有关 MQL5 编程和自动交易使用的文章

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。

许多研究人员对于判定价格行为没有给予足够的重视。 与此同时，还使用各种复杂方法，而这些方法通常只是“黑盒子”，例如机器学习或神经网络。 在这种情况下显现出的最严重问题就是提交何种数据来训练特定模型。

在本文中，我们将深入研究马丁格尔（翻倍加仓）系统。 我们将评测该系统是否可以用于实盘交易，以及在运用它时如何将风险减至最小。 这一简单系统的主要缺点在于很可能会将全部存款亏损。 如果您决定使用马丁格尔技术进行交易，则必须考虑这一事实。

在本文中，我们将应用强化学习来开发可以自主学习的EA交易。在前一篇文章中，我们考虑了随机决策森林算法，并编写了一个简单的基于强化学习的自学习EA，概述了这种方法的主要优点（交易算法的开发简单和“培训”速度快）。强化学习（RL）可以很容易地融入到任何交易EA中，并加速其优化。

在设计使用 Kohonen 网络的通用工具的基础上，我们建立了优化EA参数的分析和选择系统，并探讨了时间序列的预测。在第一部分中，我们修正和改进了公开的神经网络类，增加了必要的算法。现在，是时候在实际应用中使用它们了。

本文探讨了在分离在不同市场条件下的优化方法,分离优化意味着分别为上涨趋势和下跌趋势分别定义交易系统的最佳参数. 为了减少错误信号的影响，提高盈利能力，系统变得灵活，这意味着它们有一些特定的设置或输入数据，这是合理的，因为市场行为不断变化。

本文依据之前发表文献中所介绍的思路，开发在 MetaTrader 5 中运用 Kohonen 映像。 改进并强化的类提供了解决应用程序任务的工具。

本文介绍运用 MQL5 语言创建自定义兑换品种。 特别是，它研究使用来自流行的 Finam 网站的兑换报价。 本文中研究的另一个选项是在创建自定义品种时可以使用任意格式的文本文件。 这允许使用任何金融品种和数据源。 创建自定义品种之后，我们可以使用 MetaTrader 5 策略测试器的所有功能来测试兑换品种的交易算法。

这篇文章描述了在"一分钟OHLC"模式下实现 OpenCL 烛形形态测试器的算法。我们还将把它的速度与内建的策略测试器在快速和慢速优化模式下做比较。

本文介绍了一个可以在 MQL5 中提高 HTTP 请求操作效率的开发库。它在另外的线程中实现 WebRequest 在非阻塞模式下的执行，并且可以用于辅助图表和EA交易，交换自定义事件以及读取共享资源。也提供了源代码。

这是专门讨论逆转交易策略系列文章的最后一篇。 在此我们将尝试解决导致之前文章中测试结果不稳定的问题。 我们还将开发和测试可在任何市场中运用的逆转策略手动交易算法。