Yuriy Bykov / 个人资料

在本文中，我们将探讨在公共存储库中组织项目源代码存储的一种可能的方法。我们将把代码分发到不同的分支，为项目开发建立清晰方便的规则。

При параллельной работе многих стратегий может возникнуть желание время от времени закрывать все открытые позиции и начинать работу стратегий заново. Уже написанный код позволяет реализовать такое поведение только вместе с ручными манипуляциями. Попробуем автоматизировать эту часть.

При возникновении необходимости вывести текстовую информацию на график мы можем воспользоваться функцией Comment(). Но её возможности достаточно сильно ограничены. Поэтому, в рамках этой статьи, мы создадим собственный компонент — диалоговое окно на весь экран, способное выводить многострочный текст с гибкими настройками шрифта и поддержкой прокрутки.

Прежде, чем двигаться дальше в разработке мультивалютных советников, попробуем переключиться на создание нового проекта, использующего разработанную библиотеку. На этом примере выявим, как лучше организовать хранение исходного кода, и как нам может помочь использование нового репозитория кода от MetaQuotes.

在 MetaEditor 中处理项目时，开发人员经常需要管理代码版本。MetaQuotes 最近宣布迁移到 GIT，并推出具有代码版本控制和协作功能的 MQL5 Algo Forge。在本文中，我们将讨论如何更有效地使用新的和以前存在的工具。

В данной статье продолжим подключить новую стратегию к созданной системе автоматической оптимизации. Посмотрим, какие изменения потребуется внести в советник создания проекта оптимизации и советники второго и третьего этапов.

In this article, we will look at how to connect a new strategy to the auto optimization system we have created. Let's see what kind of EAs we need to create and whether it will be possible to do without changing the EA library files or minimize the necessary changes.

We aim to create a system for automatic periodic optimization of trading strategies used in one final EA. As the system evolves, it becomes increasingly complex, so it is necessary to look at it as a whole from time to time in order to identify bottlenecks and suboptimal solutions.

If we are going to automate periodic optimization, we need to think about auto updates of the settings of the EAs already running on the trading account. This should also allow us to run the EA in the strategy tester and change its settings within a single run.

为了取得进一步的进展，最好看看我们是否可以通过定期重新运行自动优化并生成新的 EA 来改进结果。关于使用参数优化的许多争论中的绊脚石是，在将盈利能力和回撤保持在指定水平的同时，所获得的参数在未来一段时间内可用于交易的时间有多长。有可能做到这一点吗？

我们已经创建了不少有助于安排自动优化的组件。在创建过程中，我们遵循了传统的循环结构：从创建最小的工作代码到重构和获得改进的代码。是时候开始清理我们的数据库了，这也是我们正在创建的系统中的一个关键组件。

到目前为止，我们已经探讨了仅在标准策略测试器中启动顺序程序以优化 EA 的自动化。但是，如果我们想在两次启动之间使用其他方法对获得的数据进行一些处理呢？我们将尝试添加创建由用 Python 编写的程序执行的新优化阶段的功能。

让我们继续将之前手动执行的步骤自动化。这一次，我们将回到第二阶段的自动化，即选择交易策略的最佳单实例组，并补充考虑远期实例结果的能力。

目前，我们的 EA 使用数据库来获取交易策略单个实例的初始化字符串。然而，这个数据库相当大，包含许多实际 EA 操作不需要的信息。让我们尝试在不强制连接到数据库的情况下确保 EA 的功能。

正在开发中的 EA 预计在与不同经纪商进行交易时都会表现出良好的效果。但目前我们一直使用 MetaQuotes 模拟账户的报价进行测试。让我们看看我们的 EA 是否准备好使用与测试和优化期间使用的报价不同的交易账户。

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。