 框架，这是一款基于大语言模型（LLM）的多智代系统。该框架利用概念性词汇强化来提升决策制定和风险管理，能在多种金融任务中有高效表现。
机器学习交易系统中的隐马尔可夫模型
隐马尔可夫模型（HMM）是一类强大的概率模型，用于分析序列数据，其中观测值取决于形成马尔可夫过程的某些未观察（隐藏）状态的序列。HMM 的主要假设包括隐状态的马尔可夫性质，即转移到下一个状态的概率仅取决于当前状态，以及在当前隐状态已知的情况下，观测值是独立的。
您应当知道的 MQL5 向导技术（第 59 部分）：配以移动平均和随机振荡器形态的强化学习（DDPG）
我们继续上一篇文章中有关配以 MA 和随机振荡器指标的 DDPG 话题，探讨实现 DDPG 时其他关键的强化学习类。尽管我们大多用 Python 编码，但最终产品是把训练好的网络导出为 ONNX 格式，我们会将它集成到由向导汇编的 MQL5 智能系统中作为资源。