有关MQL5数据分析和统计的文章

我将继续采用最少的必要功能来充实算法，并测试结果。 其获利能力十分低下，但文章展示的全自动盈利交易的模型，是在不同的行情基本面及完全不同的金融产品上进行。

在本文中，我将创建所有品种的市场深度集合类，并着手开发创建信号对象类来操控 MQL5.com 信号服务的功能。

在本文中，我将创建两个类（DOM 快照对象类，和 DOM 快照序列对象类），并测试 DOM 数据序列的创建。

也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。 当然，我们不打算在家用 PC 上创建如此庞然之物。 然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。

在本文中，我将着手开发操控市场深度的功能。 我还将创建市场深度抽象订单对象，及其衍生类。

在本文中，我将实现即时报价数据的实时更新，并为操控市场深度的品种对象类（DOM 本身将在下一篇文章中实现）做准备。

鉴于程序在其运行时可能会用到不同的品种，因此应为每个品种创建一个单独的列表。 在本文中，我将把这些列表合并到一个即时报价数据集合。 实际上，这将是一个常规列表，基于指向标准库 CObject 类及其衍生类实例指针的动态数组。

在本文中，我将创建存储单一品种即时报价数据的列表，并在 EA 中检查其创建状态，以及检索所需数据。 每个所用品种各自的即时报价数据列表将来会构成即时报价数据集合。

如果采用基于历史数据的优化方法来选择参数，就不可能得到真正稳定的算法。一个稳定的算法应该知道在任何时候操作任何交易工具时需要哪些参数。它不应该预测或猜测，它应该确定知道。

从本文开始，着手创建操控价格数据的函数库功能。 今天，创建一个对象类，存储到达的即时报价的全部价格数据。

在本文中，我将通过改进先前创建的算法的灵活性来继续本主题的开发。随着分析窗口中烛形数量的增加，或烛形超额阈值百分比的增加，算法变得更加稳定。我不得不做出妥协，并设置一个更大的样本量进行分析或更大的烛形超额百分比。

关于操控时间序列的主题总结，诸如组织存储、针对存储在指标缓冲区中的数据进行搜索和分类，如此即可在程序里利用函数库创建指标值，并进一步据其执行分析。 函数库的所有集合类的一般概念，能够轻松地在相应的集合中找到必要的数据。 在今天创建的类中，也可分别完成同样功能。

在接下来的系列文章中，我将演示探讨大多数市场因素的自适应算法的开发，以及如何将这些情况系统化，用逻辑描述它们，并在您的交易活动中应用它们。我将从一个非常简单的算法开始，这个算法将逐渐获得理论，并发展成一个非常复杂的项目。

本文介绍了使用电子表格（Excel、Calc、Google）分析任何策略的基本原则和方法。所得结果与 MetaTrader 5 测试器进行了比较。

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。

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。

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。

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。