MQL5.com上的编程文章

在本文中，我们将在MQL5中开发一套蝙蝠形态交易系统，该系统借助枢轴点与斐波那契比率识别看涨、看跌蝙蝠谐波形态，并在精准的入场、止损与止盈价位触发交易；并结合图表对象实现直观的可视化展示。

金融市场不可预测，那些在历史回测中表现盈利的交易策略，投入实盘后往往会失效。究其原因：大多数策略部署后逻辑固定，无法自适应市场，也不能从失误中学习。我们借鉴控制理论思想，利用反馈控制器监测策略与市场的交互情况，并调整策略行为，使其趋向盈利。测试结果表明：在简单移动平均策略中加入反馈控制器后，利润提升、风险降低、交易效率提高，证明该方案在交易领域具备巨大潜力。

在上一篇文章中，我展示了如何添加查询机制。这是必要的，以便在 MQL5 代码中能够充分利用 SQL，并使用 SQL SELECT 查询来检索结果。但还有一个函数需要实现，即 DatabaseReadBind 函数。由于要正确理解这个函数需要稍作详细解释，因此决定不在上一篇文章中介绍，而是在今天的文章中详述。鉴于这个主题内容较多，让我们直接进入下一节。

本文提供一个 MQL5 Service（服务）的实现示例，用于保持新建数据库及时更新；该数据库作为数据分析以及一篮子协整股票交易的数据来源。文中详细阐述数据库的设计思路，并整理数据字典以供查阅。配套提供MQL5与Python脚本，用于数据库创建、表结构初始化以及行情数据写入。

我们诚邀您探索 K²VAE 框架的原始实现 — 这是一个灵活的模型，能够线性近似潜在空间中的复杂动态。本文将演示如何在 MQL5 中实现关键组件，包括参数化矩阵，以及如何在标准神经网络层之外对这些矩阵进行管理。对于任何寻求构建可解释时间序列模型实用方法的人来说，本文材料都将大有裨益。

这是一种基于种群的优化算法，其灵感源自一种尚存争议、研究较少的现象 —— 人类梦境的机制。该算法拥有一个具备不同“记忆”的智能体种群，用余弦波调制移动步长，并采用独特的99/1时间分配比例。让我们看一下这些特性会如何影响交易策略的优化效率。

早在计算机出现之前，人工交易者就已投身金融市场，并总结出指导交易决策的经验法则。在本文中，我们重新研究一套知名的突破策略，来检验这种从实战中总结的市场逻辑，能否与系统化交易方法抗衡。研究结果表明：原始策略虽然胜率很高，但存在稳定性差、风险管控不足的问题。通过策略优化，我们展示如何将主观交易经验改造为更加稳健的算法交易策略。

如果您的交易策略能像真实的决斗者一样互相较量、彼此学习，会怎样？决斗者算法（Duelist Algorithm）是一种新的优化方法：在该算法中，不同的参数组合会像决斗者一样相互较量，争夺最优解的位置。

本文探讨矩阵分解在算法交易中的强大作用，重点介绍其在 MQL5 程序里的应用。从回归模型到多目标分类器，我们通过实战示例演示如何借助 MQL5 内置函数轻松集成这类技术。无论你是预测价格方向，还是构建指标行为模型，这份教程都为你使用矩阵方法搭建智能交易系统打下坚实基础。

本文将介绍由对象触发的最后三类事件的工作原理。理解这些内容会非常有意思，因为文末我们要实现的功能在很多人看来有些疯狂，但它完全可行，并且效果十分惊艳。

在今天的文章中，我们将开始学习如何在 MQL5 代码中使用 SQL。我们还将探讨如何创建数据库。或者更准确地说，如何使用 MQL5 内置的功能来创建 SQLite 数据库文件。我们还将了解如何创建表，以及如何通过使用主键和外键来建立表之间的关系。所有这些都将再次使用 MQL5 来完成。我们将看到，通过使用一个有助于封装底层实现细节的类，创建代码是多么容易，这些代码稍后可以迁移到其他 SQL 实现中。而且，最重要的是，我们将看到，在使用 SQL 时，我们可能会在不同阶段面临出错的风险。这是因为，在 MQL5 代码中，SQL 代码总是被放置在字符串中。

我们诚邀您一同探索LightGTS的精彩世界 —— 这是一款轻量但性能强大的时间序列预测框架，融合了自适应卷积、旋转位置编码（RoPE）与创新注意力机制。本文将详细阐述框架内全部组件：从分块（patch）构建，一直到解码器内复杂的混合专家模块，这些实现思路已具备集成到MQL5项目中的条件。您将了解LightGTS如何令自动化交易提升至全新高度！

