有关MQL5交易系统自动化的文章
阅读 交易系统 文章，拓宽核心思路。了解如何使用蜡烛条图表的统计方法和形态，如何过滤信号以及何处使用信号机指标。
该 MQL5 向导将帮助您 创建无需编程的机器人 以便快速检验您的交易思路。使用向导来学习有关的 遗传算法。
MQL5交易工具（第八部分）：具备可拖拽与可最小化功能的增强型信息仪表盘
在本文中，我们将开发一套增强型信息仪表盘。该版本在上一篇内容的基础上进行升级，新增可拖拽和最小化功能以优化用户交互，同时保持对多品种持仓与账户指标的实时监控能力。
基于协整股票的统计套利（第二部分）：EA、回测与优化
本文展示一个智能交易系统（EA）示例，用于交易一篮子四只纳斯达克股票。选股流程如下：首先通过皮尔逊相关系数检验进行初步筛选；再对筛选后的股票组进行约翰森协整检验；最后通过ADF检验与KPSS检验验证协整价差的平稳性。本文将对这一流程做补充说明，并展示经过小幅优化后的回测结果。
Python-MetaTrader 5 策略测试器（第一部分）：交易模拟器
Python 提供的 MetaTrader 5 模块支持通过 Python 在 MetaTrader 5 客户端发起交易，但存在一个重大缺陷：该模块不具备 MetaTrader 5 客户端自带的策略测试器功能。在本系列文章中，我们将搭建一套框架，实现基于 Python 环境的交易策略回测。
人工原子算法（A3）
本文介绍如何在 MQL5 中实现人工原子算法（A3）—— 一种受化学过程启发的元启发式优化算法。该算法只有两个可调参数：紧凑性和较小的种群规模，这保证了较高的运行速度，同时保持了足够的解质量。
神经网络在交易中的应用：不依赖特定数据的时间序列泛化（Mamba4Cast）
在本文中，我们介绍了 Mamba4Cast 框架，并深入探讨了其关键组件之一：基于时间戳的位置编码。本文展示了如何结合数据的日历结构来构建时间嵌入。
神经网络在交易中的应用：基于自适应模态分解的时间序列预测（终篇）
本文讨论了在算法交易背景下，使用 MQL5 对 ACEFormer 框架的调整及其实践应用。它展示了关键的架构决策、训练特性以及在真实数据上的模型测试结果。
数据科学与机器学习（第四十四部分）：利用向量自回归（VAR）预测外汇 OHLC 时间序列
本文探讨如何使用向量自回归（VAR）模型预测外汇 OHLC（开盘价、最高价、最低价、收盘价）时间序列数据。文章涵盖 VAR 模型的实现、模型训练以及在 MetaTrader 5 中的实时预测，帮助交易者分析相互关联的货币走势，改进交易策略。
神经网络在交易中的应用：基于自适应模态分解（ACEFormer）的时间序列预测
我们诚邀您探索 ACEFormer 架构 — 一种将概率注意力机制的有效性与自适应时间序列分解相结合的现代解决方案。本文将对那些寻求在金融市场中平衡计算性能和预测准确性的读者有所帮助。
价格行为分析工具包开发（第34部分）：借助高级数据采集管道将原始市场数据转化为预测模型
你是否曾错过市场突然的尖峰行情，或者在行情发生时措手不及？预判实时行情的最佳方法是从历史形态中学习。为了训练一个机器学习模型，本文首先向您展示如何在 MetaTrader 5 中创建一个脚本，用于摄取历史数据并将其发送到 Python 进行存储 —— 为您的尖峰检测系统奠定基础。继续阅读，了解每个步骤的实际操作。
使用机器学习检测与分类分形模式
在本文中，我们将探讨一个有趣的话题：利用机器学习进行分形分析和市场预测。这只是迈向探索金融价格图表上形成的各种分形结构的最初几步。我们将利用相关性来发现模式，并使用 CatBoost 算法对这些模式进行分类。
在 MQL5 中实现保本机制（第 2 部分）：基于 ATR 和风险回报比的保本机制
本文将完成 MQL5 中基于 ATR 和风险回报比（RRR）的保本机制实现，并从零开始开发一个类，使得在无需重新输入参数的情况下即可轻松切换保本模式。为评估每种保本类型的有效性，我们将进行多次回测，并在算法交易的背景下分析它们各自的优缺点。
