MQL5.com上的编程文章

本文介绍了PatchTST这一革新性架构，它是专为金融时序分析定制的Transformer模型，将市场数据切分为16根K线的补丁块，以此实现高效运算。我们将讲解基于MQL5的交易机器人完整实现方案，涵盖从数学原理、数据结构，到自带风控与持续学习系统的成品EA。

在本文中，我们会在MQL5中开发一款AB=CD形态EA，借助枢轴点与斐波那契比例识别看涨、看跌AB=CD谐波形态，并按照精准的入场、止损、止盈价位执行交易。我们通过图表对象实现可视化反馈，帮助交易者更直观地研判行情。

我们很高兴为大家带来TQNet框架开发与测试的最终阶段，将理论落实到真实交易场景中。我们将从历史样本训练转入基于近期市场数据的压力测试，以此评估模型的稳健性与预测精度。最终结果不只是枯燥的统计指标，更是对这套方案实际价值的直观证明。

在这个部分中，我们将探讨 MQL5 中高斯过程库关键接口的实现：IKernel、ILikelihood 和 IInference。我们还将演示其在合成数据上的运行情况，并实现分类和回归指标，同时演示其在在线模式下的运行情况 — 即每根新 K 线都会对模型进行重新训练。

时序查询网络（TQNet）框架兼具模块化、灵活性与高性能，为金融时间序列的建模与预测开辟了新路径。本文探讨实现全局相关性复杂处理机制的可行性，其中包含高级参数初始化方法。

运用聪明钱概念（SMC）提升你的交易水平，将订单块（OB）、结构突破（BOS）与公允价值缺口（FVG）整合到一个强大的 EA 中。选择自动策略执行，或聚焦任意单一的 SMC 概念，实现灵活而精准的交易。

今天，我们将基于图表对象开发一套多图表视图系统。开发目标是服务于新闻交易，借助MQL5算法，缩短交易者在重大新闻发布等高波动行情下的反应时间。在本示例中，我们为交易者提供一体化方案，可以在同一个新闻交易工具内同时监控多个主流交易品种。我们的开发在新闻标题EA（News Headline EA）的基础上持续迭代，目前该EA的功能还在不断扩充，无论是全自动策略使用者，还是依靠算法辅助手工交易的交易者，都能从中获得实际帮助。欢迎点击阅读、参与讨论，一起学习更多知识、思路与实战方案。

本文将介绍一种算法，可以将时间序列分解为具备明确含义的多层分量，并基于这些分量构建简约模型。我们会系统阐述模型架构、基于MQL5/OpenCL的实际实现，以及基于历史行情数据开展的实际测试。

本文介绍分形响应系统（Fractal Reaction System），这是一套精简的MQL5工具，能够将分形拐点转化为可用于交易的市场结构信号。该EA采用K线收盘判定逻辑，避免信号重绘；可以识别行情性质转变（ChoCH）预警、确认结构突破（BOS），在图表上绘制持久图形对象，并对每一个已确认事件生成日志与多渠道告警（桌面端、移动端和声音提醒）。下文将呈现算法设计、实现要点、测试结果以及完整EA源码，您可以自行编译、回测并部署这套信号识别工具。

在这里，我们将开始将之前完全相互隔离的不同组件或应用程序整合在一起。Chart Trade、鼠标指标和 EA 已经相互连接，但仍然无法直接在图表上显示交易服务器上未平仓位，这些持仓通常使用对冲订单机制进行管理。从这一点开始，这成为可能，为各种想法和未来的实施开辟了道路。尽管我们才刚刚开始将这些组件投入运行，但我们已经有了进一步发展的方向。

本文我们继续实操讲解SSCNN —— 一款能够处理碎片化时间序列的新一代架构方案。SSCNN不再盲目扩大模型规模，而是依靠精巧的模块化设计、精细化处理和针对性归一化。我们将在MQL5环境中逐步搭建计算单元，为可靠的预测分析打下基础。

在今天的文章中，我们将探讨几种使用 FileSave 和 FileLoad 库函数的方法。尽管由于它们在特定场景中带来的某些限制或困难，许多人认为它们的使用范围有限，但正确理解这两个函数的工作原理在某些情况下可以为我们节省大量精力。它们也是处理日志文件的绝佳方式。

