MQL5.community的发展历史

理论上，可以集成至EA中的策略数量没有上限。然而，每新增一种策略都会提升算法复杂度。通过融合多策略架构，EA能够更灵活地适应不同市场环境，从而可能提升整体盈利能力。今天，我们将探讨如何通过MQL5实现理查德·唐奇安（Richard Donchian）的经典通道突破策略，以此进一步拓展我们的趋势约束型EA功能体系。

使用 MetaTrader 和 Google Sheets 创建交易日志！您将学习如何通过 HTTP POST 同步您的交易数据，并使用 HTTP 请求来获取它。最后，您有一个交易日志，可以帮助您有效地跟踪您的交易。

本文深入探讨了改进型前向选择成分分析（Forward Selection Component Analysis，FSCA）算法的实现，该算法灵感源自Luca Puggini和Sean McLoone在《前向选择成分分析：算法与应用》一文中所提出的研究。

在本系列的上一篇文章中，我们考察了“原子-基序对比变换器”（AMCT）框架，其用对比学习来发现各个级别的关键形态，从基本元素到复杂结构。在本文中，我们将继续利用 MQL5 实现 AMCT 方式。

SMC（订单块）是机构交易者发起大规模买入或卖出的关键区域。当价格出现显著波动后，借助斐波那契数字可识别从近期波段高点至波段低点的潜在回撤，从而锁定最佳进场位。

在本文中，我们将讨论并演示如何使用Python和MQL5将名义预测变量转换为适合机器学习算法的数值格式。

在本文中，我们将创建一个MQL5 EA，它基于PIRANHA策略，并使用布林带来提升交易表现。我们会系统梳理该策略的核心原理、代码实现细节，以及测试与优化方法。并助您轻松将 EA 部署到实际的交易环境中。

本文介绍了人工喷淋算法（Artificial Showering Algorithm，ASHA），这是一种为解决一般优化问题而开发的新型元启发式方法。基于对水流和积聚过程的模拟，该算法构建了理想场的概念，其中要求每个资源单元（水）找到最优解。我们将了解 ASHA 如何调整流和累积原则来有效地分配搜索空间中的资源，并查看其实现和测试结果。

对比变换器在设计上基于单根烛条水平和整个形态来分析行情。这有助于提升行情趋势建模的品质。甚至，运用对比学习来统调烛条和形态的表示、促进自我调节，并提升预测的准确性。

本文尝试构建一款用于预测汇率报价的EA。该算法以经典分类模型——逻辑回归与概率回归为基础。并利用似然比检验作为交易信号的筛选器。