MQL5中的自优化智能交易系统（第十部分）：矩阵分解
分解是一种用于挖掘数据属性规律的数学方法。当我们将分解应用于以行列形式组织的海量市场数据时，能够从中挖掘市场的模式与特征。分解是一种强大的工具，本文将展示如何在MetaTrader 5终端中通过MQL5 API使用该方法，从而更深入地洞察市场数据。
数据科学与机器学习（第四十六部分）：在Python中使用N-BEATS进行股票市场预测
N-BEATS是一款革新性的深度学习模型，专为时间序列预测打造。该模型的初衷是超越ARIMA、PROPHET、VAR等传统时间序列预测模型。在本文中，我们将探讨该模型，并利用其实现股市行情预测。
您应该了解的MQL5向导技巧（第 75 部分）：动量震荡指标与包络线的应用
比尔・威廉姆斯的动量震荡指标（AO）与包络线通道是一对可以在 MQL5 智能交易系统（EA）中互补使用的指标组合。我们利用动量震荡指标识别趋势的能力，同时引入包络线通道来定义支撑位和阻力位。在探索这组指标组合的过程中，我们使用 MQL5 向导来构建并测试二者可能具备的交易潜力。
极值优化（EO）
本文介绍极值优化算法（EO），这是一种受Bak-Sneppen（巴克–斯内彭）自组织临界性模型启发的优化方法，通过淘汰系统中表现最差的组件来实现演化。该算法的改进种群版本表明，其设计已从理论原则转向更注重实际效率，由此构建出高效的计算工具。
按小时、星期几和每月日期分析的季节性指标
本文介绍如何开发一款用于分析金融市场中重复性价格模式的工具 —— 可按每月日期（1-31 日）、星期几（周一至周日）或每日小时（0-23 时）进行分析。该指标分析历史数据，计算每个周期的平均收益率，并以直方图形式展示结果并附带预测。指标包含可自定义参数：季节性类型、分析 K 线数量、以百分比或绝对值显示、图表颜色等。
您应该了解的MQL5向导技巧（第七十二部分）：MACD与OBV组合形态的监督学习应用
本文将承接前一篇文章，之前我们介绍了MACD与OBV指标组合，本文将探讨如何通过机器学习对这一指标组合进行优化增强。MACD属于趋势指标，OBV属于成交量指标，二者为互补指标组合。本文采用卷积神经网络机器学习方案，通过有理二次核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。
回溯搜索算法（BSA）
如果一款优化算法能够记住它过往的搜索路径，并利用这些记忆去找到更优解，会是怎样的效果？回溯搜索算法（BSA）正是这样做的 —— 在全局探索与重访已验证可靠区域之间取得平衡。本文将为您揭开该算法的原理奥秘，思路简洁、参数极少、结果稳定。
神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（终篇）
我们继续实现 DA-CG-LSTM 框架，该框架为时间序列分析和预测提供了创新方法。使用 CG-LSTM 和双重注意力机制可以更准确地检测数据中的长期和短期依赖关系，这在金融市场分析中尤其有用。
您应该了解的MQL5向导技巧（第七十四部分）：结合监督学习运用一目均衡表与ADX-Wilder形态
本文为前一篇文章的延续，之前我们介绍了一目均衡表（Ichimoku）与ADX指标组合，本篇将探讨如何通过监督学习对这一指标组合进行优化改进。一目均衡表与ADX是一组互补型指标组合，前者侧重支撑/阻力判断，后者侧重趋势识别。我们采用的监督学习方案基于深度谱混合核神经网络，对该指标组合的预测结果进行精细调优。与之前相同，相关逻辑封装在自定义信号类文件中，可配合MQL5向导直接组装成智能交易系统（EA）。
神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（DA-CG-LSTM）