亲爱的读者，在你放弃并决定不再学习 SQL 之前，请允许我提醒你，我们目前所使用的只是最基本的内容。我们尚未探讨 SQL 的一些功能。一旦你理解了这些功能，你会发现 SQL 远比它看起来要实用得多。不过，由于创作过程是动态的，我们最终很可能会改变我们正在构建的方向。我们将更多地展示如何在 SQL 中创建不同的内容，因为这对你来说确实非常重要且有用。仅仅认为自己比整个程序员和开发人员社区更有能力，只会导致时间和机会的浪费。别担心，因为接下来的内容将会更加有趣。

我们继续讨论“科学家群体优化”这一主题。不应将 CoSO 视为现成的解决方案，而应将其视为一个有前景的研究平台。经过适当开发，CoSO 可以在那些适应性和应变能力至关重要、计算时间不是关键的任务中找到自己的定位。

诚邀您开启一段精彩旅程，一同探索金融时间序列自适应分析领域，了解如何将复杂谱分析与灵活卷积转化为可落地的交易信号。您将看到LightGTS如何捕捉市场节奏，借助可变窗口步长机制适配市场变化；同时了解OpenCL加速如何让高速计算成为获取盈利决策的快车道。

本文介绍了一种创新的量子神经网络架构，用于结合量子力学原理与现代机器学习方法进行算法交易。该系统引入了量子效应（共振、干涉、退相干）、不同时间尺度的多级记忆、结合 ALGLIB 库的马尔可夫链以及自适应参数控制。整个实现过程使用 MQL5 内置的矩阵/向量类型完成，从而降低了在 MetaTrader 5 中实现该系统的门槛。

本文将为大家介绍创新的自适应分块技术，这是一种在考虑时序数据内在周期性的前提下，对时间序列做灵活分块的方法。我们还会讲解一种高效编码技术，该技术在处理不同尺度的数据时，可以保留重要语义特征。金融市场数据具备复杂、多尺度的典型特点，上述两类方法为此类数据的精准处理开辟了新路径，能够显著提升预测结果的稳定性与可靠性。

阅读本文相关的此类技术资料，仅仅浏览和研究代码，绝对不足以理解其中涉及的过程。实际上，您需要编译出可执行程序，并在任意图表上运行它。只有这样，您才能体会到那些单靠看代码极难掌握的细节，例如结合键盘与鼠标来创建某些元素。

经纪商通常会根据预定的时间表定期提供交易账户报表。这些公司通过其 API 技术，可以访问您的账户活动和交易历史，从而为您生成业绩报表。同样，MetaTrader 5 终端会存储您交易活动的详细记录，这些记录可以使用 MQL5 来创建完全定制的报表，并定义个性化的交付方式。

诚邀大家一起来研究现代Time-MoE框架，该框架已针对时间序列预测任务完成适配。本文将分步实现该架构的核心组件，并同步提供原理讲解与实操示例。该方法使得您不仅能够理解模型的运行机制，还可以将相关原理应用于真实交易场景。

本文深入介绍 SwiGLU 嵌入层如何挖掘隐藏的市场规律，以及Decoder-Only Transformer 架构内的稀疏混合专家模型，如何在合理的计算开销下提升预测精度。本文详解将 Time‑MoE 框架集成至 MQL5 与 OpenCL 的实现方法，并提供模型配置与训练的分步教程。

我们将带大家探索在OpenCL计算环境下，时序稀疏混合专家模块的实际实现。本文会分步讲解掩码多窗口卷积的工作原理，以及多信息流场景下如何实现基于梯度的训练流程。

许多交易者根据短期表现来评估策略，往往过早放弃盈利的系统。然而，长期盈利能力取决于通过优化的胜率、风险回报比以及有纪律的仓位规模来实现的正期望值。这些原则可以通过 Python 中的蒙特卡洛模拟以及回测指标进行验证，以评估策略是否稳健或是否可能随时间推移而失败。

有时候，并非所有东西都能用 MQL5 语言编程实现。即使有可能在 MQL5 中转换现有的高级库，那也将是一项耗时的任务。本文试图证明，我们可以通过使用套接字将 MetaTrader 服务中的买卖报价和时间等 tick 信息传输到 Python 应用程序中，从而绕过对 Windows 操作系统的依赖。

本文将向您展示Mamba4Cast如何把理论转化为可运行的交易算法，并为您开展自主实验奠定基础。不要错过这次机会，获取用于自研策略的全面的知识与策略开发灵感。

Python 中的 schedule 模块提供了一种简单的方法来安排重复性任务。虽然 MQL5 缺乏内置的等效功能，但在本文中，我们将实现一个类似的库，以便在 MetaTrader 5 中更轻松地设置定时事件。

