有关MQL5交易系统自动化的文章

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。

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。

批量归一化是把数据投喂给机器学习算法（如神经网络）之前对数据进行预处理。始终要留意算法所用的激活类型，完成该操作。因此，我们探索在向导组装的智能系统帮助下，能够采取的不同方式，并从中受益。

我们概述多智代自适应投资组合优化框架（MASAAT），其结合了注意力机制和时间序列分析。MASAAT 生成一组智代，分析价格序列和方向变化，能够在不同细节层次识别资产价格的明显波动。

在本文中，我们将研究使回放/模拟系统更高效、更安全地运行的修改。我也不会对那些想要充分利用这些类的人置之不理。此外，我们将探讨 MQL5 中的一个特定问题，即在使用类时降低代码性能，并解释如何解决它。

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。

在开始将机器学习用于 MetaTrader 5 交易之前，必须先处理一个常被忽视的关键问题：数据泄露。本文深入剖析了数据泄露，尤其是 MetaTrader 5 时间戳陷阱，说明它如何扭曲模型表现并导致不可靠的交易信号。通过深入研究这一问题的机理并提出预防策略，我们为构建稳健的机器学习模型铺平了道路，这些模型能够在实时交易环境中提供值得信赖的预测结果。

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。

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。

“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。

正如 HypDIff 框架所提议，使用各向异性扩散过程针对双曲潜在空间中的初始数据进行编码，助力保留当前市场状况的拓扑特征，并提升其分析品质。在上一篇文章中，我们开始利用 MQL5 实现所提议的方式。今天，我们将继续我们已开始的工作，并得出合乎逻辑的结论。

本文中，我们在MQL5中开发了一个与包络线（Envelopes）趋势交易策略集成的区间补仓系统。我们概述了利用相对强弱指标（RSI）和包络线指标触发交易，并通过管理补仓区域来减轻亏损的架构。通过实现和回测，我们展示了如何为动态市场构建一套有效的自动化交易系统。

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。

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。

本文将深入探究配对交易的核心逻辑，以及相关性交易的运作机制。我们还将编写一套自动化配对交易EA，并为其加入基于历史数据的算法自动优化功能。此外，在整个项目中，我们还会学习如何通过 Z 值（Z-Score）计算两个交易品种之间的价差偏离度。

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。

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。

在本文中。我们将讨论一种复杂的多模态交互分析和特征理解的方法。

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。

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。

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。

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。

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。

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。

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？

在本文中，我们利用智能事件过滤和有针对性的日志来优化我们的经济日历，以便在实时和离线模式下实现更快、更清晰的回测。我们简化了事件处理程序，并将日志集中在关键交易和仪表盘事件上，从而增强了策略的可视化效果。这些改进使得对新闻驱动型交易策略进行顺畅的测试和优化成为可能。

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。

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。

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）。

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。

比尔·威廉姆斯（Bill Williams）的分形是一个强有力的指标，在价格图标上初现时很容易被忽视。它出现得过于繁忙，大概也不够精锐。我们的靶标是配以由向导汇编的智能系统针对所有指标进行前向漫游测试，检验其在各种形态下能够取得怎样的成果，从而揭开该指标的面纱。

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。

在本文中，我们将实现在先前文章中开发的风险管理系统，并添加在其他文章中描述的订单区块指标。此外，我们将进行一次回测，以便比较启用风险管理系统前后的结果，并评估动态风险的影响。