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。
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。
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。
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。
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）。
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。
MQL5交易工具（第二部分）：为交互式交易助手添加动态视觉反馈
本文通过引入拖拽面板功能和悬停交互效果，对交易助手工具进行全面升级，使界面操作更直观且响应更迅速。我们优化了工具的实时订单验证机制，确保交易参数能根据市场价格动态校准。同时，我们通过回测验证了这些改进的可靠性。
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。
交易中的神经网络：基于 ResNeXt 模型的多任务学习
基于 ResNeXt 的多任务学习框架，优化了金融数据分析，可参考其高维度、非线性、和时间依赖性。使用分组卷积和专用头，令模型能有效从输入数据中提取关键特征。
价格行为分析工具包开发（第 23 部分）：货币强弱指标
你知道真正推动货币对走势的是什么吗？正是每种单一货币的强弱。在本文中，我们将通过遍历包含该货币的所有货币对，来衡量其强弱。这使我们能够根据它们的相对强弱来预测这些货币对可能的走势。请继续阅读以了解更多详情。
算法交易策略：人工智能（AI）铸就的“点金”之路
本文展示了利用机器学习创建黄金交易策略的一种方法。通过多角度考量所提出的金融时间序列分析与预测方法，相较于单纯依赖此类分析构建交易系统的其他方法，我们能够明确该方法的优势和劣势。
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。
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。
风险管理（第三部分）：构建风险管理主类
在本文中，我们将开始创建一个核心风险管理类，这将是控制系统风险的关键。我们将重点建立基础，定义基本结构、变量和函数。此外，我们将实施设定最大损益值的必要方法，从而为风险管理奠定基础。
使用MQL5经济日历进行交易（第十部分）：可拖动仪表盘与交互式悬停效果，实现流畅的新闻导航
在本文中，我们对MQL5经济日历进行了功能增强，引入了可拖动仪表盘，使用户能够重新定位界面，以获得更好的图表可视性。我们为按钮实现了悬停效果，以提高交互性，并确保通过动态定位的滚动条实现流畅的导航。
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。
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。
基于马尔可夫状态转移矩阵的神经网络自学习型EA
基于状态矩阵与神经网络的自训练智能交易系统（EA）我们将马尔可夫链与基于ALGLIB MQL5库开发的多层感知器（MLP）神经网络相结合。马尔可夫链与神经网络如何结合应用于外汇预测？
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。
图论：Dijkstra（迪杰斯特拉）算法在交易中的应用
Dijkstra（迪杰斯特拉）算法是图论中一种经典的最短路径解决方案，它可以通过对市场网络进行建模来优化交易策略。交易者可以利用它从 K 线图表数据中找到最高效的路线。
价格行为分析工具包开发（第三十部分）：商品通道指数（CCI）零线的EA
价格行为分析的自动化是未来发展趋势。在本文中，我们将运用双CCI指标、零线交叉策略、指数移动平均线（EMA）以及价格行为分析，开发一款能够生成交易信号，并利用平均真实波幅（ATR）设定止损（SL）和止盈（TP）水平的工具。请阅读本文，了解我们如何开发这款CCI零线的EA。
您应当知道的 MQL5 向导技术（第 61 部分）：结合 ADX 和 CCI 形态进行监督学习
ADX 振荡器和 CCI 振荡器是趋势跟踪和动量指标，可在开发智能系统时配对。我们考察如何使用机器学习的三大主要训练模式来将其系统化。向导汇编的智能系统令我们能够评估这两个指标所呈现的形态，我们从考察如何在监督学习中应用这些形态开始。
数据科学和机器学习（第 36 部分）：与偏颇的金融市场打交道
金融市场非是完美平衡。有些市场看涨，有些看跌，有些市场展现范围起伏行为，表明无论哪个方向都不确定，这些不平衡的信息在训练机器学习模型时可能会误导，在于市场频繁变化。在本文中，我们将讨论若干种途径来应对该问题。
