有关MQL5交易系统自动化的文章
阅读 交易系统 文章，拓宽核心思路。了解如何使用蜡烛条图表的统计方法和形态，如何过滤信号以及何处使用信号机指标。
该 MQL5 向导将帮助您 创建无需编程的机器人 以便快速检验您的交易思路。使用向导来学习有关的 遗传算法。
数据科学与机器学习（第 07 部分）：多项式回归
与线性回归不同，多项式回归是一种很灵活的模型，旨在更好地执行线性回归模型无法处理的任务，我们来找出如何在 MQL5 中制作多项式模型，并据其做出积极东西。
开发回放系统 — 市场模拟（第 15 部分）：模拟器的诞生（V）- 随机游走
在本文中，我们将完成自有系统模拟器的开发。 于此的主要目标是就上一篇文章中讨论的算法进项配置。 该算法旨在创建随机游走走势。 因此，为了明白今天的讲义，有必要了解以前文章的内容。 如果您尚未跟踪模拟器的开发，我建议您从头开始阅读本系列文章。 否则，您也许对此处将要讲解的内容不明所以。
开发回放系统（第32部分）：订单系统（一）
在我们迄今为止开发的所有东西中，正如你可能会注意到并最终同意的那样，这个系统是最复杂的。现在我们需要做一些非常简单的事情：让我们的系统模拟交易服务器的操作。准确实现交易服务器操作方式似乎是一件轻而易举的事情。至少说起来是这样。但我们需要这样做，以便对回放/模拟系统的用户来说，一切都是无缝和透明的。
Heiken-Ashi指标与移动平均指标组合能够提供好的信号吗？
策略的组合可能会提供更好的机会，我们可以把指标和形态一起使用，或者更进一步，多个指标和形态一起，这样我们可以获得额外的确认因子。移动平均帮我们确认和驾驭趋势，它们是最为人所知的技术指标，这是因为它们的简单性和为分析增加价值的良好记录。
DoEasy 函数库中的时间序列（第五十六部分）：自定义指标对象，从集合中的指标对象获取数据
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。
您应该知道的 MQL5 向导技术（第 04 部分）：线性判别分析
今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。 这些系列文章将提出 MQL5 向导应该是交易者在此领域努力的中流砥柱。
开发回放系统 — 市场模拟（第 23 部分）：外汇（IV）
现在，创建发生在我们将跳价转换为柱线的同一点。以这种方式，如果在转换过程中出现问题，我们就能立即注意到错误。这是因为在快进期间，在图表上放置 1-分钟柱线的代码，也同样在正常表现期间用于定位系统放置柱线。换言之，负责此任务的代码不会在其它任何地方重复。如此这般，我们获得的系统就能更好的维护和改进。
将您自己的LLM集成到EA中（第1部分）：硬件和环境部署
随着人工智能的快速发展，大型语言模型（LLM）成为人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
测试不同的移动平均类型以了解它们的洞察力
我们都知道移动平均指标对很多交易者的重要性。还有其他移动平均线类型在交易中也很有用，我们将在本文中确定这些类型，并将它们中的每一种与最流行的简单移动平均线进行简单比较，看看哪一种可以显示出最好的结果。
如何利用 MQL5 创建简单的多币种智能交易系统（第 2 部分）：指标信号：多时间帧抛物线 SAR 指标
本文中的多币种智能交易系统是智能交易系统或交易机器人，它仅在一个品种图表上就能交易（开单、平单、和管理订单，例如：尾随停损和止盈）超过 1 个交易品种对。这次我们只用 1 个指标，即抛物线 SAR 或 iSAR， 将其应用在 PERIOD_M15 到 PERIOD_D1 的多个时间帧。
您应该知道的 MQL5 向导技术（第 02 部分）：Kohonen 映射
这些系列文章所提议的是，MQL5 向导应作为交易员的支柱。 为什么呢？ 因为交易员不仅可以利用 MQL5 向导装配他的新想法来节省时间，还可以大大减少重复编码带来的错误；他最终可把精力投向自我交易哲学中的几个关键领域。
神经网络变得轻松（第五十四部分）：利用随机编码器（RE3）进行高效研究
无论何时我们研究强化学习方法时，我们都会面对有效探索环境的问题。解决这个问题通常会导致算法更复杂性，以及训练额外模型。在本文中，我们将看看解决此问题的替代方法。
MQL5 中的范畴论 (第 6 部分)：单态回拉和满态外推
范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。 这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。
您需要了解的有关MQL5程序结构的所有信息
