本文旨在创建最简单的交易策略，实施“要么赢得全部，要么输个精光”的游戏原则。这个 EA 交易是实施 ForEx 市场彩票的一个例子。彩票 EA 交易的主要目标是通过最大可能概率让初始存款增加几倍。盈利能力，即增加平均存款的能力，在彩票 EA 交易中并不是必不可少的。与卖出成千上万张彩票的传统彩票相比，彩票 EA 交易使用 ForEx 彩票，在中奖时使用 ForEx 作为资金来源。
The general purpose of multiple regression (the term was first used by Pearson, 1908) is to learn more about the relationship between several independent or predictor variables and a dependent or criterion variable. For example, a real estate agent might record for each listing the size of the house (in square feet), the number of bedrooms, the...
"要么赢走全部，要么输个精光"的 ForEx 策略
本文旨在创建最简单的交易策略，实施“要么赢得全部，要么输个精光”的游戏原则。这个 EA 交易是实施 ForEx 市场彩票的一个例子。彩票 EA 交易的主要目标是通过最大可能概率让初始存款增加几倍。盈利能力，即增加平均存款的能力，在彩票 EA 交易中并不是必不可少的。与卖出成千上万张彩票的传统彩票相比，彩票 EA 交易使用 ForEx 彩票，在中奖时使用 ForEx 作为资金来源。
多元回归分析。策略生成程序和策略分析程序二合一
我的一位熟人在参加 Forex 培训课时曾经接到开发一个交易系统的任务。被其困扰大约一个星期之后，他说，这项任务或许比写一篇论文还要困难。就在那时，我建议他使用多元回归分析。结果，他从头开始，一个晚上就开发出一个交易系统，成功获得了审查者的认可。
成功使用多元回归在于能够快速找到指标和价格之间的关系。发现的关系允许基于指标值，在一定的概率下预测价格。现代统计软件允许同时过滤数以千计的参数，试图找出这些关系。这可与工业化砂里淘金相比。
通过将指标数据加载到多元回归分析并相应地应用数据处理，开发一个即用型策略和策略生成程序。
本文说明使用多元回归分析创建交易策略的过程。
未知概率密度函数的核密度估计
随着 MQL5 的性能改善及计算机效率的稳步提升，MetaTrader 5 平台用户能够将相当复杂和高深的数学方法用于市场分析中。这些方法可能来自经济学、计量经济学和统计学在内的多个领域，但是在任何情形下，我们使用这些方法都无法绕开概率密度函数的理念。
很多常用的分析方法基于所用模型中数据分布正态性或错误正态性的假设而开发。此外，我们通常有必要知道所用模型中各部分的分布，以评估分析结果。在两种情形下我们都有一个任务，即创建一种“工具”（在理想情况下可通用）以估计未知概率密度函数。
本文试图创建一个类，以或多或少实现用于估计未知概率密度函数的通用算法。最初的构想是在估计过程中不使用外部方法，即仅通过 MQL5 实现所有一切。但最终，最初的构想在一定程度上发生了变化。很明显，概率密度函数的目测估计任务由两个独立的部分组成。
即，估计本身的计算及其可视化（以图表或示意图显示）。计算自然已经通过 MQL5 实现，而可视化必须通过创建 HTML 页面实施和在网页浏览器中显示。该解决方案用于最终获得矢量形式的图形。
但由于计算部分和结果显示的分别实现，读者自然可使用其他任何可用的可视化方法。此外， 我们希望各种库，包括图形库，将出现在 MetaTrader 5 中（据我们所知，此项工作正在进行中）。变更建议解决方案的显示部分并不困难，因为 MetaTrader 5 提供了构建图形和示意图的进阶方法。
