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 交易工具包（第 6 部分）：使用最新成交的挂单函数扩展历史管理 EX5 库
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。
开发回放系统（第 47 部分）：Chart Trade 项目（六）
最后，我们的 Chart Trade 指标开始与 EA 互动，以交互方式传输信息。因此，在本文中，我们将对该指标进行改进，使其功能足以与任何 EA 配合使用。这样，我们就可以访问 Chart Trade 指标，并像实际连接 EA 一样使用它。不过，我们将以比以前更有趣的方式来实现这一目标。
您应当知道的 MQL5 向导技术（第 29 部分）：继续学习率与 MLP
我们主要验证自适应学习率，圆满考察学习率对智能系统性能的敏感性。这些学习率旨在在训练过程中针对层中的每个参数进行自定义，故我们评估潜在收益相较于预期的性能损失。
开发回放系统（第 42 部分）：图表交易项目（I）
我们来创建一些更有趣的东西。我不想毁掉惊喜，故此紧随本文以便更好地理解。自本系列开发回放/模拟器系统的最开始，我就一直说，我们的意图是按相同的方式使用 MetaTrader 5 平台，无论正在开发的系统中，亦或真实市场中。重点是要正确完成。没有人愿意在训练和学习时用一种工具，而在战斗时不得不换另一种工具。
您应当知道的 MQL5 向导技术（第 15 部分）：协同牛顿多项式的支持向量机
支持向量机基于预定义的类，按探索增加数据维度的效果进行数据分类。这是一种监督学习方法，鉴于其与多维数据打交道的潜力，它相当复杂。至于本文，我们会研究进行价格行为分类时，如何运用牛顿多项式更有效地做到非常基本的 2-维数据实现。
交易中的神经网络：优化时间序列预测变换器（LSEAttention）
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。
交易中的神经网络：超点变换器（SPFormer）
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。
您应当知道的 MQL5 向导技术（第 36 部分）：依据马尔可夫（Markov）链的 Q-学习
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。
让新闻交易轻松上手（第4部分）：性能增强
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。
交易中的神经网络：免掩码注意力方式预测价格走势
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。
您应当知道的 MQL5 向导技术（第 41 部分）：深度-Q-网络
“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。
MQL5交易策略自动化（第十六部分）：基于结构突破（BoS）价格行为的午夜区间突破策略
本文将介绍如何在MQL5中实现午夜区间突破结合结构突破（BoS）价格行为策略自动化，并详细说明突破检测与交易执行的代码逻辑。我们为入场、止损和止盈设定了精确的风险参数。包含回测与优化方法，助力实战交易。
开发回放系统（第 34 部分）：订单系统 (三)
在本文中，我们将完成构建的第一阶段。虽然这部分内容很快就能完成，但我将介绍之前没有讨论过的细节。我将解释一些许多人不理解的问题。你知道为什么要按 Shift 或 Ctrl 键吗？
交易中的神经网络：场景感知物体检测（HyperDet3D）
我们邀请您来领略一种利用超网络检测物体的新方式。超网络针对主模型生成权重，允许参考具体的当前市场形势。这种方式令我们能够通过令模型适配不同的交易条件来提升预测准确性。
您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入
受限玻尔兹曼（Boltzmann）机是一种神经网络形式，开发于 1980 年代中叶，当时的计算资源非常昂贵。在其初创时，它依赖于 Gibbs 采样，以及对比散度来降低维度，或捕获输入训练数据集上的隐藏概率/属性。我们验证当 RBM 为预测多层感知器“嵌入”价格时，反向传播如何执行类似的操作。
基于通用 MLP 逼近器的EA
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。
市场模拟（第一部分）：跨期订单（一）
今天我们将开始第二阶段，研究市场回放/模拟系统。首先，我们将展示跨期订单的可能解决方案。我会向你展示解决方案，但它还不是最终的。这将是我们在不久的将来需要解决的一个问题的可能解决方案。
交易中的神经网络：搭配区段注意力的参数效率变换器（PSformer）
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）。
使用 MetaTrader 5 Python 构建类似 MQL5 的交易类
MetaTrader 5 Python 包提供了一种使用 Python 语言为 MetaTrader 5 平台构建交易应用程序的简便方法。虽然它是一个强大而有用的工具，但在创建算法交易解决方案方面，该模块不如 MQL5 编程语言那么容易。在本文中，我们将构建类似于 MQL5 中提供的交易类，以创建类似的语法，使在 Python 中创建交易机器人比在 MQL5 中更容易。
构建动态多品种EA（第三部分）：均值回归与动量策略
在本文中，我们将继续讲解构建动态多品种智能交易系统（EA）的第三部分内容，重点聚焦于均值回归策略与动量交易策略的融合。我们将详细拆解如何检测价格对均值的偏离（通过Z-分数）并据此执行交易，以及如何在多个外汇对上测算动量，以此确定交易方向。
原子轨道搜索（AOS）算法：改进与拓展
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。
神经网络变得简单（第 83 部分）：“构象”时空连续关注度转换器算法
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。
MQL5交易工具（第三部分）：构建用于策略交易的多时间周期扫描仪表盘
在本文中，我们将使用MQL5构建一个多时间周期扫描仪表盘，用于展示实时交易信号。我们设计了一个交互式网格界面，利用多种指标实现信号计算，并添加了关闭按钮。文章结尾将介绍回测结果以及该仪表盘在策略交易中的优势。
您应当知道的 MQL5 向导技术（第 47 部分）：配合时态差异的强化学习
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。
开发回放系统（第 55 部分）：控制模块
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。
开发回放系统（第 77 部分）：新 Chart Trade（四）
在本文中，我们将介绍创建通信协议时需要考虑的一些措施和预防措施。这些都是非常简单明了的事情，所以我们在本文中不会详细介绍。但要了解会发生什么，您需要了解文章的内容。
MQL5 交易策略自动化（第24篇）：集成风险管理与移动止损的伦敦时段突破系统
本文将搭建一套伦敦时段突破交易系统，可识别伦敦开盘前区间的突破机会，并支持自定义交易类型、风险参数来挂入挂单。系统内置移动止损、盈亏比、最大回撤限制等功能，同时配备控制面板，可实时监控与管理交易。
利用 MQL5 经济日历进行交易（第四部分）：在仪表盘中实现实时新闻更新
本文通过实现实时新闻更新来增强我们的经济日历仪表盘，以保持市场信息的时效性和可操作性。我们在 MQL5 中集成了实时数据获取技术，以持续更新仪表盘上的事件，从而提升界面的响应速度。此更新优化确保我们可以直接从仪表盘获取最新的经济新闻，从而基于最新数据优化交易决策。
您应当知道的 MQL5 向导技术（第 37 部分）：配以线性和 Matérn 内核的高斯过程回归
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。
交易中的神经网络：降低锐度强化变换器效率（SAMformer）
训练变换器模型需要大量数据，并且往往很困难，因为模型不擅长类推到小型数据集。SAMformer 框架通过避免糟糕的局部最小值来帮助解决这个问题。即使在有限的训练数据集上，也能提升模型的效率。
交易中的神经网络：探索局部数据结构
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。
MQL5 交易工具包（第 7 部分）：使用最近取消的挂单函数扩展历史管理 EX5 库
了解如何完成历史管理 EX5 库中最终模块的创建，重点关注负责处理最近取消的挂单的函数。这将为您提供使用 MQL5 有效检索和存储与已取消挂单相关的关键详细信息的工具。
神经网络变得简单（第 79 部分）：在状态上下文中的特征聚合查询（FAQ）
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。