在 MQL5 中实现其他语言的实用模块（第 01 部分）：构建受 Python 启发的 SQLite3 库
Python 中的 sqlite3 模块提供了一种使用 SQLite 数据库的简单方法，它既快速又方便。在本文中，我们将在内置的 MQL5 函数的基础上构建一个类似的模块，用于处理数据库，使在 MQL5 中使用 SQLite3 数据库更容易，就像在 Python 中一样。
价格走势：数学模型与技术分析
预测货币对走势是交易成功的重要因素。本文剖析各类价格运行模型，对比其优劣特性，并探究模型在交易策略中的实际落地方式。文中将介绍能够挖掘潜在行情规律、提升预测精准度的分析方法。
开发多币种 EA 交易（第 23 部分）：整理自动项目优化阶段的输送机（二）
我们的目标是创建一个系统，用于自动定期优化最终 EA 中使用的交易策略。随着系统的发展，它变得越来越复杂，因此有必要不时地将其视为一个整体，以确定瓶颈和次优解决方案。
MQL5 交易工具包（第 8 部分）：如何在代码库中实现和使用历史管理 EX5 库
在本系列的最后一篇文章中，我们将探讨如何轻松地将历史管理 EX5 库导入到 MQL5 源代码中，以处理 MetaTrader 5 账户中的交易历史记录。通过 MQL5 中简单的单行函数调用，可以高效管理和分析交易数据。此外，您还将学习如何创建不同的交易历史分析脚本，并开发基于价格的 EA 交易，作为实际用例示例。该示例 EA 利用价格数据和历史管理 EX5 库做出明智的交易决策、调整交易量，并根据先前已平仓的交易实施恢复策略。
通过协整股票实现统计套利（第一部分）：恩格尔 - 格兰杰检验与约翰森协整检验
本文旨在以适合交易者且通俗易懂的方式，介绍最常用的协整检验方法，并附带一份解读检验结果的简易指南。恩格尔 - 格兰杰检验与约翰森协整检验，能够识别出具备长期联动关系、且在统计上显著的资产配对或资产组合。约翰森检验尤其适用于包含三种及以上资产的投资组合，因其可一次性测算出所有协整向量的强度。
交易中的神经网络：搭配区段注意力的参数效率变换器（终篇）
在之前的工作中，我们讨论了 PSformer 框架的理论层面，其中包括经典变换器架构的两大创新：参数共享（PS）机制，以及时空区段注意力（SegAtt）。在本文中，我们继续实现所提议方式的 MQL5 版本。
您应当知道的 MQL5 向导技术（第 31 部分）：选择损失函数
损失函数是机器学习算法的关键量值，即量化给定参数集相比预期目标的性能来为训练过程提供反馈。我们在 MQL5 自定义向导类中探索该函数的各种格式。
交易中的神经网络：基于 ResNeXt 模型的多任务学习（终篇）
我们继续探索基于 ResNeXt 的多任务学习框架，其特征是模块化、高计算效率、及识别数据中稳定形态的能力。使用单一编码器和专用“头”可降低模型过度拟合风险，提升预测品质。
市场模拟（第二部分）：跨期订单（二）
与上一篇文章中所做的不同，这里我们将使用 EA 交易来测试选择选项。虽然这还不是最终的解决方案，但目前已经足够了。在本文的帮助下，您将能够理解如何实现一种可能的解决方案。
价格行为分析工具包开发（第 35 部分）：预测模型训练与部署
历史行情数据绝非 “无用糟粕”，而是所有稳健市场分析的根基。本文将带您循序渐进，从历史数据采集入手，利用数据训练预测模型，最终完成模型部署，实盘价格预测落地应用。继续往下阅读，掌握完整实现流程！
价格行为分析工具包开发（第三十三部分）：K线区间理论工具
提升您对市场的解读能力，这款适用于MetaTrader 5的K线区间理论套件是完全原生的MQL5解决方案，能将原始K线数据转化为实时波动率情报。轻量级的CRangePattern库会将每根K线的真实波幅与自适应ATR进行基准对比，并在K线收盘的瞬间完成形态分类；CRT指标随后会将这些分类结果以清晰的彩色矩形和箭头形式呈现在图表上，实时揭示市场的缩量盘整、强势突破以及全区间吞没形态。
您应当知道的 MQL5 向导技术（第 60 部分）：推理学习（Wasserstein-VAE），配合移动平均线和随机振荡器形态
我们将目光转向 MA 与随机振荡器的互补配对，实证推理学习在后监督学习与强化学习状况中扮演的角色。显然，推理学习有多种途径可供选择，不过我们的方式是使用变分自编码器。我们先以 Python 探索这些，然后将训练好的模型以 ONNX 格式导出，可在 MetaTrader 中供向导汇编智能系统所用。
辩证搜索（DA）
本文介绍了辩证算法（DA），这是一种受辩证法哲学概念启发的新的全局优化方法。该算法利用了人口中独特的划分，将其分为投机思想者和实践思想者。测试表明，在低维问题上，性能令人印象深刻，高达 98%，整体效率为 57.95%。本文解释了这些度量，并详细描述了算法和不同类型函数的实验结果。