应初步指出的是，创建真正的通用算法用于估计序列概率密度函数经证明是一个无法实现的目标。尽管建议解决方案的专门化程度不高，但也不能称为是完全通用的。问题是，密度估计过程中的优化准则大相庭径，例如对于钟形分布，有正态分布和指数分布。
因此，如果有关于估计分布的一些初步信息，我们总是能够为每种特定情形选择最合适的解决方案。但是，尽管如此，我们将假设我们对估计密度的本质一无所知。这种方法无疑会影响估计的质量，但我们希望它能够对差异较大的密度提供估计的可能。
由于在市场数据分析的过程中我们经常要处理非平稳序列，我们最感兴趣的是较短和中等序列密度的估计。这是决定所使用估计方法的选取的关键时刻。
直方图和 P 样条曲线可成功用于包含超过一百万个值的长序列。但是，当我们尝试为包含 10 至 20 个值的序列有效地构建直方图时，出现了一些问题。因此，我们将重点放在包含约 10 到 10 000 个值的序列上。
MQL5.community 的新的文章发布系统
大量的文章为 MQL4 和 MQL5 语言的流行做出了巨大的贡献，其中大部分文章由您所撰写 - 由交易人员所撰写且为交易人员所撰写。对您们的辛勤工作，我们深表感激。除了支付您稿酬，我们一直在考虑如何使写作的过程对于作者而言简单、明了且自在。
我们分析了我们与文章作者的交流经历，找出了关键点 - 互相理解！有时候，作者不能理解为什么版主要挑剔他们文章的设计和版式。而我们作为版主，显然没有确切提出我们的要求。
我们决定解决这个问题。结果，MQL5.community 网站增加了一个如下文所述的新的文章发布系统。在新系统中，我们通过将文章写作的整个过程细分为几个步骤，尝试令其清晰明了且舒适自在。
非广延统计分布结构化分析的本征坐标法应用
在 1988 年，Constantino Tsallis 提出了 Boltzmann-Gibbs-Shannon 统计力学的泛化 [1]，其中，他提出了非广延熵的概念。
熵的泛化的一个重要推论似乎是新分布类型的存在 [2]，这些分布类型在新的统计力学中扮演着关键角色：
研究表明，这些分布类型可用于描述具有长期记忆的系统、长期作用力的系统以及强相关性系统内的大量经验数据。
熵与信息密切相关 [7]。参考文献 [8-9] 介绍了基于信息的统计力学泛化理论。经证明，新的非广延统计力学对经济也非常有用 [10-17]。例如，Q-Gaussian 分布充分描述了金融工具报价增量分布的宽翼（尾） (q~1.5)。据说，金融时间序列的大多数增量分布在较大的期间（月、年）上转换为正态分布 (q=1) [10]。
很自然地，期待统计力学的此类泛化会推出与 q-Gaussian 分布的中央极限定理类似的定理。但是参考文献 [18] 指出这是错的 —— 强相关随机变量之和的极限分布在分析上与 q-Gaussian 不同。
然而，另一个问题又出现了：研究表明，发现的精确解的数值非常接近 Q-Gaussian（“在数字上类似，在分析上不同”）。为了分析函数之间的差异并得出 Q-Gaussian 分布的最佳参数，在参考文献 [18] 中使用了一个级数展开。这些函数的关系导致表示系统非广延性程度的 q 参数的按幂展开。
应用统计的主要问题是接受统计假设的问题。长期以来它被视为一个无法解决的问题 [19-20]，需要特殊的工具（例如电子显微镜），使用现代应用统计方法，能够精准预测可能的走势。
参考文献 [21] 介绍的本征坐标法让我们能够达到更加深入的水平 —— 函数关系的结构化属性的分析。这个非常优秀的方法能用于解决各种各样的问题。参考文献 [22] 说明了与以上非广延分布相对应的函数的算子展开。
本文将介绍本征坐标法及其具体运用的例子。它包含很多公式，这些公式对理解方法的本质非常重要。在重复所有计算之后，您将能够为您感兴趣的函数描绘函数展开。
经验模态分解法介绍
