MQL5.com上的编程文章

在本文中，我们将尝试理解为什么像 MQL5 这样的编程语言有结构，为什么在某些情况下，结构是在函数和过程之间传递值的理想方式，而在其他情况下，它们可能不是最好的方式。

本文提出了一种新型元启发式算法——混沌博弈优化算法（CGO），该算法在处理高维问题时展现出独特的保持高效率的能力。与大多数优化算法不同，CGO在问题规模扩大时不仅不会降低性能，有时甚至还会提升性能，这便是其关键特性。

今天，我们将开始以更简单、更实用、更舒适的方式研究结构。结构是编程的基础之一，无论它们是否结构化。我知道很多人认为结构只是数据的集合，但我向你保证，它们不仅仅是结构。接下来，我们将以最富启发性的方式开始探索这个全新的宇宙。

我们邀请您来探索 FinAgent，一个多模态金融交易智代框架，设计用来分析反映市场动态和历史交易形态的各种数据。

本主题聚焦于将训练好的人工智能（AI）模型（如长短期记忆网络（LSTM）等强化学习模型，或基于机器学习的预测模型）集成到现有的MQL5交易策略中。

作为价格行为分析工具包开发系列的一部分，相关性路径探索器为理解货币对动态提供了一种全新方法。该工具可自动收集和分析数据，深入分析诸如欧元兑美元（EUR/USD）和英镑兑美元（GBP/USD）等货币对之间的相互作用。借助其实用、实时的信息，增强你的交易策略，助您更有效地管理风险并发现机会。

套接字，你知道它们在 MetaTrader 5 中的用途或使用方法吗？如果答案是否定的，那么让我们从研究它们开始。在今天的文章中，我们将介绍一些基础知识。由于有几种方法可以做同样的事情，而且我们总是对结果感兴趣，我想证明确实有一种简单的方法可以将数据从 MetaTrader 5 传输到其他程序，如 Excel。然而，主要目的不是将数据从 MetaTrader 5 传输到 Excel，而是相反，即将数据从 Excel 或任何其他程序传输到 MetaTrader 5。

在本文中，我们将探讨如何使用强大的 MQL5 图形控件库来改进和更有效地应用上一篇文章中提出的概念。我们将逐步完成创建一个功能齐全的图形用户界面。我将解释它背后的想法，以及所使用的每种方法的目的和操作。此外，在本文的最后，我们将测试我们创建的面板，以确保它正确运行并实现其既定目标。

我们继续致力于创建 FinMem 框架，其采用层化记忆方式，即模拟人类认知过程。这令该模型不仅能有效处理复杂的财务数据，还能适应新信号，显著提升了在动态变化市场中投资决策的准确性和有效性。

模仿人类认知过程的层化记忆方式令复杂金融数据的处理、以及适配新信号成为可能，因此在动态市场中提升投资决策的有效性。

开盘区间突破（ORB）策略基于这样一种理念：市场开盘后不久确立的初始交易区间，反映了买卖双方就价格价值达成共识的重要水平。通过识别突破某一特定区间上方或下方的走势，交易者可以把握随之而来的市场契机——当市场方向愈发明朗时，这种契机往往会进一步显现。本文将探讨三种源自康克瑞图姆集团（Concretum Group）改良的ORB策略。

投资组合多元化与优化旨在将投资有策略地分散配置于多种资产之上，在最小化风险的同时，依据风险调整后的绩效指标挑选出最理想的资产组合，从而实现回报最大化。

在本文中，我们将探讨模板的最后一个简单用例，并讨论在代码中使用 typename 的好处和必要性。虽然这篇文章乍一看可能有点复杂，但为了以后使用模板和 typename，正确理解它很重要。

降维技术被广泛用于提升机器学习模型的性能。让我们来讨论一项被称为“统一流形逼近与投影”的相对较新的技术（UMAP）。这项新技术的开发旨在针对性地克服传统方法在数据中产生伪影和失真的局限性。UMAP是一种强大的降维技术，它能以一种新颖而有效的方式帮助我们将相似的K线进行分组，从而降低在样本外数据上的错误率，并提升我们的交易表现。

许多人，尤其是非程序员，发现在 MetaTrader 5 和其他程序之间传输信息非常困难。其中一个程序就是 Excel。许多人使用 Excel 作为管理和维护风险控制的一种方式。这是一个优秀的程序，易于学习，即使对于那些不是 VBA 程序员的人来说也是如此。在这里，我们将看看如何在 MetaTrader 5 和 Excel 之间建立连接（一种非常简单的方法）。

在本文中，我们将讨论混合交易系统 StockFormer，其结合了预测编码和强化学习（RL）算法。该框架用到 3 个变换器分支，集成了多样化多头注意力（DMH-Attn）机制，改进了原版的注意力模块，采用多头前馈模块，能够捕捉不同子空间中的多元化时间序列形态。

