文章，程序库评论 - 页 6

新文章 从新手到专家：MQL5交易的必备之旅 已发布： 释放您的潜力！您会被无数机会包围。发现开启您的MQL5之旅或将其提升到更高水平的三大顶级秘诀。让我们深入探讨适合初学者和专业人士的技巧和窍门。 我将引导您创建一个符合你需求的可运行程序，并激励你开始行动。本文的目标是通过简化算法开发流程并结合新兴技术，让MQL5社区对于用户变得更加友好。 得益于易于获取的教育资源，算法交易环境相比几年前已经变得比较友好。以下是一些指导我关注焦点的问题，也希望它们能激励您： 初学者如何高效地学习和掌握MQL5的基础知识？ MQL5学习者有哪些资源可以快速战胜特定的编码挑战？

新文章 MetaTrader 移动终端中的 MetaQuotes ID已发布： Android 和 iOS 设备为我们提供了许多功能，有一些甚至连我们自己都不知道。这些功能的其中之一就是推送通知，这允许我们接收个人消息，而不会拘于我们的电话号码或移动网络运营商。MetaTrader 移动终端已经能够从您的自动交易接收这样的消息。您只需要知道设备的 MetaQuotes ID。超过 200 000 台移动终端已经收到它。 作者：MetaQuotes Software Corp.

新文章 将您自己的 LLM 集成到 EA 中（第 3 部分）：使用 CPU 训练自己的 LLM 已发布： 在人工智能飞速发展的今天，大语言模型（LLM）是人工智能的重要组成部分，所以我们应该思考如何将强大的 LLM 融入到我们的算法交易中。对于大多数人来说，很难根据他们的需求微调这些强大的模型，在本地部署它们，然后将它们应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。 在本系列的前一篇文章中，我们讨论了运行大型语言模型的基本环境设置，并在 WSL 中使用 llama.cpp 运行了一个简单的 LLM 实例。最令人兴奋的是，即使没有强大的 GPU，您仍然可以纯粹用 CPU

新文章 基于套接字（Sockets）的Twitter情绪分析 已发布： 这种创新的交易机器人将 MetaTrader 5 与 Python 结合，利用实时社交媒体情绪分析为自动化交易决策提供支持。通过分析与特定金融工具相关的 Twitter 情绪，该机器人将社交媒体趋势转化为可操作的交易信号。它采用客户端-服务器架构，并通过套接字通信实现无缝交互，将 MT5 的交易能力与 Python

新文章 基于转移熵的时间序列因果分析 已发布： 在本文中，我们讨论了如何将统计因果关系应用于识别预测变量。我们将探讨因果关系与传递熵（Transfer Entropy, TE）之间的联系，并展示用于检测两个变量之间信息方向性传递的MQL5代码。

新文章 使用MQL5与Python构建自我优化的智能交易系统 已发布： 在本文中，我们将讨论如何构建能够根据当前市场条件自主选择和更改交易策略的EA。我们将学习马尔可夫链（Markov Chains）以及它们如何帮助我们作为算法交易者。 马尔可夫研究了许多需要他模拟完全随机过程的问题，这与我们处理市场动态的不可预测性挑战类似。他正式描述了一个框架，即今天所知的“马尔可夫链”。让我们直观地理解它。 想象你管理一家在德国提供公交服务超过70年的公共交通公司。公司正在考虑增加更多公交车到车队，而你作为经理，必须决定哪些目的地应该增加更多公交车，哪些则不值得进一步投资。

新文章 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 已发布： 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。 有七个组件将实现自动化。第一个组件是单击关闭按钮时面板的关闭。我们打算在单击此按钮时删除所有面板元素。其次，当点击仓位管理按钮时，按钮将根据指示关闭各自的仓位和订单。例如，当我们点击 "盈利" 按钮或标签时，就会关闭所有盈利的仓位。第三个自动化将针对交易量组件。单击它的实体后，将创建一个选项的下拉列表，供用户选择交易选项。

新文章 神经网络变得简单（第 92 部分）：频域和时域中的自适应预测 已发布： 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。 时域和频域是分析时间序列数据的两种基本表现形式。在时域中，分析侧重于振幅随时间的变化，从而允许识别信号中的局部依赖关系和瞬态。相反，频域分析旨在依据频率分量来表示时间序列，以供深入透视数据的全局依赖关系和频谱特征。结合这两个领域的优势是解决在实时序列中混合不同周期形态问题的一种颇有前景的方式。此处的问题是如何有效地结合时域和频域的优点。

新文章 交易账户监控是一个不可或缺的交易者工具已发布： 交易账户监控提供了关于所有已完成交易的详细报告。所有的交易统计数据都是自动收集的，并以易于理解的图形和图表形式提供给您。 作者：MetaQuotes Software Corp.

