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。
软件开发和 MQL5 中的设计模式（第 2 部分）：结构模式
在了解了设计模式适用于 MQL5 和其他编程语言，并且对于开发人员开发可扩展、可靠的应用程序有多么重要之后，我们将在本文中继续介绍设计模式。我们将学习另一种类型的设计模式，即结构模式，了解如何利用我们所拥有的类组成更大的结构来设计系统。
神经网络变得简单（第 62 部分）：在层次化模型中运用决策转换器
在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。
神经网络变得简单（第 89 部分）：频率增强分解变换器（FEDformer）
到目前为止，我们研究过的所有模型在分析环境状态时都将其当作时间序列。不过，时间序列也能以频率特征的形式表示。在本文中，我将向您介绍一种算法，即利用时间序列的频率分量来预测未来状态。
开发先进的 ICT 交易系统：在指标中实现订单区块
在本文中，我们将学习如何创建一个指标来检测、绘制订单区块并提醒订单块的缓解。我们还将详细研究如何在图表上识别这些区块，设置准确的提醒，并使用矩形可视化它们的位置，以更好地了解价格行为。该指标将成为遵循聪明钱概念和内圈交易者（ICT，Inner Circle Trader）方法的交易者的关键工具。
威廉·江恩（William Gann）方法（第二部分）：创建江恩宫格指标
我们将基于“江恩九宫格”创建一个指标，该指标通过时间和价格方格构建而成。我们将提供指标代码，并在平台上针对不同的时间区间，对该指标进行测试。
利用 MQL5 的交互式 GUI 改进您的交易图表（第 II 部分）：可移动 GUI（II）
依靠我们的以 MQL5 创建可移动 GUI 的深度指南，在您的交易策略和实用程序中解锁动态数据表达的潜力。深入研究面向对象编程的基本原理，并探索如何在同一图表上轻松高效地设计和实现单个或多个可移动 GUI。
神经网络变得简单（第 64 部分）：保守加权行为克隆（CWBC）方法
据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。
创建一个基于布林带PIRANHA策略的MQL5 EA
在本文中，我们将创建一个MQL5 EA，它基于PIRANHA策略，并使用布林带来提升交易表现。我们会系统梳理该策略的核心原理、代码实现细节，以及测试与优化方法。并助您轻松将 EA 部署到实际的交易环境中。
在 MQL5 中自动化交易策略（第 13 部分）：构建头肩形态交易算法
在本文中，我们将自动化 MQL5 中的头肩形态。我们分析其架构，实现一个用于检测和交易该形态的 EA，并对结果进行回测。这个过程揭示了一个具有改进空间的实用交易算法。
数据科学和机器学习（第 16 部分）：全新面貌的决策树
在我们的数据科学和机器学习系列的最新一期中，深入到错综复杂的决策树世界。本文专为寻求策略洞察的交易者量身定制，全面回顾了决策树在分析市场趋势中所发挥的强大作用。探索这些算法树的根和分支，解锁它们的潜力，从而强化您的交易决策。加入我们，以全新的视角审视决策树，并探索它们如何在复杂的金融市场航行中成为您的盟友。
日内交易：拉里·康纳斯（Larry Connors）RSI2均值回归策略
拉里·康纳斯（Larry Connors）是知名交易员与量化交易领域权威作家，其最著名的成果之一是2周期相对强弱指数（RSI2）策略。该指标通过捕捉短期超买超卖信号，辅助判断市场反转时机。在本文中，我们将首先阐述研究契机，随后在MQL5中复现康纳斯的三大经典策略，并应用于标普500指数差价合约（CFD）的日内交易场景。
MQL5自动化交易策略（第十一部分）：开发多层级网格交易系统
在本文中，我们将使用MQL5开发一款多层级网格交易系统EA，重点探讨网格交易策略背后的架构与算法设计。我们将研究多层网格逻辑的实现方式以及应对不同市场状况的风险管理技术。最后，我们将提供详尽的解释和实用技巧，指导您完成自动化交易系统的构建、测试与优化。
MQL5 中的范畴论 (第 8 部分)：幺半群（Monoids）
本文是以 MQL5 实现范畴论系列的延续。 本期，我们引入幺半群作为域（集合），通过包含规则和幺元，将范畴论自其它数据分类方法分离开来。
MQL5自动化交易策略（第十一部分）：开发多层级网格交易系统
在本文中，我们将使用MQL5开发一款多层级网格交易系统EA，重点探讨网格交易策略背后的架构与算法设计。我们将研究多层网格逻辑的实现方式以及应对不同市场状况的风险管理技术。最后，我们将提供详尽的解释和实用技巧，指导您完成自动化交易系统的构建、测试与优化。
