有关MQL5数据分析和统计的文章
价格行为分析工具包开发（第十三部分）：RSI 哨兵工具
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。
开发回放系统 — 市场模拟（第 21 部分）：外汇（II）
我们将继续构建一个在外汇市场工作的系统。为了解决这个问题，我们必须在加载以前的柱线之前首先声明加载跳价。这解决了问题，但同时迫使用户遵循配置文件中的某些结构，就个人而言，这对我来说没有多大意义。原因是，通过设计一个负责分析和执行配置文件中内容的程序，我们可以允许用户按任何顺序声明他需要的元素。
血液遗传优化算法（BIO）
我向大家介绍我的新种群优化算法——血液遗传优化算法（Blood Inheritance Optimization，BIO），该算法的灵感源自人类血型遗传系统。在该算法中，每个解都有其自身的“血型”，这一血型决定了其进化方式。正如自然界中，孩子的血型是依据特定规则遗传而来，在BIO算法中，新解通过一套遗传与变异机制来获取自身特性。
MQL5中的范畴论（第21部分）：使用LDA的自然变换
这篇文章是我们系列的第21篇，继续研究自然变换以及如何使用线性判别分析（linear discriminant analysis，LDA）来实现它们。我们以信号类格式展示了它的应用程序，就像在前一篇文章中一样。
血液遗传优化算法（BIO）
我向大家介绍我的新种群优化算法——血液遗传优化算法（Blood Inheritance Optimization，BIO），该算法的灵感源自人类血型遗传系统。在该算法中，每个解都有其自身的“血型”，这一血型决定了其进化方式。正如自然界中，孩子的血型是依据特定规则遗传而来，在BIO算法中，新解通过一套遗传与变异机制来获取自身特性。
改编版 MQL5 网格对冲 EA（第 IV 部分）：优化简单网格策略（I）
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。
基于交易量的神经网络分析：未来趋势的关键
本文探讨了通过将技术分析原理与 LSTM 神经网络架构相结合，基于交易量分析来改进价格预测准确性的可能性。文章特别关注异常交易量的检测与解读、聚类方法的使用，以及基于交易量的特征创建及其在机器学习背景下的定义。
MQL5 中的范畴论 (第 13 部分)：数据库制程的日历事件
本文在 MQL5 中遵循范畴论实现秩序，研究如何在 MQL5 中结合数据库制程进行分类。我们介绍了当辨别交易相关的文本（字符串）信息时，如何把数据库制程概念与范畴论相结合。日历事件是焦点。
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。
价格行为分析工具包开发（第10部分）：外部资金流（二）VWAP
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。
价格行为分析工具包开发（第六部分）：均值回归信号捕捉器
有些概念乍一看似乎简单明了，但在实际操作中的实现却颇具挑战。在接下来的文章中，将带您了解我们创新性地自动化一款运用均值回归策略分析市场的智能交易系统（EA）的方法。与我们一同揭开这一激动人心的自动化过程的神秘面纱吧。
开发回放系统 — 市场模拟（第 20 部分）：外汇（I）
本文的最初目标不是涵盖外汇交易的所有可能性，而更是出于适配系统，如此您就至少可以执行一次市场回放。我们把模拟留待其它时刻。不过，如果我们没有跳价而仅有柱线的话，稍加努力，我们就可以模拟外汇市场中可能发生的交易。直到我们研究如何适配模拟器之前，情况一直如此。不经修改就尝试在系统内处理外汇数据会导致一系列错误。
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。
基于LSTM的趋势预测在趋势跟踪策略中的应用
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。
MQL5中的范畴论（第18部分）：自然性四边形
本文通过介绍自然变换这一主题中的一个关键支柱，继续我们的范畴理论系列。我们研究看似复杂的定义，然后深入研究本系列“面包和黄油”的示例和应用程序；波动性预测。
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。
价格行为分析工具包开发（第五部分）：波动率导航智能交易系统（Volatility Navigator EA）
判断市场方向或许相对简单，但把握入场时机却颇具挑战。作为“价格行为分析工具包开发”系列文章的一部分，我很高兴再为大家介绍一款能够提供入场点、止盈水平和止损设置位置的工具。为实现这一目标，我们采用了MQL5编程语言。让我们在本文中深入探讨每一步。
开发回放系统 — 市场模拟（第 17 部分）：跳价和更多跳价（I）
于此，我们将见识到如何实现一些非常有趣的东西，但同时也会因某些可能十分令人困惑的关键点而极其困难。可能发生的最糟糕的事情是，一些自诩专业人士的交易者却对这些概念在资本市场中的重要性一无所知。好吧，尽管我们在这里专注于编程，但理解市场交易中涉及的一些问题，对于我们将要实现的内容至关重要。
种群优化算法：细菌觅食优化 — 遗传算法（BFO-GA）
本文释义了一种解决优化问题的新方式，即把细菌觅食优化（BFO）算法和遗传算法（GA）中所用的技术结合到混合型 BFO-GA 算法当中。它用细菌群落来全局搜索最优解，并用遗传运算器来优调局部最优值。与原始的 BFO 不同，细菌现在可以突变，并继承基因。