新文章 自定义指标：为净额结算账户绘制部分入场、出场和反转交易 已发布： 在本文中，我们将探讨在MQL5中创建指标的一种非标准方法。我们的目标不是专注于趋势或图表形态，而是管理我们自己的仓位，包括部分入场和出场。我们将广泛使用动态矩阵以及一些与交易历史和未平仓头寸相关的交易函数，以在图表上显示这些交易发生的位置。 正如文章标题所暗示的，这个指标只适用于净额结算系统账户才有意义。在这种系统中，只允许持有一个相同交易品种的头寸。如果我们朝一个方向交易，头寸规模将增加。如果交易是朝相反方向进行的，那么未平仓头寸将有三种可能的情况： 新的交易量较小 -> 头寸减少 交易量相等 -> 头寸关闭

新文章 重塑经典策略（第二部分）：布林带突破 已发布： 本文探讨了一种将线性判别分析（LDA）与布林带相结合的交易策略，利用对市场区域的分类预测来生成战略性入场信号。 “人工智能”（AI）这个词可能是历史上最具误导性的命名惯例之一。读完本文后，你可能会同意AI是一个误称。作为作者，我对“智能”这个词有疑问。人工智能模型并非以人类意义上的智能存在。相反，它们是优化算法的智能应用。

新文章 从基础到中级：变量（II） 已发布： 今天，我们将探讨如何使用静态变量。这个问题常常让许多程序员感到困惑，无论是初学者还是有一定经验的开发者，因为使用这一机制时需要遵循一些特定的建议。本文旨在为教学目的提供材料。在任何情况下，应用程序都应仅用于学习和掌握所介绍的概念。 在上一篇文章 《从基础到中级：变量（I）》 中，我们开始讨论变量及其相关方面。例如，我们探讨了如何将变量转换为常量。我们还讨论了变量的生命周期和可见性。 在这里，我们将继续这一主题，假设读者已经正确理解了之前的材料。当谈到变量的生命周期和可见性时，对于初学者来说可能会有些难以理解。原因在于，很多时候我们 不希望

新文章 结合基本面和技术分析策略在MQL5中的实现（适合初学者） 已发布： 在本文中，我们将讨论如何将趋势跟踪和基本面原则无缝整合到一个EA中，以构建一个更加稳健的交易策略。本文将展示任何人都可以轻松上手，使用MQL5构建定制化交易算法的过程。 基本面分析基于对市场运作方式的理解。在我们的讨论中，我们将专注于货币对，并构建我们的交易算法以利用我们对外汇市场及其主要参与者的理解。 图1：AUDJPY货币对的基本面分析示例。 基本面交易者经常讨论支撑和阻力，尽管这些概念并没有明确的定义。我想从基本面的角度提供一种可能的解释。

新文章 从基础到中级：变量（I） 已发布： 许多初学者很难理解为什么他们的代码没有按他们预期的方式运行。让代码真正发挥作用的因素有很多。代码能够正常运行，不仅仅是因为它包含了一系列不同的函数和操作。今天，我邀请您学习如何正确地编写真正的代码，而不是简单地复制粘贴代码段。这里呈现的材料仅供教学目的。在任何情况下，这些应用不应该被用于学习和掌握所介绍概念之外的其他目的。 许多人错误地认为计算机程序是基于函数和方法构建的。实际上这种假设是错误的。计算机程序大多是基于变量构建的。没有程序是为了其他目的而创建或提供的。其目的始终是使变量可知且可用。

新文章 您应当知道的 MQL5 向导技术（第 21 部分）：配以财经日历数据进行测试 已发布： 默认情况下，财经日历数据在策略测试器中不可用于智能系统测试。我们看看数据库能如何提供帮助，绕过这个限制。故此，在本文中，我们会探讨如何使用 SQLite 数据库来存档财经日历新闻，如此这般，由向导组装的智能系统就可以用它来生成交易信号。

