有关MQL5数据分析和统计的文章
动物迁徙优化（AMO）算法
本文介绍了AMO算法，该算法通过模拟动物的季节性迁徙来寻找适合生存和繁殖的最优条件。AMO的主要特点包括使用拓扑邻域和概率更新机制，使得其易于实现，并且能够灵活应用于各种优化任务。
开发回放系统 — 市场模拟（第 26 部分）：智能交易系统项目 — C_Terminal 类
现在，我们可以开始创建回放/模拟系统的智能系统。不过，我们需要改进一些东西，并非敷衍了事。尽管如此，我们不应被最初的复杂性所吓倒。重要的是从某处开始，否则我们最终只会空想一项任务的难度，甚至没有尝试去克服它。这就是编程的全部意义：通过学习、测试和广泛的研究来攻克障碍。
数据科学和机器学习（第 19 部分）：利用 AdaBoost 为您的 AI 模型增压
AdaBoost，一个强力的提升算法，设计用于提升 AI 模型的性能。AdaBoost 是 Adaptive Boosting 的缩写，是一种复杂的融合学习技术，可无缝集成较弱的学习器，增强它们的集体预测强度。
价格行为分析工具包开发（第11部分）：基于Heikin Ashi（平均K线）信号的智能交易系统（EA）
MQL5为开发者提供了无限可能，助您构建高度定制化的自动化交易系统。您是否知道，它甚至能执行复杂的数学运算？本文将介绍如何将日本Heikin-Ashi（平均K线）技术转化为自动化交易的策略。
使用 MetaTrader 5 在 Python 中查找自定义货币对形态
外汇市场是否存在重复的形态和规律？我决定使用 Python 和 MetaTrader 5 创建自己的形态分析系统。一种数学和编程的共生关系，用于征服外汇。
开发回放系统（第 75 部分）：新 Chart Trade（二）
在本文中，我们将讨论 C_ChartFloatingRAD 类。这就是 Chart Trade 发挥作用的原因。然而，解释并未就此结束，我们将在下一篇文章中完成它，因为这篇文章的内容相当广泛，需要深入理解。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
基于混沌理论的超买超卖分析
我们依据混沌理论判定市场超买超卖状态：通过整合混沌理论、分形几何与神经网络原理，构建金融市场预测模型。研究采用李雅普诺夫（Lyapunov）指数量化市场的随机性，并实现交易信号的动态适配。方法论涵盖三大核心组件：分形噪声生成算法、双曲正切激活函数和动量优化技术。
使用MQL5中的动态时间规整进行模式识别
在本文中，我们探讨了动态时间规整（Dynamic Time Warping，DTW）作为识别金融时间序列中预测模式的一种方法。我们将深入了解其工作原理，并在纯MQL5语言中展示其实现方法。
开发回放系统（第 45 部分）：Chart Trade 项目（四）
本文的主要目的是介绍和解释 C_ChartFloatingRAD 类。我们有一个 Chart Trade 指标，它的工作方式非常有趣。您可能已经注意到了，图表上的对象数量仍然很少，但我们却获得了预期的功能。指标中的数值是可以编辑的。问题是，这怎么可能呢？这篇文章将使答案变得更加清晰。
群体优化算法：抵抗陷入局部极值（第一部分）
本文介绍了一个独特的实验，旨在研究群体优化算法在群体多样性较低时有效逃脱局部最小值并达到全局最大值的能力。朝着这个方向努力将进一步了解哪些特定算法可以使用用户设置的坐标作为起点成功地继续搜索，以及哪些因素会影响它们的成功。
MQL5 中的范畴论 (第 9 部分)：幺半群（Monoid）— 动作
本文是以 MQL5 实现范畴论系列的延续。 在这里，我们继续将“幺半群 — 动作”当为幺半群变换的一种手段，如上一篇文章所涵盖的内容，从而增加了应用。
大气云模型优化（ACMO）：理论
本文致力于介绍一种元启发式算法——大气云模型优化（ACMO）算法，该算法通过模拟云层的行为来解决优化问题。该算法利用云层的生成、移动和传播的原理，适应解空间中的“天气条件”。本文揭示了该算法如何通过气象模拟在复杂的可能性空间中找到最优解，并详细描述了ACMO运行的各个阶段，包括“天空”准备、云层的生成、云层的移动以及水的集中。
智能系统健壮性测试
在策略开发中，有许多错综复杂的细节需要考虑，对于初学交易者其中许多都未予重视。如是结果，众多交易者，包括我自己，都不得不历经苦难来学习这些教训。本文基于我观察到的大多数初学交易者在 MQL5 上开发策略时常见的陷阱。它将提供一系列提示、技巧、和示例，帮助辨别不合格的 EA，并以一种易于实现的方式来测试我们自己 EA 的稳健性。目标是教导读者，帮助他们未来购买 EA 时避免遭遇骗局，以及预防他们自己开发策略时的错误。
