MQL5.community的发展历史

动量振荡器是另一个用于衡量动量的比尔·威廉姆斯（Bill Williams）指标。它能生成多个信号，因此我们像之前的文章一样，利用 MQL5 向导类和汇编，在形态基础上审查这些信号。

欢迎来到本趋势系列文章的第三部分！今天，我们将深入探讨如何利用背离（Divergence）策略，在既有的日线趋势中识别最优入场点。同时，我们将引入一种定制化的利润锁定机制——其功能类似于追踪止损（Trailing Stop-Loss），但经过独特的优化升级。此外，我们还将把趋势约束智能交易系统升级为更高级版本，新增一项交易执行条件以完善现有策略框架。随着内容推进，我们将持续探索MQL5在算法开发中的实际应用，为您提供更深入的见解与可落地的技术方案。

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。

近端政策优化是强化学习中的另一种算法，通常以网络形式以非常小的增量步幅更新政策，以便确保模型的稳定性。我们以向导汇编的智能系统来试验其作用，如同我们之前的文章一样。

判断市场方向或许相对简单，但把握入场时机却颇具挑战。作为“价格行为分析工具包开发”系列文章的一部分，我很高兴再为大家介绍一款能够提供入场点、止盈水平和止损设置位置的工具。为实现这一目标，我们采用了MQL5编程语言。让我们在本文中深入探讨每一步。

在本文中，我们展示了在 MQL5 中实现多种集成学习方法，并检验了它们在不同场景下的有效性。

在瞬息万变的交易世界中，适应市场变化不仅是一种选择 — 而且是一种必要。每天都有新的形态和趋势出现，即使是最先进的机器学习模型，也难以面对不断变化的条件保持有效。在本文中，我们将探讨如何通过自动重训练，令您的模型保持相关性、及对新市场数据的响应能力。

本文介绍了一种在交易 EA 中使用神经网络的简单且易于实现的方法，该方法不需要深厚的机器学习知识。该方法免除了对目标函数进行归一化的步骤，同时克服了“权重爆炸”和“网络停滞”等问题，并提供了直观的训练过程和结果的可视化控制。

在本文中，我们将研究如何实现上一篇文章中所示的与回放/模拟服务相关的内容。就像生活中的许多其他事情一样，问题必然会出现。这次的情况也不例外。在这篇文章中，我们将继续改进。此处提供的内容仅用于教育目的。在任何情况下，除了学习和掌握所提出的概念外，都不应出于任何目的使用此应用程序。

几十年来，交易员们一直使用凯利准则公式来确定投资或赌注的最优资本配置比例，其目标是在最大化长期增长的同时，最小化破产风险。然而，对于个人交易者而言，盲目地依据单次回测的结果来遵循凯利准则往往是危险的，因为在实盘交易中，交易优势会随着时间的推移而减弱，并且过往业绩并不能保证未来的结果。在本文中，我将提出一种在 MetaTrader 5 平台中，为一个或多个智能交易系统进行风险分配的现实方法，该方法将融合来自 Python 的蒙特卡洛模拟结果。