新文章 适应性社会行为优化（ASBO）：两阶段演变 已发布： 我们继续探讨生物体的社会行为及其对新数学模型 ASBO（适应性社会行为优化）开发的影响。我们将深入研究两阶段演变，测试算法并得出结论。正如在自然界中，一群生物体共同努力生存一样，ASBO 使用集体行为原理来解决复杂的优化问题。 在 前一篇文章 中，我们讨论了 Schwefel 概念的一个例子，其中包括正态分布、自适应变异率的使用以及通过适应度值确定最近邻的函数。现在，我们的研究进入了一个新阶段，我们将分两个阶段完成算法的数学模型 -

新文章 S&P 500交易策略在MQL5中的实现（适合初学者） 已发布： 了解如何利用MQL5精准预测标普500指数，结合经典技术分析以增强稳定性，并将算法与经过时间验证的原则相结合，以获得稳健的市场洞察。 我们可以在互联网上轻松获取指数中包含的公司列表。我们可以利用对指数构成的理解来帮助我们创建交易策略。我们将选择指数中的一些最大公司，并使用每家公司的价格作为输入，输入到一个AI模型中，该模型将基于我们样本中权重较大的公司来预测指数的收盘价。我们的目标是开发一个结合AI和经过时间检验的技术的策略。 我们的技术分析系统将采用趋势跟踪原则来生成交易信号。我们需要纳入几个关键指标：

新文章 用Python和MQL5进行投资组合优化 已发布： 本文探讨了使用Python和MQL5结合MetaTrader 5进行高级投资组合优化的技术。文章展示了如何开发用于数据分析、资产配置和交易信号生成的算法，强调了在现代金融管理和风险缓解中数据驱动决策的重要性。

新文章 MQL5 交易工具包（第 2 部分）：扩展和实现仓位管理 EX5 库 已发布： 了解如何在 MQL5 代码或项目中导入和使用 EX5 库。在这篇续文中，我们将通过向现有库中添加更多仓位管理功能并创建两个 EA 交易系统来扩展 EX5 库。第一个例子将使用可变指数动态平均（Variable Index Dynamic Average，VIDYA）技术指标来开发追踪止损交易策略 EA 交易，而第二个例子将利用交易面板来监控、开仓、平仓和修改仓位。这两个例子将演示如何使用和实现升级后的 EX5 仓位管理库。 在 第一篇文章 中，我们详细分析了 MQL5

新文章 在MetaTrader 5中实现基于EMA交叉的级联订单交易策略 已发布： 本文介绍一个基于EMA交叉信号的自动交易算法，该算法适用于MetaTrader 5平台。文章详细阐述了在MQL5中开发一个EA所需的方方面面，以及在MetaTrader 5中进行测试的过程——从分析价格区间行为到风险管理。 以下是移动平均线与价格数据对比的图示。该图示包括价格序列、快速移动平均线（10日指数移动平均线）和慢速移动平均线（20日指数移动平均线）。

新文章 神经网络变得简单（第 91 部分）：频域预测（FreDF） 已发布： 我们继续探索时间序列在频域中的分析和预测。在本文中，我们将领略一种在频域中预测数据的新方法，它可被加到我们之前研究过的众多算法当中。 日益博得追捧的模型当中，那些基于 变换器 架构的模型会用到 自关注 机制进行动态自相关评测。还有，我们还看到在预测模型中运用频域分析的兴趣正在提升。输入数据序列以频域表示有助于避免自相关性描述的复杂性，并提升各种模型的成效。

新文章 交易中的混沌理论（第一部分）：简介、在金融市场中的应用和李亚普诺夫指数 已发布： 混沌理论可以应用于金融市场吗？在这篇文章中，我们将探讨传统混沌理论和混沌系统与比尔·威廉姆斯提出的概念有何不同。 传统的混沌理论和比尔·威廉姆斯（Bill Williams）的“混沌”概念有很大不同。前者依赖于严格的数学原理，并使用复杂的工具来分析系统。而后者使用直观的方法和技术指标，如鳄鱼和分形，它们与混沌的数学理论没有直接联系。

新文章 您应当知道的 MQL5 向导技术（第 20 部分）：符号回归 已发布： 符号回归是一种回归形式，它从最小、甚或没有假设开始，而底层模型看起来应当映射所研究数据集。尽管它可以通过贝叶斯（Bayesian）方法、或神经网络来实现，但我们看看如何使用遗传算法实现，从而有助于在 MQL5 向导中使用自定义的智能信号类。 我们继续这些系列，在其中我们看到能够快速编码、测试、或许能部署的算法，这一切都归功于 MQL5 向导，它不仅拥有标准交易函数和类库，能贴合智能系统编码，而且还有能与任何自定义类实现并行运行的替代交易信号和方法。 符号回归 是回归分析的一种变体，与它的传统表亲 经典回归

