MQL5.com上的编程文章

老鹰策略是一种模拟老鹰两阶段捕猎策略的算法：通过曼特尼亚（Mantegna）方法实现的莱维（Levy）飞行进行全局搜索，与利用萤火虫算法进行的密集局部开发交替进行，这是一种在数学上合理的探索与开发平衡方法，也是一种将两种自然现象融合为单一计算方法的生物启发式概念。

指数平滑异同移动平均线震荡指标（MACD）与能量潮指标（OBV），是另一组可在MQL5智能交易系统（EA）中联合使用的技术指标。与本系列文章一贯的思路相同，这一组合具有互补性：MACD用于确认趋势，OBV则用于验证成交量。我们依旧通过MQL5向导来构建并测试这一组合的潜在效果。

本文讨论了非参数 HSIC（希尔伯特-施密特独立性判据）统计检验，该检验旨在识别数据中的线性和非线性依赖关系。本文提出了两种用 MQL5 语言计算 HSIC 的算法实现：精确置换测试和伽马近似法。该方法的有效性通过模拟特征与目标变量之间非线性关系的合成数据得到了验证。

用 Python 构建基于购买力平价（PPP）的汇率分析系统。作者利用 IMF 数据开发了一套包含 5 种公允汇率计算方法的算法。这是一份关于外汇基本面分析、经济数据处理以及与交易系统集成的实用指南，全部代码开源。

用Python下载国际货币基金组织数据：挖掘IMF数据用于宏观经济外汇策略。宏观经济学能为普通交易者与算法交易者提供哪些帮助？

本文承接前文，此前我们介绍了SAR（抛物转向指标）与RVI（相对活力指数）这一指标组合，本篇将探讨如何借助机器学习拓展该组合的应用。SAR属于趋势类指标，RVI属于动量类指标，二者搭配构成互补型指标组合。本文采用卷积神经网络机器学习方案，通过指数核来设定网络卷积核尺寸与通道数量，从而对这套指标组合的预测结果进行微调优化。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。

隐马尔可夫模型（HMM）是一类强大的概率模型，用于分析序列数据，其中观测值取决于形成马尔可夫过程的某些未观察（隐藏）状态的序列。HMM 的主要假设包括隐状态的马尔可夫性质，即转移到下一个状态的概率仅取决于当前状态，以及在当前隐状态已知的情况下，观测值是独立的。

基于生物地理学的优化算法（BBO）是一种精巧的全局优化算法，灵感源自群岛中物种在各个岛屿间迁徙的自然规律。该算法的核心思路简洁且高效：优质解会主动共享自身特征，劣质解则主动吸纳新特征，信息天然从最优解向较差解传递。其独有的自适应变异算子能够很好地平衡算法的全局探索与局部利用能力。在各类优化任务中，BBO 算法均表现出较高的运算效率。

本文将介绍高斯过程（GP）这一概率机器学习模型的基础，并基于合成数据演示其在回归问题中的应用。

正如我们在第一篇关于 SQL 的文章中所解释的那样，没有必要花费时间编写程序来执行 SQL 中已经内置的功能。然而，如果不了解基础知识，你就无法使用 SQL 或充分利用这个工具所提供的一切功能。因此，在本文中，我们将探讨如何在数据库中执行基本任务。

本文介绍了一种通过标的资产实现期权模拟的方案，并使用MQL5编程语言完成代码实现。以莫斯科交易所（MOEX）FORTS期货市场以及Bybit加密货币交易所为例，对比了该方案与真实场内期权的优缺点。

在今天的文章中，我们将展示如何着手解决与构建不同元素以及创造更简单、更具吸引力的解决方案相关的问题。尽管内容以学习为导向，因此并不构成生产代码，但深入理解这里将涵盖的概念和知识至关重要。这样，今后我们就能理解我们将展示的代码。

本文探讨了HiSSD框架在算法交易任务中的实际实现。同时阐述了如何利用技能层级结构与自适应架构，以构建更具稳健性和可持续性的交易策略。

本文将介绍 HiSSD 框架，该框架结合分层学习与多智能体技术构建自适应系统。我们将详细分析这套创新方法如何挖掘金融市场中的隐藏模式，并在去中心化场景下优化交易策略。

本文详细描述了交叉汇率计算算法，展示了不平衡矩阵的可视化结果，并给出了优化设置 MinDiscrepancy 和 MaxRisk 参数以实现高效交易的建议。该系统使用交叉汇率自动计算每对货币的“公允价值”，在出现负偏差时生成买入信号，在出现正偏差时生成卖出信号。

我们使用哪个 SQL 程序并不重要：MySQL、SQL Server、SQLite、OpenSQL 或其他。它们都有一个共同点，那就是都使用 SQL 语言。即使我们不打算使用 Workbench，我们也可以直接在 MetaEditor 中或通过 MQL5 操作数据库，以在 MetaTrader 5 中执行操作，但要做到这一点，你需要了解 SQL。所以在这里，我们至少要学习一些基础知识。

抛物线转向指标（SAR）与相对活力指数（RVI）是另一组可在MQL5智能交易系统（EA）中搭配使用的指标。和我们之前讲过的组合类似，这对指标也具备互补性：SAR用于判断趋势，RVI用于衡量动量。与先前一样，我们通过MQL5向导来构建并测试这一指标组合的潜在效果。