我们在实践中必须处理的所有真实过程都很复杂，作为一项原则，包含大量的分量。例如天 气。在分析降水图时，我们应记住，它们表示各种各样的过程的互动，例如季节变换、全球变暖/变冷过程、洋流变化、气旋和反气旋的动态、排放到大气中的二氧 化碳的量、太阳活动周期等，内容不胜枚举。
因此很难分析此类图，因为其分量在相互作用时会遮挡我们要识别的规律或让规律扭曲。这样会让人有理由出现将考虑的过程分解为单个分量并单独分析每个分量的想法。分析单个分量并研究它们已经为当前过程做出的贡献有助于我们更好地了解正在进行的过程，并提高预测可靠性。
在讨论有关交易的各种信息时也不例外，包括依据大量不同因素形成的货币报价。这是很自然地期待预先分解为单个分量能够大大促进它们的进一步分析的原因。
术语“分解”在形式上指将一个复合过程或复合材料分解为单独的组成部分。但是在与不同过 程分析、信号分析、各种序列分析有关的很多领域中，此术语长期以来具有更为广阔的含义，通常不是指分解为实际的初始组成部分，而是指分解为在形成初始数据 时实际上并不存在的某些函数。这些函数是在数据分解过程中人工形成的，但是尽管它们是“人工”的，它们也能更加深入地分析数据，有助于识别隐藏的形态。
在市场分析中使用的大量方法或明或暗都可归于从分析过程中挑选某些分量的方法，即分解法。让我们简要地回顾一下这些方法。
MetaTrader 移动终端中的 MetaQuotes ID
Android 和 iOS 设备为我们提供了许多功能，有一些甚至连我们自己都不知道。这些功能的其中之一就是推送通知，这允许我们接收个人消息，而不会拘于我们的电话号码或移动网 络运营商。MetaTrader 移动终端已经能够从您的自动交易接收这样的消息。您只需要知道设备的 MetaQuotes ID。超过 200 000 台移动终端已经收到它。
我们所处的世界瞬息万变。很少还有人记得传呼，虽然它在当时极其流行。GSM 手机赋予我们发送短信至任何蜂窝网络用户的能力，于是传呼很快便淡出人们的视角。
我们还能要求更多吗？是的，我们可以！通过推送通知 - 现代智能手机提供的新服务 - 我们甚至可以进一步扩展我们的机会。
探索标准库的交易策略类 - 自定义策略
本文面对希望接触某种功能性自定义而无需从头编写 EA 的新手/初学者。
在 MetaTrader 5 中“EA 交易”具有极大的可能性，使我们凭借在编程语言和源代码方面极少的知识或零知识（和技巧）即可进行交易，这一切得益于一个 MetaEditor 功能：MQL5 向导。向导（我们不打算在本文中解释其详细工作情况）用于生成完成的程序（.mq5 和 .ex5 文件）、算法和代码。它受益于使用 MQL5 标准库及其交易策略类（这是很好的资源）。
统计套利交易策略
依据亚当·斯密 (Adam Smith) 在其《An Inquiry into the Nature and Causes of the Wealth of Nations》[1] （国富论）一书中提出的理论，所有经济过程都自动受市场经济按供需关系调节，因此保持在最佳状态。
然而，很不幸，实践中是另一回事。市场供需经常导致金融关系失真并引起经济危机。
为了减少经济失衡的影响，政府调控机构会参与对市场经济的帮助。
政府调控机构的目标在于使用以下手段间接控制经济过程：
在图表上快速检验交易理念
第六届自动交易锦标赛终于升起帷幕。在最初的兴奋过去后，我们终于可以稍微放松一点，研究提交的交易机器人。我决定做一点调查研究，找出现代交易机器人最显著的特征，并明确什么是我们可以从它们的交易活动所期待的。
事实证明，这相当困难。因此，我的计算不能说是毫发无差或尽善尽美，毕竟我有的只是 “EA 交易”的说明和开发人员寥寥数语的注释。然而，我们仍然能够得出结论，下面是我的计算结果：锦标赛共计有 451 例参赛“EA 交易”，但只有其中的 316 例包含有意义的说明。其余“EA 交易”的说明尽是对开发人员的朋友和家人的问候、对地外文明的问候或自我赞许。