有关MQL5交易系统自动化的文章

在本文中，我们将完成自有系统模拟器的开发。 于此的主要目标是就上一篇文章中讨论的算法进项配置。 该算法旨在创建随机游走走势。 因此，为了明白今天的讲义，有必要了解以前文章的内容。 如果您尚未跟踪模拟器的开发，我建议您从头开始阅读本系列文章。 否则，您也许对此处将要讲解的内容不明所以。

随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。

此为我们系列中的一篇新文章，介绍如何基于最流行的技术指标设计交易系统。 在本文中，我们将介绍如何基于 DeMarker 指标创建交易系统。

今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。 这些系列文章将提出 MQL5 向导应该是交易者在此领域努力的中流砥柱。

几十年来，交易员们一直使用凯利准则公式来确定投资或赌注的最优资本配置比例，其目标是在最大化长期增长的同时，最小化破产风险。然而，对于个人交易者而言，盲目地依据单次回测的结果来遵循凯利准则往往是危险的，因为在实盘交易中，交易优势会随着时间的推移而减弱，并且过往业绩并不能保证未来的结果。在本文中，我将提出一种在 MetaTrader 5 平台中，为一个或多个智能交易系统进行风险分配的现实方法，该方法将融合来自 Python 的蒙特卡洛模拟结果。

在本文中，我们将尝试开发自己的交易策略。任何交易策略都必须以某种统计优势为基础。而且，这种优势应该长期存在。

我们继续创建系统和控制。 没有掌控服务的能力，就很难向前推进和改进系统。

在这篇文章中，我将展示一种完全不同的方式进行算法交易，我经历了很长一段时间后才最终遇到它。当然，这一切所作所为全靠我的暴力程序，其经历了许多更改，令其能够并发解决若干问题。尽管如此，这篇文章明面上仍然比较笼统和尽可能简单，这就是为什么它也适合那些对暴力一无所知的人。

这篇文章的重点在于如何利用MetaTrader 5的内置指标来甄别逆势信号。在上一篇文章的基础上，我们将进一步探讨如何使用MQL5代码将我们的想法最终用代码实现。

让我们来概述一下 EA 开发的主要阶段。首先要做的一件事就是优化所开发交易策略的单个实例。让我们试着在一个地方收集优化过程中测试器通过的所有必要信息。

本文探讨了经济新闻发布、投资者行为以及各种因素如何影响市场趋势的反转。文章包含一段视频解释，并接着将MQL5代码融入我们的程序中，以检测趋势反转、向我们发出警报，并根据市场条件采取相应行动。本文是在此前一系列文章基础上的扩展。

我们将会把关键的MQL5代码分解成特定的代码段，以展示如何在本系列文章中创建的“趋势约束”指标中集成Telegram和WhatsApp来接收信号通知。这将帮助交易者，无论是新手还是经验丰富的开发者，都能更容易地理解这一概念。首先，我们将介绍MetaTrader 5的通知设置及其对用户的重要性。这将有助于开发者提前做好笔记，以便在他们的系统中做进一步应用。

在第三部分中，我们重新审视了早前开发的简单对冲和简单网格智能系统（EA）。我们的重点转移到通过数学分析和蛮力方式完善简单对冲 EA，旨在实现最优策略用法。本文深入探讨了该策略的数学优化，为在日后文章中探索未来基于编码的优化奠定了基础。

使用准备好的训练数据集中的数据对模型进行离线训练，这种方法虽然有一定的优势，但其不利的一面是，环境信息被大大压缩到训练数据集的大小。这反过来又限制了探索的可能性。在本文中，我们将探讨一种方法，这种方法可以用尽可能多样化的数据来填充训练数据集。

SMC（订单块）是机构交易者发起大规模买入或卖出的关键区域。当价格出现显著波动后，借助斐波那契数字可识别从近期波段高点至波段低点的潜在回撤，从而锁定最佳进场位。

在本文中，我们将研究使用机器学习的因果推理理论，以及 Python 中的自定义方法实现。因果推理和因果思维植根于哲学和心理学，在我们理解现实中起着重要作用。

本文的目标是证明在算法交易中使用风险管理器的必要性，并在一个单独的类中实现控制风险的策略，以便每个人都可以验证标准化的风险管理方法在金融市场日内交易和投资中的有效性。在本文中，我们将为算法交易创建一个风险管理类。本文是上一篇文章的延续，在前文中我们讨论了为手动交易创建风险管理器。

金融市场通常被静态划分为震荡市或趋势市两种模式。这种简化分类虽便于短期交易决策。然而，却与真实市场行为脱节。在本文中，我们将深入探讨市场如何精准地在这两种模式间切换，并利用这方面的认知提升算法交易策略的可靠性。

范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。

在上一篇文章中，我们为数据聚类创建了一个类。 在本文中，我想分享在解决实际交易任务时应用所获结果会遇到的可能变体。

无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。

在本文中，我们将亲眼见证如何在简单地利用 MQL5 语言锁定指标，我们将以一种非常有趣和迷人的方式做到这一点。

随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。

我们继续讨论时间序列的分段线性表示的运用，这在前一篇文章中已经开始。今天，我们要看看如何将该方法与其它时间序列分析方法相结合，从而提高价格趋势预测品质。

聪明资金概念（结构突破）与 RSI 指标相结合，可根据市场结构做出明智的自动交易决策。

在本文中，我们将基于MQL5开发趋势盘整动量策略EA。我们将结合双移动平均线交叉与 RSI 和 CCI 动量过滤器来生成交易信号。我们还将对EA进行回测，以及为提升其在真实交易环境下的表现而进行的优化。

由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。

当价格回到先前确定的公允价值缺口位置，且未表现出预期的支撑或阻力反应，而是无视该缺口时，便出现了逆公允价值缺口（IFVG）。这种“无视”现象可能预示着市场方向的潜在转变，并为反向交易提供优势。在本文中，我将介绍自己开发的量化方法，以及如何将IFVG作为一种策略，应用于MetaTrader 5智能交易系统（EA）中。

不仅在 MQL5 编程中，在任何编程语言中，变量和数据类型都是非常重要的主题。MQL5 变量和数据类型可分为简单类型和高级类型。在这篇文章中，我们将识别并学习高级类型，因为我们在前一篇文章中已经提到过简单类型。

这篇文章深入探讨了约翰·纳什的博弈论，特别是纳什均衡，在交易中的应用。文章讨论了交易者如何利用Python脚本和MetaTrader 5，依据纳什的原则来识别并利用市场的无效性。文章还提供了实施这些策略的逐步指南，包括使用隐马尔可夫模型（HMM）和统计分析，以提升交易表现。