有关MetaTrader 5手动和算法交易的文章
学习如何设计一款布林带（Bollinger Bands）交易系统
在本文中，我们将学习布林带，这是交易界最流行的指标之一。 我们将研究技术分析，并看看如何设计一款基于布林带（Bollinger Bands）指标的算法交易系统。
交易中的数学：夏普（Sharpe）和索蒂诺（Sortino）比率
投资回报率是投资者和萌新交易员用来分析交易绩效的最明显指标。 专业交易者会采用更可靠的工具来分析策略，比如夏普（Sharpe）比率和索蒂诺（Sortino）比率等。
MQL5 中的矩阵和向量
运用特殊的数据类型“矩阵”和“向量”，可以创建非常贴合数学符号本意的代码。 运用这些方法，您可以避免创建嵌套循环，或在计算中分心记忆正确的数组索引。 因此，矩阵和向量方法的运用能为开发复杂程序提高可靠性和速度。
针对交易的组合数学和概率论（第五部分）：曲线分析
在本文中，我决定进行一项研究，探讨将多重状态系统简化为双重状态系统的可能性。 本文的主要目的是分析并推导出有用的结论，这些结论也许有助于基于概率论的可伸缩交易算法的深入发展。 当然，这个话题会涉及到数学知识。 不过，根据之前文章的经验，我认为广谱信息比细节作用更大。
针对交易的组合数学和概率论（第四部分）：伯努利（Bernoulli）逻辑
在本文中，我决定重点阐述著名的伯努利（Bernoulli）规划案，并展示如何用它来描述与交易相关的数据数组。 所有这些将被用来创建一个自适应的交易系统。 我们还将寻找一个更通用的算法，一个特例是伯努利公式，并查找能够运用它的应用。
为 MetaTrader 打造的高级 EA 构造器 - botbrains
在本文中，我们将展示 botbrains.app 的功能 — 一款无代码开发交易机器人的平台。 若要创建一款交易机器人，您无需编写任何代码 — 只需将必要的模块拖放到规划图上，设置它们的参数，并在它们之间建立连接。
预测市场价格的通用回归模型（二）：自然、技术和社会暂态函数
本文是前一篇文章的逻辑延续。 它彰显一个事实，即确认第一篇文章的结论。 这些事实在该书出版后的十年内就得以显露。 它们围绕着三个检测到的描述市场价格变化形态的动态暂态函数展开。
处理时间（第二部分）：函数
自动判定经纪商时移和 GMT。 与其请求您的经纪商的支持，您可能会从他们那里得到一个不充分的答案（他们很愿意解释时间错位），我们只需自行查看在时间变化的几周内他们如何计算价格 — 但手工操作极其繁琐，我们让程序来做这件事 — 毕竟这就是为什么我们要有一台 PC。
处理时间（第一部分）：基础
能够简化和澄清时间、经纪商时移、以及夏季或冬季变更的时间处理函数和代码片段。 准确的时序也许是交易中的一个关键因素。 在当前钟点，伦敦或纽约的证券交易所是否已经或尚未开市，外汇交易的交易时间何时开始和结束？ 对于一名实况手工交易者来说，这不算是个大问题。
MetaTrader 5 中的出价/要价（Bid/Ask）点差分析
一款能为您报告经纪商平台出价/要价（Bid/Ask）水平的指标。 现在我们可以利用 MT5 的即时报价数据来分析近期的历史真实平均买卖点差是多少。 您不需要查看当前点差，因为若您同时显示出价和要价指示线时，该值已出示。
针对交易的组合数学和概率论（第三部分）：第一个数学模型
早前所研讨主题的逻辑延续，即针对交易任务开发多功能数学模型。 在本文中，我将从头开始讲述与分形数学模型开发相关的整个过程。 这个模型应成为一个重要的构建模块，且其是多功能和通用的。 它将为我们遵循该思路深入开发奠定理论基础。
针对交易的组合数学和概率论（第二部分）：通用分形
在本文中，我们将继续研究分形，并会特别留意总结所有材料。 为此，我将尝试把所有早期开发归纳为一个紧凑的形式，这对于交易中的实际应用来说将是方便和易于理解的。
针对交易的组合数学和概率论（第一部分）：基础知识
在本系列文章中，我们将尝试找寻概率论的实际运用来描述交易和定价过程。 在首篇文章中，我们将研究组合数学和概率论的基础知识，并将分析如何在概率论的框架中应用分形的第一个例子。
网格和马丁格尔交易系统中的机器学习。 您敢为其打赌吗？
本文介绍了应用于网格和马丁格尔交易的机器学习技术。 令人惊讶的是，这种方法在全球网络中难觅踪迹。 阅读过本文之后，您将能够创建自己的交易机器人。
自适应算法(第三部分): 放弃优化
