MQL5.com上的编程文章

波浪分析是技术分析中常用的方法之一。本文聚焦两种非传统波浪形态：三角波与锯齿波。这些形态是众多专为市场价格分析设计的技术指标的基础。

在本文中，我们将通过引入追踪止损机制与多篮子交易功能，对原有区间补仓系统（Zone Recovery System）进行升级优化。我们将探索升级版架构如何借助动态追踪止损机制锁定已实现利润，以及通过篮子交易管理系统高效处理多维度交易信号。通过实现与回测，我们展示了一个更强大、更能适应市场变化表现的交易系统。

在本文中，我们将创建第一个完全实用和功能齐全的指标。目标不是展示如何创建应用程序，而是帮助您了解如何开发自己的想法，并让您有机会以安全、简单和实用的方式应用它们。

您想利用利率差异获利吗？本文将探讨如何通过外汇掉期套利实现每晚稳定盈利，并构建抗市场波动的投资组合。

DeMarker 振荡器和包络指标是动量和支撑/阻力工具，能够在开发智能系统时配对。我们延续上一篇文章，概述在机器学习中加入把这对指标。我们正在使用一个循环神经网络，利用白噪内核来处理来自这两个指标的向量化信号。这是在一个自定义信号类文件中完成，其与 MQL5 向导汇编的智能系统搭配工作。

在本文中，我们将看到并非所有内容都需要以某种特定的方式实现。解决问题还有其他方法。要正确理解这篇文章，有必要掌握前几篇文章中描述的概念。此处提供的材料仅用于教育目的。不要将其视为已完成的应用程序，它的目的是研究这里提出的概念。

本文将升级MQL5多周期扫描仪表盘，新增拖动与切换功能。通过实现仪表盘的拖拽及最小化/最大化选项，优化屏幕空间的利用率。我们实现并测试这些优化功能，以提升交易的灵活性。

本文中，我们在MQL5中开发了一个与包络线（Envelopes）趋势交易策略集成的区间补仓系统。我们概述了利用相对强弱指标（RSI）和包络线指标触发交易，并通过管理补仓区域来减轻亏损的架构。通过实现和回测，我们展示了如何为动态市场构建一套有效的自动化交易系统。

在重大经济新闻发布后的第一分钟内，市场出现剧烈波动的风险极高。在那短暂的时间窗口内，价格走势可能不稳定且波动剧烈，经常会触发两个方向的挂单。在发布后不久 —— 通常在一分钟内 —— 市场趋于稳定，恢复或纠正更典型的波动性。在本节中，我们将探讨新闻交易的另一种方法，旨在评估其作为交易者工具包中有价值的补充的有效性。继续阅读，了解本讨论中的更多见解和细节。

DeMarker 振荡器和包络指标是动量和支撑/阻力工具，能够在开发智能系统时配对。因此，我们逐一实证哪些形态能够实用，哪些潜在要回避。我们一如既往地使用由向导汇编的智能系统，伴同在信号类中内置的形态用法函数。

在本文中，我们通过引入自适应学习率机制来增强MQL5中的神经网络交易策略，以提高交易准确性。我们设计并实现了这一机制，随后对其性能进行测试。本文结尾总结了有关算法交易的优化见解。

本文展示了如何使用 MQL5 以编程方式识别看涨和看跌的沃尔夫波浪形态并进行交易。我们将探索如何通过编程方式识别沃尔夫波浪结构，并使用 MQL5 根据这些结构执行交易。这包括检测关键的波动点、验证形态规则，以及让 EA 根据它发现的信号采取行动。

ADX 振荡器和 CCI 振荡器是趋势跟踪和动量指标，可在开发智能系统时配对。我们延续上一篇文章未竟的话题，实证如何得益于强化学习来实际运用训练、并更新我们已开发的模型。我们正在使用的算法尚未在本系列中涵盖，其称为可信区域政策优化。一如既往，由 MQL5 向导汇编的智能系统令我们能够更快地搭建测试模型，且可配合不同类型信号进行测试、并派发。

在本文中，我们将将构建一个基于CCI（商品通道指数）和AO（动量震荡指标）指标的多品种交易策略，用于识别趋势反转。内容涵盖策略设计、MQL5实现及回测过程。文末还将提供优化策略性能的建议。

欢迎继续阅读本系列文章，我们将把前两个交易策略合并为一个集成交易策略。本文将展示多种合并多个策略的可行方案，并介绍如何控制参数空间，确保即使在参数数量增加的情况下，仍能进行有效的优化。

在本文中，我们将重点转移到整合新闻驱动的订单执行逻辑 —— 使 EA 能够采取行动，而不仅仅是提供信息。加入我们，一起探索如何在 MQL5 中实现自动交易执行，并将 News Headline EA 扩展为一个完全响应式的交易系统。由于 EA 交易支持多种功能，因此为算法开发人员提供了显著优势。到目前为止，我们一直专注于构建新闻和日历事件展示工具，其中包含集成的 AI 洞察通道和技术指标洞察。

在本文中，我们实现了一个类似于 Python 中 requests 模块的功能，以便更轻松地使用 MQL5 在 MetaTrader 5 中发送和接收 Web 请求。

ADX 振荡器和 CCI 振荡器是趋势跟踪和动量指标，可在开发智能系统时配对。我们考察如何使用机器学习的三大主要训练模式来将其系统化。向导汇编的智能系统令我们能够评估这两个指标所呈现的形态，我们从考察如何在监督学习中应用这些形态开始。

