有关MQL5数据分析和统计的文章
从新手到专家：MQL5中的协作式调试指南
问题解决法能为掌握复杂技能（如MQL5编程）构建高效路径。该方法让您在专注攻克问题的同时，潜移默化地提升技能水平。解决的难题越多，大脑积累的专业知识就越深厚。就我个人而言，调试是精通编程最有效的途径。本文将带你逐步梳理代码清理流程，并探讨将杂乱程序转化为简洁高效代码的核心技巧。阅读本文，洞悉其中的宝贵见解。
借助成交量精准洞悉交易动态：超越传统OHLC图表
一种将成交量分析与机器学习技术（特别是LSTM神经网络）相结合的算法交易系统。与主要关注价格波动的传统交易方法不同，该系统强调成交量模式及其衍生指标，以预测市场走势。该方法包含三个主要组成部分：成交量衍生指标分析（一阶和二阶导数）、基于LSTM的成交量模式预测，以及传统技术指标。
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。
开发回放系统（第 68 部分）：取得正确的时间（一）
今天，我们将继续努力，让鼠标指针告诉我们在流动性较低期间，一根柱形上还剩下多少时间。尽管乍一看似乎很简单，但实际上这项任务要困难得多。这涉及一些我们必须克服的障碍。因此，为了理解以下部分，您必须很好地理解子系列第一部分的材料。
数据科学和机器学习（第 31 部分）：利用 CatBoost AI 模型进行交易
CatBoost AI 模型最近在机器学习社区中广受欢迎，因为它们的预测准确性、效率、及针对分散和困难数据集的健壮性。在本文中，我们将详细讨论如何实现这些类型的模型，进而尝试进击外汇市场。
价格行为分析工具包开发（第二部分）：分析注释脚本
秉承我们简化价格行为分析的核心理念，我们很高兴推出又一款可显著提升市场分析能力、助力您做出精准决策的工具。该工具可展示关键技术指标（如前一日价格、重要支撑阻力位、成交量），并在图表上自动生成可视化标记。
开发回放系统（第 67 部分）：完善控制指标
在本文中，我们将看看通过一点代码改进可以实现什么。这一改进旨在简化我们的代码，更多地使用 MQL5 库调用，最重要的是，使其在我们未来可能开发的其他项目中更加稳定、安全和易于使用。
基于Python和MQL5的特征工程（第二部分）：价格角度
在MQL5论坛上，有许多帖子询问如何计算价格变化的斜率。本文将展示一种计算任意交易市场中价格变化所形成角度的可行方法。此外，我们还将探讨为这项新特征工程投入额外精力和时间是否值得。我们将研究价格斜率是否能在预测M1时间框架下的USDZAR货币对时，提高我们人工智能（AI）模型的准确性。
让新闻交易轻松上手（第五部分）：执行交易（2）
本文将扩展交易管理类，以包含用于交易新闻事件的买入止损（buy-stop）和卖出止损（sell-stop）订单，并为这些订单添加过期时间限制，以防止隔夜交易。在EA中嵌入一个滑点函数，以尝试防止或最小化在交易中使用止损订单时可能发生的滑点，特别是在新闻事件期间。
开发回放系统（第 66 部分）：玩转服务（七）
在本文中，我们将实现第一个解决方案，该解决方案使我们能够确定何时在图表上出现新的柱形。此解决方案适用于各种情况。了解它的发展将有助于你掌握几个重要方面。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。
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（第一部分）：图表投影仪
本项目旨在利用 MQL5 程序算法为 MetaTrader 5 开发一套全面的分析工具。这些工具包括脚本、指标、人工智能模型以及EA，能够自动地进行市场分析。在某些情况下，这些工具能够完全无需人工干预地进行高级分析，并将预测结果发送到相应的平台。绝不会错过任何机会。请与我一同探索构建一套强大的自定义市场分析工具箱。我们将从开发一个简单的 MQL5 程序开始，我将其命名为“图表投影仪”。
ALGLIB 库优化方法（第二部分）
在本文中，我们将继续研究ALGLIB库中剩余的优化方法，并特别关注它们在复杂多维函数上的测试表现。这样我们不仅能够评估每种算法的效率，还能在不同条件下比较出它们的优势与不足。
开发回放系统（第 65 部分）：玩转服务（六）
在本文中，我们将研究如何在与回放/模拟应用程序结合使用时实现和解决鼠标指针问题。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。
ALGLIB库优化方法（第一部分）
在本文中，我们将了解适用于MQL5的ALGLIB库的优化方法。本文包含了使用ALGLIB解决优化问题的简单且清晰的示例，旨在使读者能够尽可能轻松地掌握这些方法。我们将详细探讨BLEIC、L-BFGS和NS等算法的连接方式，并使用它们来解决一个简单的测试问题。
让新闻交易轻松上手（第4部分）：性能增强
本文将深入探讨改进EA在策略测试器中运行时间的方法，通过编写代码将新闻事件时间按小时分类。在指定的小时段内将访问这些新闻事件。这样确保了EA能够在高波动性和低波动性环境中高效管理事件驱动的交易。
开发回放系统（第 64 部分）：玩转服务（五）
在本文中，我们将介绍如何修复代码中的两个错误。然而，我将尝试以一种有助于初学者程序员理解事情并不总是如你所愿的方式解释它们。无论如何，这是一个学习的机会。此处提供的内容仅用于教育目的。本应用程序不应被视为最终文件，其目的除了探讨所提出的概念之外，不应有任何其它用途。