在本文中，我们设计了一个自定义的MQL5工具包，用于在策略测试器中轻松进行手动回测。我们将解释其设计与实现方案，重点介绍交互式交易控制功能。然后，我们将展示如何使用它来有效地测试交易策略。

在本文中，我将解释 Chart Trade 如何与 EA 交易一起处理平仓请求，以关闭用户的所有未平仓头寸。这听起来简单，但你需要知道如何应对一些复杂情况。

达瓦斯箱体突破策略由尼古拉斯·达瓦斯（Nicolas Darvas）提出，是一种技术交易方法：当股价突破预设的"箱体"区间上沿时，视为潜在买入信号，表明强劲的上升动能。本文将以该策略为例，探讨三种高级机器学习技术的应用。其中包括：利用机器学习模型直接生成交易信号（而非仅过滤交易）；采用连续型信号（而非离散型信号）；使用基于不同时间框架训练的模型进行交易验证。

本文将探讨并实现一种方法：利用单一数据集同时作为训练集和验证集，来评估模型质量。

在本文中，我们将开始创建 C_Orders 类，以便能够向交易服务器发送订单。我们将循序渐进地进行，目标是通过消息系统详细说明这一过程的具体实现方式。

在上一篇文章中，我们讲述了多智代自适应框架 MASAAT，其用一组智代的融汇在不同数据尺度下对多模态时间序列进行交叉分析。今天我们将继续实现该框架方法的 MQL5 版本，并将这项工作带至逻辑完结。

在本文中，我们将分享如何利用MQL5编程来精准定位市场关键价位——区分价格水平中的弱势与强势区域。我们将完整开发一个可用的支撑与阻力强度指标（SRSI）。

了解如何在 MQL5 中构建自定义指标。采用基于项目的方法。本初学者指南涵盖指标缓冲区、属性和趋势可视化，让您一步一步地学习。

本系列文章首篇将探讨自定义准则的数学原理，重点聚焦神经网络中使用的非线性函数、MQL5实现代码，以及目标导向与校正偏移量的应用。

ROC 曲线是用于评估分类器性能的图形工具。尽管 ROC 图形相对简单，但在实践中使用它们时，仍存在一些常见的误解和误区。本文旨在为那些希望理解分类器性能评估的交易者提供一份关于 ROC 图形的入门介绍。

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。

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。

我向大家介绍我的新种群优化算法——血液遗传优化算法（Blood Inheritance Optimization，BIO），该算法的灵感源自人类血型遗传系统。在该算法中，每个解都有其自身的“血型”，这一血型决定了其进化方式。正如自然界中，孩子的血型是依据特定规则遗传而来，在BIO算法中，新解通过一套遗传与变异机制来获取自身特性。

我们将为时间序列预测建立一个生物学上正确的神经元系统。在神经网络架构中引入类似等离子体的环境创造了一种“集体智能”，其中每个神经元不仅通过直接连接，还通过长距离电磁相互作用影响系统的运行。让我们看看神经大脑建模系统在市场上的表现。

在本文中，我们将使用二元分类来预测未来的极端波动。此外，我们将利用机器学习开发极端波动预测指标。

我们将使用 IBM 的量子计算机来发现所有价格变动选项。听起来像科幻小说？欢迎来到用于交易的量子计算世界！

本文聚焦R德马赫（Rademacher）函数与沃尔什（Walsh）函数。探讨如何将这两类诞生于20世纪初的数学工具应用于金融时间序列分析，并揭示其在交易策略中的创新应用场景。

软性参与者-评论者是一种强化学习算法，我们曾在之前的系列文章中考察过 Python 和 ONNX，作为高效的网络训练方式。我们重新审视该算法，意在利用张量，即 Python 中常用的计算图形。

本文提出一种基于圆几何特性的新型元启发式优化算法——圆搜索算法（CSA）。该算法通过模拟切线方向上的点移动机制，在解空间中实现全局探索与局部开发的协同优化。

在本文中，我们将探讨如何获取实时市场数据和交易账户信息，执行各种计算，并将结果展示在自定义面板上。为此，我们将深入开发一个分析面板（AnalyticsPanel）类，该类封装了所有这些功能，包括面板创建功能。这项工作是我们正在进行的新建管理面板智能交易系统（EA）扩展工作的一部分，旨在运用模块化设计原则和代码组织的最佳实践来引入高级功能。

体验分步指南，创建自定义的 MQL5 版本 JSON 解析器，囊括对象和数组处理、错误检查、及序列化。通过这款灵活的解决方案，在 MetaTrader 5 中处理 JSON，获取桥接交易逻辑与结构化数据的实用见解。

随着当今人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该考虑如何将强大的 LLMs 整合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。