我们继续推进 CATCH 框架的实现。该框架结合傅里叶变换与频域分块，以确保能够准确检测市场异常。在本文中，我们将完成对所提方法的这一实现，并基于真实历史数据测试新模型。

在继续开发多币种 EA 之前，让我们尝试使用已开发的库创建一个新项目。这个例子将演示如何最佳地组织源代码存储，以及如何利用 MetaQuotes 的新代码库来帮助我们。

在本文中，我们将探讨在实践中应用某些趋势标准的具体细节。我们还将尝试制定几个新的标准。重点将放在将这些标准应用于市场数据分析和交易的效率上。

在前一篇中，我们介绍了三重平滑指数平均线（TRIX）与威廉百分比范围（WPR）指标组合，本文承接前文，将探讨如何通过机器学习对这一指标组合进行扩展优化。TRIX属于趋势指标，威廉百分比属于支撑/阻力震荡指标，二者形成互补。我们的机器学习方案采用卷积神经网络，网络结构中集成了余弦核函数，用于对该指标组合的预测结果进行精细调优。与之前类似，所有逻辑都封装在自定义信号类文件中，可配合MQL5向导直接生成智能交易系统（EA）。

在 MetaTrader 5 中运行的那部分代码的实现没有任何困难。然而，有几点需要考虑。这是必要的，这样你才能让系统正常工作。记住一件重要的事情：不会只有一个程序在运行。事实上，我们必须同时运行三个程序。重要的是，要确保每个部分都能以一种能够相互交流和沟通的方式实施和构建，并且每个部分都能理解其他部分正在尝试或打算做什么。

本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。

什么是金融市场角度分析？如何利用价格变动角度和机器学习实现准确率达 67% 的精准预测？如何将回归和分类模型与角度特征相结合，并获得一个可运行的算法？这与江恩理论有什么关系？为什么价格走势角度是机器学习的良好指标？

让我们尝试挖掘CFTC数据，通过Python下载COT和TFF报告，将其与MetaTrader 5行情数据及AI模型相结合，并生成预测。外汇市场中的COT报告是什么？如何利用COT和TFF报告进行行情预测？

CATCH 框架结合了傅里叶变换和频率修补技术，能够准确识别传统方法无法发现的市场异常。让我们来探讨这种方法是如何揭示金融数据中隐藏的模式。

挖掘各国央行资产负债表数据，能够厘清外汇市场与主要币种的全球流动性现状。我们整合美联储、欧洲央行、日本央行、中国人民银行的数据构建综合指数，并借助机器学习挖掘潜藏规律。该方法融合基本面与技术分析，将原始数据转化为可落地的交易信号。

我们继续构建构成 DADA 框架基础的算法，该框架是检测时间序列异常的高级工具。这种方法能够有效区分随机波动和显著偏差。与经典方法不同，DADA 能够动态适应不同的数据类型，在每种特定情况下选择最佳的压缩级别。

在MQL5中实现面向外汇市场的经典CAPM模型适配。本指标基于历史波动率计算预期收益率与风险溢价。指标会在价格高点与低点处出现明显抬升，反映资产定价的基本原理。可实际应用于逆势策略与趋势跟踪策略，实时考量风险收益比的动态变化。本文包含相关数学原理与技术实现代码。

我们诚邀您了解 DADA 框架，这是一种用于检测时间序列异常的创新方法。它有助于区分随机波动和可疑偏差。与传统方法不同，DADA 具有灵活性，能够适应不同的数据。它没有采用固定的压缩级别，而是提供了多种选项，并为每种情况选择最合适的选项。

ARIMA，全称为自回归积分移动平均模型，是一种效果出色的传统时间序列预测模型。该模型能够捕捉时间序列数据中的突增与波动，可对后续数值做出精准预测。在本文中，我们将了解什么是ARIMA、如何运行，以及如何利用它高精度预测市场下一期价格，还有更多相关实用内容。

我们正在基于深度Q网络（DQN）机器学习技术，结合多维因果推理，开发一款自适应、自学习的交易 EA。该 EA 将能够同时成功交易 7 个货币对。不同货币对的智能体之间会相互交换信息。

我们继续实现 DUET 框架作者提出的方法，该框架提供了一种创新的时间序列分析方法，结合时间和通道聚类来揭示分析数据中的隐藏模式。

三重指数平滑摆动指标（TRIX）与威廉百分比指标，是另一组可在 MQL5 智能交易系统（EA）中搭配使用的技术指标。和我们此前介绍的指标组合一样，这组指标同样具备互补性：TRIX 用于判断趋势，威廉百分比指标则确认支撑位与阻力位。按照惯例，我们借助 MQL5 向导，测试这两个指标组合的实战可行性。

确定性振荡搜索（DOS）算法是一种创新的全局优化方法，它结合了梯度算法与群体算法的优点，且不使用任何随机数。适应度振荡与斜率机制使得DOS能够以确定性方式探索复杂的搜索空间。

分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。

DUET 框架提供了一种创新的时间序列分析方法，该方法结合了时间和通道聚类，以揭示分析数据中的隐藏模式。这使得模型能够随着时间的推移而适应变化，并通过消除噪声来提高预测质量。