本文介绍了 DA-CG-LSTM 算法，该算法为时间序列分析和预测提供了新的方法。它解释了创新的注意力机制和模型灵活性如何提高预测准确性。
您应该了解的MQL5向导技巧（第七十三部分）：使用一目均衡表形态与ADX-Wilder形态
一目均衡表（Ichimoku-Kinko-Hyo）指标与韦尔德平均趋向指数（ADX-Wilder）震荡指标，可在MQL5智能交易系统（EA）中形成互补搭配。一目均衡表本身功能多元，但在本文中，我们主要利用其识别支撑与阻力位的特性。同时，我们也使用ADX来判断趋势强弱。我们依旧通过MQL5向导来构建并测试这一组合的潜在效果。
基于季节性因素的MetaTrader 5外汇价差交易质量评估
本文在日线周期上，针对单一品种及价差组合，检验季节性交易方法的质量。研究重点在于识别周期性月度规律，以及在当年交易中应用这些规律的可行性。
神经网络在交易中的应用：演员—导演—评论家框架
我们诚邀您探索演员-导演-评论家（Actor-Director-Critic）框架，该框架结合了分层学习和多组件架构，用于创建自适应交易策略。在本文中，我们将详细探讨如何利用导演（Director）对演员（Actor）生成的动作进行分类，以有效优化交易决策，并提高模型在金融市场环境下的稳健性。
您应该了解的MQL5向导技巧（第七十一部分）：使用MACD与OBV形态
指数平滑异同移动平均线震荡指标（MACD）与能量潮指标（OBV），是另一组可在MQL5智能交易系统（EA）中联合使用的技术指标。与本系列文章一贯的思路相同，这一组合具有互补性：MACD用于确认趋势，OBV则用于验证成交量。我们依旧通过MQL5向导来构建并测试这一组合的潜在效果。
机器学习交易系统中的隐马尔可夫模型
隐马尔可夫模型（HMM）是一类强大的概率模型，用于分析序列数据，其中观测值取决于形成马尔可夫过程的某些未观察（隐藏）状态的序列。HMM 的主要假设包括隐状态的马尔可夫性质，即转移到下一个状态的概率仅取决于当前状态，以及在当前隐状态已知的情况下，观测值是独立的。
不使用期权的期权交易（第一部分）：基础理论与基于标的资产的模拟实现
本文介绍了一种通过标的资产实现期权模拟的方案，并使用MQL5编程语言完成代码实现。以莫斯科交易所（MOEX）FORTS期货市场以及Bybit加密货币交易所为例，对比了该方案与真实场内期权的优缺点。
神经网络在交易中的应用：用于智能体自适应行为的分层技能发现（HiSSD）
本文将介绍 HiSSD 框架，该框架结合分层学习与多智能体技术构建自适应系统。我们将详细分析这套创新方法如何挖掘金融市场中的隐藏模式，并在去中心化场景下优化交易策略。
外汇套利交易：带风险控制的公允价值回归矩阵交易系统
本文详细描述了交叉汇率计算算法，展示了不平衡矩阵的可视化结果，并给出了优化设置 MinDiscrepancy 和 MaxRisk 参数以实现高效交易的建议。该系统使用交叉汇率自动计算每对货币的“公允价值”，在出现负偏差时生成买入信号，在出现正偏差时生成卖出信号。
您应该了解的MQL5向导技巧（第六十九部分）：使用SAR与RVI的形态
抛物线转向指标（SAR）与相对活力指数（RVI）是另一组可在MQL5智能交易系统（EA）中搭配使用的指标。和我们之前讲过的组合类似，这对指标也具备互补性：SAR用于判断趋势，RVI用于衡量动量。与先前一样，我们通过MQL5向导来构建并测试这一指标组合的潜在效果。
交易中的神经网络：频域异常检测（终篇）
我们继续推进 CATCH 框架的实现。该框架结合傅里叶变换与频域分块，以确保能够准确检测市场异常。在本文中，我们将完成对所提方法的这一实现，并基于真实历史数据测试新模型。
开发多币种 EA（第 26 部分）：交易品种信息工具
在继续开发多币种 EA 之前，让我们尝试使用已开发的库创建一个新项目。这个例子将演示如何最佳地组织源代码存储，以及如何利用 MetaQuotes 的新代码库来帮助我们。