如果采用基于历史数据的优化方法来选择参数，就不可能得到真正稳定的算法。一个稳定的算法应该知道在任何时候操作任何交易工具时需要哪些参数。它不应该预测或猜测，它应该确定知道。
神经网络在交易中的实际应用 (第二部分). 计算机视觉
利用计算机视觉可以训练神经网络对价格图表和指标的直观表示。这种方法可以对整个复杂的技术指标进行更广泛的操作，因为不需要将它们以数字形式输入神经网络。
利用 CatBoost 算法寻找外汇市场的季节性模式
本文探索了用时间过滤器建立机器学习模型，并讨论了这种方法的有效性。现在，只要简单地指示模型在一周中某一天的某个时间进行交易，就可以消除人为因素。模式搜索可以由单独的算法提供。
直推和主动机器学习中的梯度提升
在本文中，我们将探讨利用真实数据的主动机器学习方法，并讨论它们的优缺点。也许你会发现这些方法很有用，并将它们包含在你的机器学习模型库中。直推是由支持向量机（SVM）的共同发明者弗拉基米尔·瓦普尼克（Vladimir Vapnik）提出的。
开发自适应算法 (第二部分): 提高效率
在本文中，我将通过改进先前创建的算法的灵活性来继续本主题的开发。随着分析窗口中烛形数量的增加，或烛形超额阈值百分比的增加，算法变得更加稳定。我不得不做出妥协，并设置一个更大的样本量进行分析或更大的烛形超额百分比。
开发自适应算法（第一部分）：寻找基本模式
在接下来的系列文章中，我将演示探讨大多数市场因素的自适应算法的开发，以及如何将这些情况系统化，用逻辑描述它们，并在您的交易活动中应用它们。我将从一个非常简单的算法开始，这个算法将逐渐获得理论，并发展成一个非常复杂的项目。
梯度提升（CatBoost）在交易系统开发中的应用. 初级的方法
在 Python 中训练 CatBoost 分类器，并将模型导出到mql5，以及解析模型参数和自定义策略测试程序。Python 语言和 MetaTrader 5 库用于准备数据和训练模型。
使用 DeMark Sequential 和 Murray-Gann 水平分析图表
Thomas DeMark Sequential (序列）擅长显示价格变动的平衡变化。如果我们把它的信号与水平指标例如 Murray 水平相结合，就更为明显。这篇文章主要是为初学者和那些仍然找不到他们的“圣杯”。我还将展示一些我在其他论坛上没有看到的构建水平的功能。因此，这篇文章可能对高级交易者也很有用。欢迎提出建议和合理批评。
神经网络在交易中的实际应用 Python (第一部分)
在本文中，我们将分析一个基于Python的深层神经网络编程的交易系统的分步实现。这将使用谷歌开发的 TensorFlow 机器学习库执行。我们还将使用 Keras 库来描述神经网络。
自定义品种（符号）：实践基础
本文专门介绍了程序化生成自定义品种（符号），这些自定义品种可用来演示一些显示报价的流行方法。 它描述的是一种建议的微创智能交易系统改编方案，可用在派生的自定义品种图表上，如同真实品种一样。 MQL 源代码随附于文后。
什么是趋势，行情结构是基于趋势还是横盘？
交易者经常谈论趋势和横盘，但很少有人真正了解趋势/横盘是什么，甚至很少能够清楚地解释这些概念。 讨论这些基本术语通常会受到一系列顽固偏见和误解的困扰。 然而，如果我们想赚钱，就需要了解这些概念的数学和逻辑含义。 在本文中，我将仔细研究趋势和横盘的本质，并尝试定义行情结构是基于趋势/横盘，亦或其他。 我还将研究在趋势和横盘行情上获利的最佳策略。
快捷手动交易工具箱：基本功能
如今，众多交易者切换至自动交易系统，这类系统可能需要附加设置，或是能够完全自动化并准备就绪。 然而，有相当一部分交易者更喜欢以旧有方式进行手动交易。 在本文中，我们将创建快速手动交易工具箱，用热键来一键执行典型交易操作。
手工图表和交易工具包（第一部分）。 准备：结构描述和助手类
这是该系列的第一篇文章，我将在其中讲述一个工具箱，该工具箱可通过键盘快捷键来手工图表图形应用。 这非常方便：按一个键，然后出现趋势线，再按另一个键 — 将创建具有必要参数的斐波那契扇形。 也可以切换时间帧，重新排列图层或从图表中删除所有对象。
监视多币种的交易信号（第五部分）：复合信号
在第五篇文章是与创建交易信号监视器有关，我们将研究复合信号，并实现必要的功能。 在早前版本里，我们用到了简单信号，例如 RSI、WPR 和 CCI，并且还引入了自定义指标的可能性。