使用任何编程语言的任何程序都有特定的结构。在本文中，您将通过了解MQL5程序结构每个部分的编程基础知识来学习MQL5计划结构的重要部分，这些基础知识在创建可在MetaTrader 5中执行的MQL5交易系统或交易工具时非常有用。
您应该知道的 MQL5 向导技术（第 03 部分）：香农（Shannon）熵
今天的交易者都是哲学家，几乎总是在寻找新的想法，尝试提炼它们，选择修改或丢弃它们：一个探索性的过程，肯定会花费相当的勤奋程度。 本系列文章将提出，MQL5 向导应该是交易者的支柱。
掌握ONNX：MQL5交易者的游戏规则改变者
深入ONNX的世界，这是一种用于交换机器学习模型的强大的开放标准格式。了解利用ONNX如何彻底改变MQL5中的算法交易，使交易员能够无缝集成尖端的人工智能模型，并将其策略提升到新的高度。揭开跨平台兼容性的秘密，学习如何在您的MQL5交易活动中释放ONNX的全部潜力。通过这篇掌握ONNX的全面指南提升您的交易游戏
理解编程范式（第 1 部分）：开发价格行为智能系统的过程化方式
了解编程范式及利用 MQL5 代码的应用。本文探讨了过程化编程的细节，并通过一个实际示例提供了实经验。您将学习如何利用 EMA 指标和烛条价格数据开发价格行为智能系统。额外，本文还介绍了函数化编程范式。
神经网络变得轻松（第五十二部分）：研究乐观情绪和分布校正
由于模型是基于经验复现缓冲区进行训练，故当前的扮演者政策会越来越远离存储的样本，这会降低整个模型的训练效率。在本文中，我们将查看一些能在强化学习算法中提升样本使用效率的算法。
暴力方式搜素形态（第 V 部分）：全新视角
在这篇文章中，我将展示一种完全不同的方式进行算法交易，我经历了很长一段时间后才最终遇到它。当然，这一切所作所为全靠我的暴力程序，其经历了许多更改，令其能够并发解决若干问题。尽管如此，这篇文章明面上仍然比较笼统和尽可能简单，这就是为什么它也适合那些对暴力一无所知的人。
将您自己的LLM集成到EA中（第2部分）：环境部署示例
随着人工智能的快速发展，语言模型（LLMs）是人工智能的重要组成部分，因此我们应该思考如何将强大的语言模型集成到我们的算法交易中。对大多数人来说，很难根据他们的需求对这些强大的模型进行微调，在本地部署，然后将其应用于算法交易。本系列文章将采取循序渐进的方法来实现这一目标。
开发回放系统 — 市场模拟（第 16 部分）：新的类系统
我们需要更好地组织我们的工作。 代码正在快速增长，如果现在不做，那么以后就变得更不可能了。 我们分而治之。 MQL5 支持类，可协助实现此任务，但为此，我们需要对类有一定的了解。 大概最让初学者困惑的是继承。 在本文中，我们将看到如何以实用和简单的方式来运用这些机制。
MQL5 中的范畴论 (第 8 部分)：幺半群（Monoids）
本文是以 MQL5 实现范畴论系列的延续。 本期，我们引入幺半群作为域（集合），通过包含规则和幺元，将范畴论自其它数据分类方法分离开来。
了解 MQL5 面向对象编程（OOP）
作为开发人员，我们需要学习如何在创建和开发软件时，无需重复代码做到可重用、且灵活，尤其是当我们拥有不同行为的不同对象时。这可以利用面向对象的编程技术和原则来顺滑地达到。在本文中，我们将介绍 MQL5 面向对象编程的基础知识，以便了解如何在我们的软件中利用这一关键主题的原则和实践。
神经网络变得简单（第 62 部分）：在层次化模型中运用决策转换器
在最近的文章中，我们已看到了运用决策转换器方法的若干选项。该方法不仅可以分析当前状态，还可以分析先前状态的轨迹，以及在其中执行的动作。在本文中，我们将专注于在层次化模型中运用该方法。
神经网络变得简单（第 64 部分）：保守加权行为克隆（CWBC）方法
据前几篇文章中所执行测试的结果，我们得出的结论是，训练策略的最优性很大程度上取决于所采用的训练集。在本文中，我们将熟悉一种相当简单，但有效的方法来选择轨迹，并据其训练模型。
神经网络变得轻松（第二十八部分）：政策梯度算法
我们继续研究强化学习方法。 在上一篇文章中，我们领略了深度 Q-学习方法。 按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。 然后，根据政策和预期奖励执行动作。 但并不总是能够近似 Q-函数。 有时它的近似不会产生预期的结果。 在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。 其中一种方法是政策梯度。
神经网络变得简单（第 66 部分）：离线学习中的探索问题
使用准备好的训练数据集中的数据对模型进行离线训练，这种方法虽然有一定的优势，但其不利的一面是，环境信息被大大压缩到训练数据集的大小。这反过来又限制了探索的可能性。在本文中，我们将探讨一种方法，这种方法可以用尽可能多样化的数据来填充训练数据集。