开发回放系统（第 41 部分）：启动第二阶段（二）
如果到目前为止，你觉得一切都很好，那就说明你在开始开发应用程序时，并没有真正考虑到长远的问题。随着时间的推移，你将不再需要为新的应用程序编程，只需让它们协同工作即可。让我们看看如何完成鼠标指标的组装。
您应当知道的 MQL5 向导技术（第 25 部分）：多时间帧测试和交易
默认情况下，由于组装类中使用了 MQL5 代码架构，故基于多时间帧策略，且由向导组装的智能系统无法进行测试。我们探索一种绕过该限制的方式，看看搭配二次移动平均线的情况下，研究运用多时间帧策略的可能性。
您应当知道的 MQL5 向导技术（第 10 部分）：非常规 RBM
限制性玻尔兹曼（Boltzmann）机处于基本等级，是一个两层神经网络，擅长通过降维进行无监督分类。我们取其基本原理，并检验如果我们重新设计和训练它，我们是否可以得到一个实用的信号滤波器。
接受者操作特征（ROC）曲线入门
ROC 曲线是用于评估分类器性能的图形工具。尽管 ROC 图形相对简单，但在实践中使用它们时，仍存在一些常见的误解和误区。本文旨在为那些希望理解分类器性能评估的交易者提供一份关于 ROC 图形的入门介绍。
用于预测金融时间序列的生物神经元
我们将为时间序列预测建立一个生物学上正确的神经元系统。在神经网络架构中引入类似等离子体的环境创造了一种“集体智能”，其中每个神经元不仅通过直接连接，还通过长距离电磁相互作用影响系统的运行。让我们看看神经大脑建模系统在市场上的表现。
开发回放系统（第 70 部分）：取得正确的时间（三）
在本文中，我们将了解如何正确有效地使用 CustomBookAdd 函数。尽管它看起来很简单，但它有许多细微差别。例如，它允许您告诉鼠标指标自定义交易品种是否正在竞价、交易或市场是否关闭。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。
开发回放系统（第 58 部分）：重返服务工作
在回放/模拟器服务的开发和改进暂停之后，我们正在恢复该工作。现在我们已经放弃使用终端全局变量等资源，我们将不得不完全重组其中的一些部分。别担心，我们会详细解释这个过程，这样每个人都可以关注我们服务的发展。
用Python和MQL5进行投资组合优化
本文探讨了使用Python和MQL5结合MetaTrader 5进行高级投资组合优化的技术。文章展示了如何开发用于数据分析、资产配置和交易信号生成的算法，强调了在现代金融管理和风险缓解中数据驱动决策的重要性。
基于Python和MQL5的特征工程（第一部分）：为长期 AI 模型预测移动平均线
移动平均线无疑是我们的 AI 模型进行预测的最佳指标。然而，我们可以通过严谨数据变换来进一步提高其准确性。本文将展示如何构建能够预测更远范围的AI模型，超越您目前所实现的水平，同时不会显著降低准确率。移动平均线的实用性确实令人惊叹。
基于MQL5和Python的自优化EA（第五部分）：深度马尔可夫模型
在本次讨论中，我们将把一个简单的马尔可夫链应用于相对强弱指标（RSI），以观察指标穿过关键水平后的价格行为。我们得出结论，当RSI处于11-20区间时，会产生最强的买入信号；而当RSI处于71-80区间时，会产生最强的卖出信号，这在新西兰元兑日元（NZDJPY）货币对上表现得尤为明显。我们将展示如何通过对数据的处理和分析，直接从您所拥有的数据中构建出最优的交易策略。此外，我们还将展示如何训练一个深度神经网络，使其能够最优地利用转移矩阵。
您应当知道的 MQL5 向导技术（第 43 部分）：依据 SARSA 进行强化学习
SARSA 是 “State-Action-Reward-State-Action” 的缩写，是另一种能在实现强化学习时运用的算法。故此，正如我们在 Q-学习 和 DQN 中看到的那样，我们考察了如何在向导汇编的智能系统中探索和实现它，将其作为独立模型，而不仅仅是一种训练机制。
头脑风暴优化算法（第一部分）：聚类
在本文中，我们将探讨一种受自然现象“头脑风暴”启发的新型优化方法——头脑风暴优化（Brain Storm Optimization，简称BSO）。我们还将讨论BSO方法所应用的一种解决多模态优化问题的新方法。该方法能够在无需预先确定子种群数量的情况下，找到多个最优解。此外，我们还会考虑K-Means和K-Means++聚类方法。
您应当知道的 MQL5 向导技术（第 32 部分）：正则化
正则化是一种在贯穿神经网络各层应用离散权重，按比例惩罚损失函数的形式。我们来考察其重要性，对于一些不同的正则化形式，能够在配合向导组装的智能系统运行测试。