开发回放系统（第 63 部分）：玩转服务（四）
在本文中，我们将最终解决一分钟柱形上的分时报价模拟问题，以便它们能够与真实分时报价共存。这将帮助我们避免将来出现问题。此处提供的材料仅用于教育目的。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。
基于人工生态系统的优化（AEO）算法
本文探讨了一种元启发式算法——基于人工生态系统的优化（Artificial Ecosystem-based Optimization, AEO）算法。该算法通过生成初始解种群并应用自适应更新策略，模拟生态系统各组成部分之间的相互作用。文中详细阐述了AEO算法的运行阶段，包括消耗阶段与分解阶段，以及不同智能体的行为策略。文章还介绍了该算法的特点和优势。
您应当知道的 MQL5 向导技术（第 37 部分）：配以线性和 Matérn 内核的高斯过程回归
线性内核是机器学习中，针对线性回归和支持向量机所用的同类中最简单的矩阵。另一方面，Matérn 内核是我们在之前的文章中讲述的径向基函数的更普遍版本，它擅长映射不如 RBF 假设那样平滑的函数。我们构建了一个自定义信号类，即利用两个内核来预测做多和做空条件。
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。
大气云模型优化（ACMO）：实战
在本文中，我们将继续深入研究大气云模型优化（ACMO）算法的实现。特别是，我们将讨论两个关键方面：云向低压区域的移动以及降雨模拟，包括液滴的初始化及其在云中的分布。我们还将研究其他在管理云的状态以及确保它们与环境相互作用方面发挥重要作用的方法。
您应当知道的 MQL5 向导技术（第 36 部分）：依据马尔可夫（Markov）链的 Q-学习
强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。
您应当知道的 MQL5 向导技术（第 35 部分）：支持向量回归
支持向量回归是一种理想主义的途径，寻找最能描述两组数据之间关系的函数或“超平面”。我们尝试在 MQL5 向导的自定义类内利用这一点来进行时间序列预测。
您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入
受限玻尔兹曼（Boltzmann）机是一种神经网络形式，开发于 1980 年代中叶，当时的计算资源非常昂贵。在其初创时，它依赖于 Gibbs 采样，以及对比散度来降低维度，或捕获输入训练数据集上的隐藏概率/属性。我们验证当 RBM 为预测多层感知器“嵌入”价格时，反向传播如何执行类似的操作。
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。
您应当知道的 MQL5 向导技术（第 33 部分）：高斯（Gaussian）进程核心
高斯（Gaussian）进程核心是正态分布的协方差函数，能够在预测中扮演角色。我们在 MQL5 的自定义信号类中探索这种独特的算法，看看它是否可当作主要入场和离场信号。
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。
将 MQL5 与数据处理包集成 (第 2 部分):机器学习和预测分析
在我们关于将 MQL5 与数据处理包集成的系列文章中，我们深入研究了机器学习和预测分析的强大组合。我们将探索如何将 MQL5 与流行的机器学习库无缝连接，以便为金融市场提供复杂的预测模型。
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。
在Python和MQL5中应用局部特征选择
本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。
量化风险管理方法：应用 VaR 模型优化多货币投资组合（使用 Python 和 MetaTrader 5）
本文探讨了价值风险（VaR）模型在多货币投资组合优化中的潜力。借助 Python 的强大功能和 MetaTrader 5 的功能，我们展示了如何实施 VaR 分析，以实现高效的资金分配和头寸管理。从理论基础到实际实施，文章涵盖了将 VaR——这一最稳健的风险计算系统之一——应用于算法交易的方方面面。
开发回放系统（第 61 部分）：玩转服务（二）
在本文中，我们将研究使回放/模拟系统更高效、更安全地运行的修改。我也不会对那些想要充分利用这些类的人置之不理。此外，我们将探讨 MQL5 中的一个特定问题，即在使用类时降低代码性能，并解释如何解决它。
随机优化和最优控制示例
这款名为SMOC（可能代表随机模型最优控制）的EA，是MetaTrader 5平台上一个较为先进的算法交易系统的简单示例。它结合了技术指标、模型预测控制以及动态风险管理来做出交易决策。该EA融入了自适应参数、基于波动率的仓位规模调整以及趋势分析，以优化其在不同市场条件下的表现。
您应当知道的 MQL5 向导技术（第 30 部分）：聚焦机器学习中的批量归一化
批量归一化是把数据投喂给机器学习算法（如神经网络）之前对数据进行预处理。始终要留意算法所用的激活类型，完成该操作。因此，我们探索在向导组装的智能系统帮助下，能够采取的不同方式，并从中受益。