有关MQL5交易系统自动化的文章

近端政策优化是强化学习中的另一种算法，通常以网络形式以非常小的增量步幅更新政策，以便确保模型的稳定性。我们以向导汇编的智能系统来试验其作用，如同我们之前的文章一样。

成功运用算法交易需要持续的跨学科学习。然而，无限的可能性可能会耗费数年努力，却无法取得切实成果。为解决这一问题，我们提出一个循序渐进增加复杂性的框架，让交易者能够迭代优化策略，而非将无限时间投入不确定的结果中。

在本文中，我们将讨论混合交易系统 StockFormer，其结合了预测编码和强化学习（RL）算法。该框架用到 3 个变换器分支，集成了多样化多头注意力（DMH-Attn）机制，改进了原版的注意力模块，采用多头前馈模块，能够捕捉不同子空间中的多元化时间序列形态。

本文介绍了非洲水牛优化（ABO）算法，这是一种于2015年开发的元启发式方法，基于这些动物的独特行为。文章详细描述了算法实现的各个阶段及其在解决复杂问题时的效率，这使得它成为优化领域中一个有价值的工具。

在本文中，我们将讨论另一种模型类型，它们旨在研究环境状态的动态。

本文将利用专为高级分析而设计的外部库，探索一个全新的分析维度。这些库（如pandas）提供了强大的工具，用于处理和解读复杂数据，使交易者能够更深入地洞察市场动态。通过整合此类技术，我们能够整合原始数据与可执行策略之间的差距。加入我们，共同为这一创新方法奠定基础，并释放技术与交易专业知识相结合的潜力。

柔性参与者评论者是一种利用 3 个神经网络的强化学习算法。一名参与者网络和 2 个评论者网络。这些机器学习模型按主从伙伴关系配对，其中所建模评论者能提升参与者网络的预测准确性。在这些序列中引入 ONNX 的同时，我们探讨了如何将这些思路作为由向导汇编的智能系统的自定义信号，推进测试。

在本文中，我们将现有的用于从 MQL5 向 Telegram 发送消息和截图的代码重构为可重复使用的模块化函数。这将简化流程，实现跨多个实例的更高效执行和更轻松的代码管理。

我们继续上一篇文章中开启的工作，使用 MQL5 构建 RefMask3D 框架。该框架旨在全面研究点云中的多模态互动和特征分析，随后基于自然语言提供的描述进行目标对象识别。

动量振荡器是另一个用于衡量动量的比尔·威廉姆斯（Bill Williams）指标。它能生成多个信号，因此我们像之前的文章一样，利用 MQL5 向导类和汇编，在形态基础上审查这些信号。

本文将深入探讨改进EA在策略测试器中运行时间的方法，通过编写代码将新闻事件时间按小时分类。在指定的小时段内将访问这些新闻事件。这样确保了EA能够在高波动性和低波动性环境中高效管理事件驱动的交易。

强化学习是机器学习的三大信条之一，并肩两个是监督学习和无监督学习。因此，它在意的是最优控制，或学习最适合目标函数的最佳长期政策。正是在这种背衬下，我们探索其向一款由向导组装的智能系统中 MLP 中通知学习过程的可能作用。

加速器振荡指标是另一款比尔·威廉姆斯（Bill Williams）指标，它跟踪价格动量的加速，而不光是其速度。尽管很像我们在最近的一篇文章中回顾的动量（Awesome）振荡器，但它更专注于加速度，而不仅是速度，来寻求避免滞后效应。我们一如既往地验证我们可从中获得哪些形态，以及每种形态由向导汇编到智能交易系统后，在交易中具有的意义。

在本文中，我们将讨论免掩码注意力变换器（MAFT）方法，及其在交易领域的应用。不同于传统的变换器，即处理序列时需要数据掩码，MAFT 通过消除掩码需求来优化注意力过程，显著改进了计算效率。

在本文中，我们概述一种基于“超点变换器”（SPFormer） 的三维物体分段方法，其剔除了对中间数据聚合的需求。这加快了分段过程，并提高了模型的性能。

在本文中，我们将研究如何实现部分接收方代码。在这里我们将实现一个 EA 交易来测试和了解协议交互是如何工作的。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，我们将在 MQL5 经济日历仪表板中添加过滤器，以便通过货币、重要性和时间来细化新闻事件的显示。我们首先为每个类别建立过滤标准，然后将这些标准集成到仪表板中，以仅显示相关事件。最后，我们确保每个过滤器都能动态更新，为交易者提供专注的、实时的经济信息。