数据科学与机器学习（第22部分）：利用自编码器神经网络实现更智能的交易——从噪声中提炼信号
在瞬息万变的金融市场中，从噪音中分离出有意义的信号对于成功交易至关重要。通过采用复杂的神经网络架构，利用自动编码器发掘市场数据中的隐藏模式，将嘈杂的输入转化为可操作的类型。本文探讨了自动编码器如何改变交易实践，为交易者提供了一个强大的工具，以改善决策制定，并在当今瞬息万变的市场中获得竞争优势。
开发回放系统 — 市场模拟（第 19 部分）：必要的调整
在此，我们要做好准备，如此当我们需要往代码里添加新函数时，就能顺滑轻松地发生。当前代码还不能涵盖或处理那些显著推进过程所必需的事情。我们需要将所有东西都结构化，以便能够以最小的工作量实现某些事情。如果我们正确地做好所有事情，我们就能得到一个真正通用的系统，可以轻松地适应任何需要处理的状况。
将您自己的 LLM 集成到 EA 中（第 3 部分）：使用 CPU 训练自己的 LLM
在人工智能飞速发展的今天，大语言模型（LLM）是人工智能的重要组成部分，所以我们应该思考如何将强大的 LLM 融入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。
最负盛名的人工协作搜索算法的改进版本（AXSm）
在这里，我们将探讨 ACS 算法的演变：三种修改旨在改善收敛特性和算法效率。对最领先的优化算法之一进行修订改版。从数据矩阵修改到种群形成的革命性方法。
价格行为分析工具包开发（第 17 部分）：TrendLoom EA 工具
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。
市场模拟（第七部分）：套接字（一）
套接字，你知道它们在 MetaTrader 5 中的用途或使用方法吗？如果答案是否定的，那么让我们从研究它们开始。在今天的文章中，我们将介绍一些基础知识。由于有几种方法可以做同样的事情，而且我们总是对结果感兴趣，我想证明确实有一种简单的方法可以将数据从 MetaTrader 5 传输到其他程序，如 Excel。然而，主要目的不是将数据从 MetaTrader 5 传输到 Excel，而是相反，即将数据从 Excel 或任何其他程序传输到 MetaTrader 5。
化学反应优化 (CRO) 算法（第二部分）：汇编和结果
在第二部分中，我们将把化学运算符整合到一个算法中，并对其结果进行详细分析。让我们来看看化学反应优化 (CRO) 方法是如何解决测试函数的复杂问题的。
您应当知道的 MQL5 向导技术（第 11 部分）：数字墙
数字墙（Number Walls）是线性回移寄存器的一种变体，其通过检查收敛性来预筛选序列来达到可预测性。我们看看这些思路如何运用在 MQL5。
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 53 部分）：事情变得复杂（五）
在本文中，我们将介绍一个很少有人了解的重要话题：定制事件。危险。这些要素的优缺点。对于希望成为 MQL5 或其他语言专业程序员的人来说，本主题至关重要。在此，我们将重点介绍 MQL5 和 MetaTrader 5。
让新闻交易轻松上手（第六部分）：执行交易（3）
在本文中，将实现基于新闻事件ID对单个新闻事件进行新闻筛选。此外，还将对先前的SQL查询进行改进，以提供更多信息或减少查询运行时间。另外，还将使前几篇文章中构建的代码具备实际功能。
MQL5 中的范畴论 (第 12 部分)：秩序（Orders）
本文是范畴论系列文章之以 MQL5 实现图论的部分，深入研讨秩序（Orders）。我们通过研究两种主要的秩序类型，实测秩序论的概念如何支持幺半群集合，从而为交易决策提供信息。
用于时间序列挖掘的数据标签（第 6 部分）：使用 ONNX 在 EA 中应用和测试
本系列文章介绍了几种时间序列标注方法，可以创建符合大多数人工智能模型的数据，根据需要进行有针对性的数据标注可以使训练好的人工智能模型更符合预期的设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！
您应当知道的 MQL5 向导技术（第 16 部分）：配合本征向量进行主成分分析
本文所见的主成分分析，是数据分析中的一种降维技术，文中还有如何配合本征值和向量来实现它。一如既往，我们瞄向的是开发一个可在 MQL5 向导中使用的原型专业信号类。
人工蜂巢算法（ABHA）：测试与结果
在本文中，我们将继续深入探索人工蜂巢算法（ABHA），通过深入研究代码并探讨其余的方法。正如您可能还记得的那样，模型中的每只蜜蜂都被表示为一个独立的智能体，其行为取决于内部和外部信息以及动机状态。我们将在各种函数上测试该算法，并通过在评分表中呈现结果来总结测试效果。
开发回放系统 — 市场模拟（第 25 部分）：为下一步做准备
在本文中，我们将会完结开发回放和模拟系统的第一阶段。尊敬的读者，有了这样的成就，我确认该系统已经达到了高级水平，为引入新功能铺平了道路。目标是进一步丰富该系统，将其转变为研究和开发市场分析的强力工具。
MQL5 中的范畴论 (第 15 部分)：函子与图论
本文是以 MQL5 实现范畴论，着眼于函子之系列的续篇，但这次是作为图论和集合之间的桥梁。我们重新审视日历数据，尽管它在策略测试器中存在使用局限，但在相关性的帮助下，可利用函子来预测波动性。
种群优化算法：进化策略，(μ,λ)-ES 和 (μ+λ)-ES
本文研究一套称为进化策略（ES）的优化算法。它们是最早使用进化原理来寻找最优解的种群算法之一。我们将针对传统的 ES 变体实现变更，并修改算法的测试函数和测试台方法。