本文是一个分为上下两部分的系列文章的第一部分，旨在传授使用MQL5编写自定义指标的实用技巧与最佳实践。以平均K线（Heikin Ashi）作为实操案例，讲解平均K线图表背后的原理、平均K线柱的计算方式，并演示其在技术分析中的用法。核心内容是一份从零开发完整可用的平均K线指标的分步教程，附带清晰说明，帮助读者理解代码写法以及背后的设计逻辑。这些基础内容将为第二篇铺垫，第二篇我们将开发一套基于平均K线逻辑进行交易的智能交易系统（EA）。

在本文中，我们将开始探究 SSCNN 框架 —— 一套面向时间序列分析的现代架构方案，兼具精度、结构化设计与高计算效率。我们会系统剖析它的理论基础，重点对比它与前代模型的核心差异，并着手在 MQL5 环境中落地其基础组件。

我们很高兴为您呈现关于 GinAR 系列文章的最后一部分 — GinAR 是一个用于时间序列预测的神经网络框架。在本文中，我们分析了模型在新数据上的测试结果，并评估了其在真实市场条件下的稳健性。

在本文中，我们搭建一套可投入实盘使用的MT5监控面板，它能够将原始逐笔tick数据转化为可用于交易的信号。该EA会缓存tick数据，用于计算tick级别的VWAP、短窗口订单失衡（资金流）指标，以及基于ATR的仓位大小。面板采用减少闪烁的柱状图，直观展示点差、ATR与资金流。系统会输出建议手数与1倍风险止损位，并支持自定义告警：低点差、强资金流、具备交易优势的行情状态均可触发提醒。自动交易功能被有意禁用；本项目的重心放在稳定可靠的信号生成与简洁友好的交互体验上。

我们诚邀您探索 GinAR 框架关键组件的新实现 — 一种用于处理图结构时间序列的自适应算法。本文逐步分解了架构以及前向传播和误差反向传播的算法。

本文详细讲解了SCNN架构，并介绍一种基于MQL5的实现方案。我们将演示如何把时间序列分解与神经网络方法、注意力机制相结合。

本文将使用MQL5开发一套加特利形态交易系统。该系统依托枢轴点与斐波那契比率识别看涨、看跌加特利谐波形态，并依据精准的入场、止损和止盈价位执行交易。系统可通过三角形、趋势线、文本标签等图表对象实现可视化展示，清晰呈现XABCD形态结构，辅助交易者分析行情。

我们诚邀您探索一种使用 GinAR 框架预测缺失数据时间序列的创新方法。本文展示了使用 OpenCL 实现关键组件的过程，确保了高性能。在我们的下一篇文章中，我们将详细介绍如何将这些解决方案集成到 MQL5 中。这将有助于理解如何在交易实践中应用该方法。

本文将继续探索 SCNN 框架实现的下一阶段。该框架兼具灵活性与可解释性，能够精准识别时间序列中的各类结构化分量。本文将详细讲解自适应归一化与注意力机制的原理，这两项机制保障模型在市场环境发生变化时依然具备稳健性。

我们诚邀您探索创新的SCNN框架。该框架可将数据清晰拆分为长期分量、季节分量、短期分量与残差分量，把时间序列分析提升至全新层次。该方法使模型能够适配复杂且不断变化的市场动态，从而显著提升预测精度。

我们诚邀您了解 K²VAE 框架以及如何将所提出的方法集成到交易系统中。您将了解到混合 Koopman-Kalman-VAE 方法如何助力构建自适应且可解释的模型。本文最后将展示使用所实现方案的实际应用结果。

本文介绍一种将MetaTrader数据导出至谷歌表格的安全实现方案。谷歌表格是十分理想的选择，它基于云端，存储在其中的数据可随时随地访问。交易者可以读取导出到谷歌表格的交易数据，随时随地展开分析，指导后续交易。

我们诚邀您探索一种将经典方法和现代神经网络相结合的新方法，用于时间序列分析。本文详细解释了 K²VAE 模型的架构和运行原理。

本文深入探讨如何丰富交易报告的细节，并以 PDF 格式通过电子邮件发送最终报告。本文是前序文章内容的延伸，我们将继续探索如何利用 MQL5 与 Python，生成并定时输出格式专业、使用便捷的交易报告。跟随本文，你将了解如何在 MQL5 生态中优化交易报告的生成流程。

本文会讲解如何运用MQL5的原生函数操作数据库。我们的内容涵盖建表、数据插入、更新、删除以及数据导入导出，全部配有示例代码。本文可以帮助读者扎实理解数据访问的内部工作机制，同时为后续ORM相关内容做好铺垫 —— 我们将在MQL5中构建一个迷你ORM。

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。