神经网络变得轻松（第二十八部分）：政策梯度算法
我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。
神经网络变得简单（第 68 部分）：离线优先引导政策优化
自从第一篇专门讨论强化学习的文章以来，我们以某种方式触及了 2 个问题：探索环境和检定奖励函数。最近的文章曾专门讨论了离线学习中的探索问题。在本文中，我想向您介绍一种算法，其作者完全剔除了奖励函数。
利用 Python 实现价格走势离散方法
我们将考察使用 Python + MQL5 来离散价格的方法。在本文中，我将分享我开发 Python 函数库的实践经验，其以多种方式实现柱线形成 — 从经典的交易量和范围柱线，到更奇特的方法，如 Renko 和 Kagi。我们将研究三线突破蜡烛和范围柱线，分析它们的统计数据，并尝试定义如何将价格以离散化表示。
通过配对交易中的均值回归进行统计套利：用数学战胜市场
本文描述了投资组合层面的统计套利基础知识。其目标是帮助没有深厚数学知识的读者理解统计套利的原则，并提出一个概念性的起点框架。文章包含一个可运行的智能交易系统（EA）、一些关于其一年回测的笔记，以及用于复现实验的相应回测配置设置（.ini 文件）。
在 MQL5 中创建交互式图形用户界面（第 2 部分）：添加控制和响应
通过动态功能增强 MQL5 图形用户界面（GUI）面板，可以大大改善用户的交易体验。通过整合互动元素、悬停效果和实时数据更新，该面板成为现代交易者的强大工具。
在MQL5中实现基于抛物线转向指标（Parabolic SAR）和简单移动平均线（SMA）的快速交易策略算法
在本文中，我们将在MQL5中开发一个快速交易EA，利用抛物线SAR和简单移动平均线（SMA）指标来创建一个响应迅速的交易策略。我们详细介绍了该策略的实施过程，包括指标的使用、信号的生成以及测试和优化过程。
构建K线图趋势约束模型（第一部分）：针对EA和技术指标
本文面向初学者和专业的MQL5开发者。它提供了一段代码，用于定义并限制信号生成指标仅在较长的时间框架的趋势中运行。通过这种方式，交易者可以通过融入更广泛的市场视角来增强他们的策略，从而可能产生更稳健和可靠的交易信号。
神经网络变得简单（第 92 部分）：频域和时域中的自适应预测
FreDF 方法的作者通过实验证实了结合频域和时域进行预测的优势。不过，权重超参数的使用对于非稳态时间序列并非最优。在本文中，我们将领略结合频域和时域预测的自适应方法。
MQL5自动化交易策略（第九部分）：构建亚洲盘突破策略的智能交易系统（EA）
在本文中，我们将在MQL5中开发一款适用于亚洲盘突破策略的智能交易系统（EA），用来计算亚洲时段的高低价以及使用移动平均线（MA）进行趋势过滤。同时实现动态对象样式、用户自定义时间输入和完善的风险管理。最后演示回测与优化技术，进一步打磨策略表现。
开发多币种 EA 交易（第 17 部分）：为真实交易做进一步准备
目前，我们的 EA 使用数据库来获取交易策略单个实例的初始化字符串。然而，这个数据库相当大，包含许多实际 EA 操作不需要的信息。让我们尝试在不强制连接到数据库的情况下确保 EA 的功能。
用Python重塑经典策略：移动平均线交叉
在本文中，我们重新审视了经典的移动平均线交叉策略，以评估其当前的有效性。鉴于该策略自诞生以来已经过去了很长时间，我们探索了人工智能可能为其带来的潜在增强效果。通过融入人工智能技术，我们旨在利用高级的预测能力来潜在地优化交易的入场和出场点，适应不断变化的市场条件，并与传统方法相比提高整体表现。
开发回放系统（第 37 部分）：铺平道路 (一)
在这篇文章中，我们终于要开始做我们早就想做的事情了。之前，由于缺乏 "坚实的基础"，我没有信心公开介绍这部分内容。现在我有了这样做的基础。我建议您尽可能集中精力理解本文的内容。我指的不仅仅是阅读，我想强调的是，如果你不理解这篇文章，你可能就是完全放弃了理解以后文章内容的希望。
神经网络变得简单（第 71 部分）：目标条件预测编码（GCPC）
在之前的文章中，我们讨论了决策转换器方法，以及从其衍生的若干种算法。我们测验了不同的目标设定方法。在测验期间，我们依据各种设定目标的方式进行操作。然而，该模型早期研究时验算过的轨迹，始终处于我们的关注范围之外。在这篇文章中。我想向您介绍一种填补此空白的方法。
神经网络变得简单（第 90 部分）：时间序列的频率插值（FITS）
通过研究 FEDformer 方法，我们打开了时间序列频域表述的大门。在这篇新文章中，我们将继续一开始的主题。我们将研究一种方法，据其我们不仅能进行分析，还可以预测特定区域的后续状态。