在本文中，我们将探讨如何将 Telegram 命令与 MQL5 集成，以自动在交易图表上添加指标。我们涵盖了解析用户命令、在MQL5中执行命令以及测试系统以确保基于指标的交易顺利进行的过程

本文讲述新的 PSformer 框架，其适配雏形变换器架构，解决与多元时间序列预测相关的问题。该框架基于两项关键创新：参数共享（PS）机制，和区段注意力（SegAtt）。

了解如何创建可导出的 EX5 函数，以高效查询和保存历史仓位数据。在本分步指南中，我们将通过开发检索最近平仓的关键属性的模块来扩展历史管理 EX5 库。这些属性包括净利润、交易持续时间、基于点的止损、止盈、利润值以及其他各种重要细节。

在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。

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。

在前一篇文章中，我们介绍了一个名为“四分位绘图脚本”的简单脚本。现在，我们在此基础上更进一步，创建一个用于监控的智能交易系统（EA），以跟踪这些四分位水平，并对这些价位可能引发的市场反应进行监督。请随我们一同探索在本篇文章中开发区域检测工具的过程。

“深度-Q-网络” 是一种强化学习算法，在机器学习模块的训练过程中，神经网络参与预测下一个 Q 值和理想动作。我们曾研究过另一种强化学习算法 “Q-学习”。本文因此出示了另一个如何配以强化学习训练 MLP 的示例，可于自定义信号类中所用。

LSEAttention 框架改进变换器架构。它是专为长期多变量时间序列预测而设计。该方法作者提议的方法能应用于解决雏形变换器经常遇到的熵坍缩、及学习不稳定问题。

我们继续研究层次化向量变换器方法。在本文中，我们将完成模型的构造。我们还会在真实历史数据上对其进行训练和测试。

在嘈杂的条件下有效识别和预存市场数据的局部结构是交易中的一项关键任务。运用自注意力机制在处理这类数据方面展现出可喜的结果；不过，经典方式并未考虑底层结构的局部特征。在本文中，我将引入一种能够协同这些结构依赖关系的算法。

了解如何创建可导出函数的 EX5 模块，无缝查询和保存最近填写的挂单数据。在本全面的分步指南中，我们将通过开发专用和分隔的函数来检索最后填写的挂单的基本属性，从而增强历史管理 EX5 库。这些属性包括订单类型、设置时间、执行时间、填充类型以及有效管理和分析挂单交易历史所需的其他关键细节。

时态差异是强化学习中的另一种算法，它基于智顾训练期间预测和实际奖励之间的差异更新 Q-值。它专门驻守更新 Q-值，而不介意它们的状态-动作配对。因此，我们考察如何在向导汇编的智能系统中应用这一点，正如我们在之前文章中所做的那样。

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。

本文介绍了一种在交易 EA 中使用神经网络的简单且易于实现的方法，该方法不需要深厚的机器学习知识。该方法免除了对目标函数进行归一化的步骤，同时克服了“权重爆炸”和“网络停滞”等问题，并提供了直观的训练过程和结果的可视化控制。

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。

在本文中，我们讨论定向扩散模型，其利用数据相关的各向异性、和定向噪声，在前向扩散过程中捕获有意义的图形表征。

本文介绍了最初是为天气预报而开发的“构象（Conformer）”算法，其变化多端之处可与金融市场相提并论。“构象（Conformer）”是一种复杂的方法。它结合了关注度模型和常微分方程的优点。

了解如何在 MQL5 中构建自定义指标。采用基于项目的方法。本初学者指南涵盖指标缓冲区、属性和趋势可视化，让您一步一步地学习。

在本文中，我们将开始创建 C_Orders 类，以便能够向交易服务器发送订单。我们将循序渐进地进行，目标是通过消息系统详细说明这一过程的具体实现方式。

本文实现了一个快速策略测试器，它使用Numba对机器学习模型进行快速策略测试。它的速度比纯 Python 策略回测器快 50 倍。作者推荐使用该库来加速数学计算，尤其是那些涉及循环的计算。