新文章 开发多币种 EA 交易系统（第 15 部分）：为真实交易准备 EA 已发布： 当我们逐渐接近获得一个现成的 EA 时，我们需要注意在测试交易策略阶段看似次要的问题，但在转向真实交易时变得重要。 现在，让我们从 EA 的工作中暂时中断一小段时间。试运行后，结果与没有中断时完全一样。这表明在短暂中断后，EA 成功恢复状态并继续工作。 要想知道其中的差别，我们可以中断更长的时间，比如 4 个月。我们得到以下结果： 在图表上，带黄色边框的矩形显示了大致的中断位置。此时，EA 开设的仓位被放弃。但随后，EA 恢复了行动，拾起了未平仓位，并取得了普遍良好的结果。因此，可认为保存和加载 EA

新文章 您应当知道的 MQL5 向导技术（第 19 部分）：贝叶斯（Bayesian）推理 已发布： 贝叶斯（Bayesian）推理是运用贝叶斯定理，在获得新信息时更新概率假设。这在直观上倾向于时间序列分析中的适应性，那么我们来看看如何运用它来构建自定义类，不仅针对信号，还有资金管理、和尾随破位。 我们通过回顾 贝叶斯推理 来继续开发 MQL5

趋势均衡指标 TrendEQ : 趨勢均衡指標 TrendEQ 透過結合動量和波動性來動態分析市場趨勢。透過根據市場走勢衡量動量，TrendEQ 提供了趨勢強度和方向的可靠衡量標準。 作者： Simon Draxler

新文章 神经网络实践：伪逆 (二) 已发布： 由于这些文章本质上是教育性的，并不打算展示特定功能的实现，因此我们在本文中将做一些不同的事情。我们将重点介绍伪逆的因式分解，而不是展示如何应用因式分解来获得矩阵的逆。原因是，如果我们能以一种特殊的方式来获得一般系数，那么展示如何获得一般系数就没有意义了。更好的是，读者可以更深入地理解为什么事情会以这种方式发生。那么，现在让我们来弄清楚为什么随着时间的推移，硬件正在取代软件。 在上一篇文章 " 神经网络实践：伪逆 (一) "中，我展示了如何使用 MQL5 库中的一个函数来计算伪逆。然而，与许多其他编程语言一样，MQL5

新文章 神经网络变得简单（第 90 部分）：时间序列的频率插值（FITS） 已发布： 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。 在之前的文章中，我们讨论了 FEDformer 方法，其使用频域来从时间序列中查找形态。不过，该方法所用的 变换器 很难称为轻量级模型。论文 《FITS：依据 10k 参数为时间序列建模》 提出了一种时间序列频率插值的方法（ 频率插值时间序列 - FITS

新文章 开发多币种 EA 交易系统（第 14 部分）：风险管理器的适应性交易量变化 已发布： 之前开发的风险管理器仅包含基本功能，让我们试着探讨其可能的开发方式，使我们能够在不干扰交易策略逻辑的情况下改善交易结果。 在本系列的 前一篇 文章中，我谈到了风险控制的主题，并开发了一个实现基本功能的风险管理器类。它允许设置最大每日损失水平和最大总损失水平，达到这两个水平时，交易停止，所有未结仓位被平仓。如果达到每日亏损限额，则第二天恢复交易；如果达到整体亏损限额，则根本不恢复交易。 大家可能还记得，风险管理器的可能发展领域是更平滑地改变仓位大小（例如，超过一半限额时减少两倍），以及更 "智能"

新文章 重塑经典策略（第三部分）：预测新高与新低 已发布： 在系列文章的第三部分中，我们将通过实证分析经典交易策略，探讨如何利用人工智能进行优化。本次研究聚焦于运用线性判别分析模型（LDA）预测价格走势中的更高高点与更低低点。 当采用价格行为策略的交易者分析某一标的时，他们通常会寻找强势趋势正在形成或即将消亡的迹象。一个众所周知的强势趋势正在形成的迹象是，价格水平收盘价高于先前的极端值，并继续以逐渐增大的步幅远离这些极端值。这俗称“新高”或“新低”，具体取决于价格移动的方向。