有关MQL5策略测试的文章

这是上一篇研究社群概念文章的延续。本文使用迁徙和记忆算法探讨社群的演化。结果将有助于理解社区系统的演化，并将其应用于优化和寻找解。

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。

许多人，尤其是非程序员，发现在 MetaTrader 5 和其他程序之间传输信息非常困难。其中一个程序就是 Excel。许多人使用 Excel 作为管理和维护风险控制的一种方式。这是一个优秀的程序，易于学习，即使对于那些不是 VBA 程序员的人来说也是如此。在这里，我们将看看如何在 MetaTrader 5 和 Excel 之间建立连接（一种非常简单的方法）。

今天我们将开始第二阶段，研究市场回放/模拟系统。首先，我们将展示跨期订单的可能解决方案。我会向你展示解决方案，但它还不是最终的。这将是我们在不久的将来需要解决的一个问题的可能解决方案。

在本文的第二部分，我们将继续开发一种改进版的原子轨道搜索（AOS）算法，重点聚焦于特定操作符的优化设计，以提升算法的效率和适应性。在分析了该算法的基本原理和运行机制之后，我们将探讨提升其性能以及分析复杂解空间能力的方法，并提出新的思路以扩展其作为优化工具的功能。

在本文中，我们将实现一个控制指标，以便它可以集成到我们正在开发的消息系统中。虽然这并不难，但关于这个模块的初始化，有一些细节需要了解。此处提供的材料仅用于教育目的。除了学习和掌握所示的概念外，绝不应将其视为任何目的的应用程序。

我们经常需要后退一步，然后继续前进。在本文中，我们将展示所有必要的更改，以确保鼠标和 Chart Trade 指标不会中断。作为奖励，我们还将介绍未来将广泛使用的其他头文件中发生的其他更改。

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。

本文提出一种基于圆几何特性的新型元启发式优化算法——圆搜索算法（CSA）。该算法通过模拟切线方向上的点移动机制，在解空间中实现全局探索与局部开发的协同优化。

在本文中，我们将研究如何实现上一篇文章中所示的与回放/模拟服务相关的内容。就像生活中的许多其他事情一样，问题必然会出现。这次的情况也不例外。在这篇文章中，我们将继续改进。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。

在本文中，我们将迈出 MQL5 编程的第一步，即使是完全零基础的初学者也能上手。我们将向您展示，如何将熟悉的 K线形态 转换为一个功能完备的自定义指标。K线形态之所以有价值，是因为它们反映了真实的价格行为，并预示着市场的转变。与其手动扫描图表——这种方法容易出错且效率低下——我们将讨论如何通过一个指标来自动化这个过程，该指标会自动识别并标记出这些形态。在此过程中，我们将探讨一些关键概念，例如索引、时间序列、平均真实波幅（用于在多变的市场波动性中提高准确性），以及如何开发一个可自定义、可复用的 K线形态库，以便在未来的项目中使用。

很长一段时间以来，我们一直在研究指标，但现在是时候让服务重新工作了，看看图表是如何根据提供的数据构建的。然而，由于整个事情并没有那么简单，我们必须注意了解前方等待我们的是什么。

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。

本系列文章首篇将探讨自定义准则的数学原理，重点聚焦神经网络中使用的非线性函数、MQL5实现代码，以及目标导向与校正偏移量的应用。

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。

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。

在本文中，我们通过将经济日历数据作为非实盘分析资源嵌入到MQL5交易系统中，为策略测试做好准备。我们实现了按时间、货币和影响程度加载和筛选事件的功能，并在策略测试器中验证其有效性。这使得基于新闻事件的策略能够进行高效的回测。

成功餐饮经营者算法（SRA）是一种受餐饮业管理原则启发的创新优化方法。与传统方法不同，SRA不会直接淘汰劣质解，而是通过融合优质解的元素对其进行改进。该算法在优化问题中展现出极具竞争力的表现，并为平衡探索与利用提供了全新视角。

一种新的生物启发的优化元启发式算法——NOA（Neuroboids Optimization Algorithm，神经类群优化算法），结合了集体智能和神经网络的原理。与传统方法不同，该算法使用了一个由具备自学习能力的“神经类群（neuroboids）”组成的群体，每个神经类群都拥有自己的神经网络，能够实时调整其搜索策略。本文揭示了该算法的架构、代理的自学习机制，以及这种混合方法在解决复杂优化问题方面的应用前景。

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。

在本文中，我们将继续将新策略与创建的自动优化系统联系起来。让我们看看需要对优化项目创建 EA 以及第二和第三阶段 EA 进行哪些更改。

在本文中，我们编写了一个可视化优化过程的示例，并显示了四个优化标准的前三个步骤。我们还将提供一个机会，从三个最佳通过中选择一个，以便在表格和图表上显示其数据。