有关 MQL5 编程和自动交易使用的文章

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。

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。

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。

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。

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，我们将扩展工具箱的功能：我们将添加在特定条件下平仓功能，并将创建控制市价和挂单的表格，且能编辑这些订单。

在本文中，我们基于运算符优先级的解析器，研究数学表达式解析和评估的原理。 我们将实现普拉特（Pratt）和分流场解析器，字节代码的生成和代码计算，查看如何在表达式中将指标用作函数，以及如何基于这些指标在智能交易系统中设置交易信号。

如今，众多交易者切换至自动交易系统，这类系统可能需要附加设置，或是能够完全自动化并准备就绪。 然而，有相当一部分交易者更喜欢以旧有方式进行手动交易。 在本文中，我们将创建快速手动交易工具箱，用热键来一键执行典型交易操作。

行情在一个月内下跌了 30％ 以上。 这似乎是测试基于网格和马丁格尔的智能交易系统的最佳时间。 本文是“创建跨平台网格 EA”系列的计划外延续。 当前行情为安排网格 EA 提供了疏解压力的机会。 因此，我们要把握这次机会，并测试我们的智能交易系统。

本文提供的的基本工具，可针对测试器报告的单次通关验证和优化结果进行 OLAP 分析。 该工具可以操控标准格式文件（tst 和 opt），并还提供了图形界面。 MQL 源代码附带于后。

本文交流的是基于支持向量法，预测时间序列算法的理论和实际应用。 它还提议采用 MQL 来实现，并提供了测试指标和智能交易系统。 该技术尚未在 MQL 中实现。 但是首先，我们必须了解相关的数学知识。

本文探讨运用经验分解模式（EMD）预测时间序列的理论和实际应用。 它提议以 MQL 实现此方法，并出示了测试指标和智能交易系统。

在本文中，我们将继续研讨在交易中运用 OLAP 技术。 我们会扩展前两篇文章中表述的功能。 这次我们将研究报价的操盘分析。 我们还将基于所汇集的历史数据，推导并检验交易策略的设想。 本文推介了基于柱线形态研究和自适应交易的智能交易系统。

本文研讨季节性特征的扩展研究：自相关热点图和散点图。 本文之目的是展示“市场记忆”的季节性，它通过任意顺序增量的最大相关性来表达。

在本系列的前几篇文章中，我们尝试了各种方法来创建或多或少能够盈利的网格智能交易系统。 现在，我们将会尝试通过多元化来提高 EA 的盈利能力。 我们的终极目标是每年赚取 100％ 的利润，而最大回撤不超过 20％。

开发指标、智能交易系统和脚本时，开发人员往往需要创建大量与交易策略没有直接关系的各种代码片段。 在本文中，我们研究一种复用早前已创建的模块（例如尾随、过滤和调度代码、亦或其他）来搭建智能交易系统的方法。 我们将看到这种编程方式的益处。

在本文中，我们将研究显示文本的消息类。 目前，我们有众多的不同消息。 是时候重新编排它们的存储、俄/英语言翻译成其他语言、以及显示消息的方法。 此外，最好引入便利的方法来向函数库中添加新语言，并在它们之间快速切换。

本文将帐户对象的操作安置于任意函数库对象的新基准对象之上，改进了 CBaseObj 基准对象，并测试了设置跟踪参数，以及接收任意函数库对象事件。

本文针对各种指标的常规背离及其成效进行了严格查验。 此外，它还包含用于提升分析准确性的过滤选项，并提供非标准解决方案的功能描述。 结果就是，我们将创建一个解决技术任务的新工具。

在本文中，我们将尝试开发尽可能最好的基于网格的 EA 交易。像往常一样，这将是一个跨平台的EA，能够与 MetaTrader 4 和 MetaTrader 5一起工作。第一个 EA 已经足够好了，只是它在很长一段时间内不能盈利。第二个EA在几年之内可能有效,不幸的是，在最大回撤低于50%的条件下, 它每年无法产生超过50%的利润。

在本文中，我们将开发一个网格EA，用于在一个范围内的趋势方向上进行交易。这样，此EA主要适用于外汇和大宗商品市场，根据测试，我们的网格EA 自2018年以来显示盈利，不幸的是，这在2014-2018年期间并非如此。

在本文中，我们会探讨为一个MQL程序创建一个交互式图形界面，该程序设计用于使用OLAP技术处理帐户历史和交易报告。为了获得视觉效果，我们将使用最大化和可伸缩的窗口、自适应布局的控件和用于显示图表的新控件。为了提供可视化功能，我们将实现一个GUI，其中沿着坐标轴选择变量，以及选择聚合函数、图表类型和排序选项。

本文论述如何创建多维数据（OLAP - 在线分析处理）的在线分析框架，以及如何在 MQL 中实现此框架，还有利用交易帐户历史数据在 MetaTrader 环境中应用此类分析的示例。

在本文中，我们将学习如何创建在 MetaTrader 4 和 MetaTrader 5 中都能工作的 EA 交易。为此，我们将开发一个 EA 构建的订单网格,网格是指将多个限价订单置于当前价格之上，同时将相同数量的限价订单置于当前价格之下的 EA 交易。

本文描述了一种通用的基于CSS选择器的HTML文档数据分析和转换方法。交易报告、测试报告、您最喜欢的经济日历、公共信号、账户监控和其他在线报价源将直接从MQL获得。

本文的目的是创建一个自定义工具，令用户能够接收和使用前面所讨论形态的整体信息数组。 我们将创建一个形态相关的函数库，您可以在自己的指标、交易面板、智能交易系统等等应用中运用它们。

全方位的数据处理需要大量工具，并且经常超出单一应用程序的功能沙箱。 专用编程语言正在用于处理和分析数据，统计和机器学习。 Python 是数据处理的主要编程语言之一。 本文介绍如何使用套接字连接 MetaTrader 5 和 Python，以及如何通过终端 API 接收报价。

在本文的第一部分当中，我曾描述过一个修订的 ZigZag (之字折线) 指标和一个用于接收该类型指标数据的类。 在此，我将展示如何基于这些工具开发指标，并编写一款根据 ZigZag 指标形成的信号进行交易的 EA 来测试。 作为补充，本文将介绍一套开发图形用户界面的新版 EasyAndFast 函数库。