在本文中，我们将开始讲解如何在图表上直接操作图形对象。相关示例使用专为演示编写的代码实现。图形对象编程十分有趣，能给人带来许多快乐。由于这是我们初次接触该主题，将从非常基础的内容入手。

元启发式方法中交易策略有效优化的秘诀。科学家群体优化算法是一种新型的基于种群的算法，其灵感来源于科学界的运作机制。与传统的自然启发式隐喻不同，CoSO 模型展现了人类科学活动的独特方面：在期刊上发表成果、竞争资助以及组建研究团队。

图表同步作为简化技术分析的工具，可保证同一交易品种的所有周期图表，统一展示趋势线、矩形、指标等各类图形对象。诸如平移、缩放、切换品种等操作会在所有已同步图表上体现，交易者能够在多个周期下流畅地查看并对比同一价格走势环境。

带简单移动平均线（SMA）的ProSpread季节性指数指标是一款技术分析工具，用于识别价格走势中的季节性规律、分析特定交易时段的价格行为，该指标既支持单个交易品种，也可用于两个资产之间的价差分析。同时，它能够可视化价格定向波动的统计概率。

在之前的文章中，我们提到过有时需要为 ZOrder 属性设置一个值。但是为什么呢？原因在于，许多向图表添加对象的代码根本不使用（或者更准确地说，不定义）此属性的值。关键在于，我并不是来规定每个程序员应该或不应该做什么，或者他们应该或不应该如何编写代码的。亲爱的读者，我在此向您以及所有真正想了解这些过程内部运作原理的人展示，幕后究竟发生了什么。

新闻行情往往伴随着剧烈波动，交易者需要在极短时间内管理多个持仓与交易品种。在本文中，我们将把多品种功能集成到新闻标题EA中，以集成多品种功能的方式应对多品种交易的挑战。接下来我们一起探讨，如何借助MQL5算法交易，让多品种交易变得更加高效、强大。

你知道什么是沙箱吗？你知道怎么操作它吗？如果这两个问题的答案都是“否”，请阅读本文以了解沙箱的基本工作原理。您还将了解为什么 MetaTrader 5 使用沙箱来保护其某些内部数据的完整性。本文所提供的材料纯粹用于教学目的。在任何情况下，你都不应将该应用程序视为最终产品，其目的仅限于研究所呈现的概念。

在前一篇文章中，我们完成了对鳄鱼震荡指标与集散量（A/D）震荡指标组合的研究，分析二者在原生信号模式下的应用效果。这两个指标互为补充：鳄鱼震荡指标属于趋势指标，A/D震荡指标属于量能指标。本文作为续篇，研究如何利用监督式学习，优化前文所探讨的各类特征形态。我们采用的监督学习模型为卷积神经网络（CNN），该模型结合核回归与点积相似度，对卷积核和通道进行尺度配置。一如既往，我们将逻辑写在自定义信号类文件中，该文件可配合MQL5向导来生成EA。

本文介绍一套用于汇率预测的创新混合系统，它将线性自回归模型与用于残差分析的 U-Transformer 架构相结合。系统会根据信号质量自动切换信号来源，并内置完整的交易逻辑，支持摊平加仓/金字塔加仓策略。该方法的核心优势在于：神经网络只在线性模型的残差上训练，从而简化了任务并降低过拟合风险。整套实现完全使用 MQL5 编写，可直接用于实盘交易，并具备随市场环境变化自动适应的能力。

市场情绪是影响价格走势最容易被忽视的强大因素之一。尽管大多数交易者依赖滞后指标或是主观猜测，但市场情绪偏向计（STM）智能交易系统（EA）能够将原始市场数据转化为清晰的可视化指引，实时显示市场倾向看涨、看跌还是保持中性。这让确认交易、避免虚假入场信号以及更有效地把握市场参与时机变得更加容易。

本文介绍了竞争性学习算法（CLA），这是一种基于模拟教育过程的新型元启发式优化方法。该算法将解的种群组织为若干班级，班级中包含学生，而每个班级中最优的学生充当教师。其中代理通过三种机制进行学习：跟随班级中的最优解、利用个人经验以及在班级之间共享知识。

本文提供一份循序渐进指南，带您掌握Firebase的CRUD（创建、读取、更新、删除）操作，重点聚焦实时数据库与Firestore。您将学习如何使用Firebase SDK方法高效管理Web与移动端应用的数据，涵盖新增记录、查询、修改以及删除数据条目。文中提供实用代码示例，并且介绍了实时场景下的数据结构设计与处理最佳实践，帮助开发者依托Firebase灵活的NoSQL（非关系型）架构，开发动态、可扩展的应用程序。

本文探讨了高斯过程的分类模型。我们将首先研究其理论原理，然后转向 MQL5 中 GP（高斯过程）库的实际开发。