MQL4和MQL5编程文章

在本文中，开发一个对象，其中包含一个指标的一个缓冲区的所有数据。 这些对象对于存储指标缓冲区的数据序列将是必需的。 在其的辅助下，才有可能对任何指标的缓冲区数据，以及其他类似数据进行排序和比较。

本文研究在 EA 中创建自定义指标对象。 我们稍微改进一下库类，并添加一些方法，以便从 EA 中的指标对象获取数据。

在之前的文章中，我们利用随机梯度下降法针对网络中的所有神经元按照相同的学习率训练神经网络。 在本文中，我提议着眼于自适应学习方法，该方法能够改变每个神经元的学习率。 我们还将研究这种方法的利弊。

在本文中，我将尝试测试这样一个假设，即任何对市场了解甚微的系统都可以在全局范围内运行。我不会发明任何理论或模式，但我只会使用已知的事实，逐步将这些事实转化为数学分析的语言。

本文描述了一种可能的数据转换方法，旨在提高模型的通用性，并讨论了 CatBoost 模型的采样和选择。

本文继续开发指标对象类及其集合。 为每个指标对象创建其描述和正确的集合类，从而实现无错存储，并从集合列表中获取指标对象。

Thomas DeMark Sequential (序列）擅长显示价格变动的平衡变化。如果我们把它的信号与水平指标例如 Murray 水平相结合，就更为明显。这篇文章主要是为初学者和那些仍然找不到他们的“圣杯”。我还将展示一些我在其他论坛上没有看到的构建水平的功能。因此，这篇文章可能对高级交易者也很有用。欢迎提出建议和合理批评。

这是该系列的下一篇文章，在其中我展示了如何创建一个函数库来，从而看便利地用键盘快捷键手动绘制图表图形。 所用工具包括直线及其组合。 在这一部分中，我们将查看如何在绘图工具里应用第一部分中讲述的函数。 该函数库可连接到任何 EA 或指标，这将大大简化绘图任务。 此方案未使用外部 dll，而所有命令都是由内置 MQL 工具实现的。

本文研究基于基准抽象指标衍生对象类的创建。 这些对象所提供功能，可访问创建的指标 EA，收集和获取各种指标和价格数据的数值统计信息。 同样，创建指标对象集合，从中可以访问程序中创建的每个指标的属性和数据。

在这篇文章中，我将展示在选择一个系统或信号来投资你的资金时所使用的标准，以及描述开发交易系统的最佳方法，并强调这个问题在外汇交易中的重要性。

本文研究创建一个抽象指标，其将进一步用作创建函数库标准指标和自定义指标对象的基类。

我们早前已经讨论过某些类型的神经网络实现。 在所研究的网络中，每个神经元都重复相同的操作。 逻辑上进一步应利用现代技术提供的多线程计算功能来加快神经网络学习过程。 本文介绍了一种可能的实现方式。

在本文中，我将试图详细解释什么是网格和马丁格尔，以及它们的共同点。此外，我将试着分析这些策略到底有多可行。这篇文章同时包含了数学和实践部分。

在本文中，研究创建多品种、多周期标准指标的“建仓/派发”。 略微改进指标依托的函数库类，以便从老旧的 MetaTrader 4 平台切换到 MetaTrader 5 时，基于该函数库开发的程序均可正常运行。

我们继续研究神经网络的世界。 在本文中，我们将研究另一种类型的神经网络，循环网络。 此类型建议与时间序列配合使用，其在 MetaTrader 5 交易平台中由价格图表呈现。

本文旨在尽可能简单、快速地描述外汇交易的主要特点，并与初学者分享一些基本的想法。它还试图回答交易界最诱人的问题，同时展示一个简单指标的开发。

本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。

在本文中，会完成多周期、多品种标准指标对象的开发。 以 Ichimoku Kinko Hyo 标准指标为例，分析复合自定义指标的创建，该指标含有辅助绘制缓冲区，可在图表上显示数据。

在文章里，我们将改进函数库的方法，以便正确显示多品种、多周期的标准指标，即那些在当前品种图表上显示曲线，并可在设置中指定位移的指标。 同样，我们按照标准指标的操纵方法进行排序，并在最终的指标程序里将多余的代码移至函数库区域。

本文探讨了开发交易算法的方法，即使用一致的科学方法来分析可能的价格模式，并基于这些模式构建交易算法。开发的理念是通过实例来展示的。

作为神经网络主题的延续，我建议研究卷积神经网络。 这种类型的神经网络通常用来分析视觉成像。 在本文中，我们将研究这种网络在金融市场中的应用。

在本文中，我将改进库类，从而满足需要多个缓冲区来显示其数据的多品种、多周期标准指标的开发能力。

本文研究了一个示例，该示例使用单个指标缓冲区来创建多品种、多周期标准指标，以便在指标子窗口中进行构造和操作。 我会准备库类，以便在程序主窗口中与标准指标一起操作，并有多个缓冲区来显示其数据。

在第二篇文章中，我们将继续研究神经网络，并研究在智能交易系统当中调用我们所创建 CNet 类的示例。 我们将操控两个神经网络模型，它们在训练时间和预测准确性方面都表现出相似的结果。

交易者经常谈论趋势和横盘，但很少有人真正了解趋势/横盘是什么，甚至很少能够清楚地解释这些概念。 讨论这些基本术语通常会受到一系列顽固偏见和误解的困扰。 然而，如果我们想赚钱，就需要了解这些概念的数学和逻辑含义。 在本文中，我将仔细研究趋势和横盘的本质，并尝试定义行情结构是基于趋势/横盘，亦或其他。 我还将研究在趋势和横盘行情上获利的最佳策略。

我们通常使用烛条或条形图来分析行情，将价格序列切分成规则间隔。 这样的离散化方法不会扭曲行情走势的真实结构吗？ 将音频信号离散化为规则间隔是可以接受的解决方案，因为音频信号是随时间变化的函数。 信号本身是取决于时间的幅度。 该信号属性是基本的。

在本文中，我们研究在 MetaTrader 和外部应用程序中进行对象加密/解密。 我们的目的是判断以相同初始数据获得相同结果的条件。

超买/超卖区域是某种市场状态的特征，可由证券价格的疲软变化来区分。 这种负面变化会明显发生在任何尺度趋势发展的最后阶段。 由于交易中的利润价值直接取决于尽可能覆盖更广趋势幅度的能力，因此在任何证券交易中，探测此类区域的准确性是一项关键任务。

在本文中，我着手开发操控标准指标的方法，最终能够基于函数库类创建多品种、多周期的标准指标。 此外，我将在时间序列类中添加“跳过柱线”事件，并将函数库的预备函数移至 CEngine 类，从而消减主程序代码中的过多负载。