交易时段伊始，市场方向往往晦暗不明，唯有价格突破开盘区间后，趋势才逐渐显现。本文将详解如何利用MQL5编写一款EA，自动识别与分析开盘区间突破，为日内交易提供精准、经得起数据验证的入场信号。

在本讨论中，我们将探索在整合 News Headline EA 显示的经济日历事件的改进事件警报逻辑时所取得的进一步进展。这项改进至关重要 —— 它能确保用户在重要事件发生前不久及时收到通知。加入此讨论以了解更多信息。

欢迎参与讨论，一起探索移动平均线交叉策略的更多改进方法。我们将运用数据科学技能，致力于将策略的滞后性降至更低水平，从而提升其可靠性。众所周知，将数据投影到更高维度有时能提高机器学习模型的性能。我们将向交易者展示这一做法的实际意义，并说明如何利用MetaTrader 5交易终端运用这一强大原理。

Python 中的 sqlite3 模块提供了一种使用 SQLite 数据库的简单方法，它既快速又方便。在本文中，我们将在内置的 MQL5 函数的基础上构建一个类似的模块，用于处理数据库，使在 MQL5 中使用 SQLite3 数据库更容易，就像在 Python 中一样。

在《精通日志记录》第八部分中，我们将探索如何在Logify（一款功能强大的MQL5日志库）中实现多语言报错提示。您将学习如何根据上下文结构化报错信息、将提示内容切换成多种语言，并根据日志重要级别进行自动动态格式化。所有这一切都基于一个简洁、可扩展且适用于生产环境的设计。

蜡条形态有助于交易者理解市场心理，并辨别金融市场趋势，令交易决策更加明智，从而带来更佳成果。在本文中，将探讨如何利用蜡条形态与 AI 模型，达成最优交易绩效。

如何才能最有效地整合多种策略，构建一个强大的策略组合？欢迎加入本次讨论，我们将探讨如何将三种不同的策略整合到我们的交易应用程序中。交易员通常会采用专门的策略来开仓和平仓。我们想探究的是，机器能否在这项任务上表现得比人类更出色。我们将首先从熟悉策略测试器的各项功能开始讨论，以及完成此任务所需的面向对象编程（OOP）原则。

本研究介绍了一种开发趋势跟踪交易策略的新方法。本节介绍标注训练数据并利用它训练分类器的过程。这个过程获得了可在 MetaTrader 5 上运行的完全可操作的交易系统。

我们将为MQL5中的包络线趋势反弹剥头皮策略实现交易执行模块与风险管理功能。我们实现了订单触发逻辑，并构建了包含止损设置与头寸规模计算在内的风险控制体系。最终在第十八部分的基础上完成策略回测与参数优化。

本文介绍了一种受万有引力定律启发的中心引力优化（CFO）算法。它探讨了物理引力的原理如何解决优化问题，其中“较重”的解决方案会吸引不太成功的对应物。

我们将目光转向 MA 与随机振荡器的互补配对，实证推理学习在后监督学习与强化学习状况中扮演的角色。显然，推理学习有多种途径可供选择，不过我们的方式是使用变分自编码器。我们先以 Python 探索这些，然后将训练好的模型以 ONNX 格式导出，可在 MetaTrader 中供向导汇编智能系统所用。

本文中，我们将构建包络线趋势反弹剥头皮EA的核心架构。我们初始化包络线等信号生成所需的指标。同时，我们还将搭建回测环境，为下一篇文章中的交易执行环节做好准备。

在本文中，我们将继续将新策略与创建的自动优化系统联系起来。让我们看看需要对优化项目创建 EA 以及第二和第三阶段 EA 进行哪些更改。

在本文中，我们将使用MQL5构建一个多时间周期扫描仪表盘，用于展示实时交易信号。我们设计了一个交互式网格界面，利用多种指标实现信号计算，并添加了关闭按钮。文章结尾将介绍回测结果以及该仪表盘在策略交易中的优势。

金融市场非是完美平衡。有些市场看涨，有些看跌，有些市场展现范围起伏行为，表明无论哪个方向都不确定，这些不平衡的信息在训练机器学习模型时可能会误导，在于市场频繁变化。在本文中，我们将讨论若干种途径来应对该问题。

在本文中，我们编写了一个可视化优化过程的示例，并显示了四个优化标准的前三个步骤。我们还将提供一个机会，从三个最佳通过中选择一个，以便在表格和图表上显示其数据。

在本系列文章中，我们已经探讨了多种确定技术指标最佳使用周期的方法。今天，我们将向读者展示如何反其道而行之，也就是我们不再局限于挑选一个最佳时间周期，而是演示如何有效地利用所有可用周期。这种方法减少了被剔除的数据量，并为机器学习算法提供了常规价格预测以外的应用场景。

在这篇文章中，我们将以一种非常有趣的方式，看看你需要做什么才能开始使用 Excel 来管理 MetaTrader 5。为此，我们将使用 Excel 加载项来避免使用内置的 VBA。如果您不知道什么是加载项，请阅读本文，学习如何直接在 Excel 中使用 Python 进行编程。

我们继续上一篇文章中有关配以 MA 和随机振荡器指标的 DDPG 话题，探讨实现 DDPG 时其他关键的强化学习类。尽管我们大多用 Python 编码，但最终产品是把训练好的网络导出为 ONNX 格式，我们会将它集成到由向导汇编的 MQL5 智能系统中作为资源。

在本文中，我们将开始创建一个核心风险管理类，这将是控制系统风险的关键。我们将重点建立基础，定义基本结构、变量和函数。此外，我们将实施设定最大损益值的必要方法，从而为风险管理奠定基础。