MQL5.com上的编程文章

在 MetaTrader 5 中运行的那部分代码的实现没有任何困难。然而，有几点需要考虑。这是必要的，这样你才能让系统正常工作。记住一件重要的事情：不会只有一个程序在运行。事实上，我们必须同时运行三个程序。重要的是，要确保每个部分都能以一种能够相互交流和沟通的方式实施和构建，并且每个部分都能理解其他部分正在尝试或打算做什么。

本文将介绍保形预测（conformal predictions）及其实现库MAPIE。这是一种较新的机器学习方法，重点不在于发现数据规律，而在于为现有模型提供风险管理与不确定性量化能力。保形预测本身并非用于挖掘数据中的规律，而仅用于评估现有模型对特定样本预测的置信度，并筛选出可靠的预测结果。

什么是金融市场角度分析？如何利用价格变动角度和机器学习实现准确率达 67% 的精准预测？如何将回归和分类模型与角度特征相结合，并获得一个可运行的算法？这与江恩理论有什么关系？为什么价格走势角度是机器学习的良好指标？

让我们尝试挖掘CFTC数据，通过Python下载COT和TFF报告，将其与MetaTrader 5行情数据及AI模型相结合，并生成预测。外汇市场中的COT报告是什么？如何利用COT和TFF报告进行行情预测？

CATCH 框架结合了傅里叶变换和频率修补技术，能够准确识别传统方法无法发现的市场异常。让我们来探讨这种方法是如何揭示金融数据中隐藏的模式。

挖掘各国央行资产负债表数据，能够厘清外汇市场与主要币种的全球流动性现状。我们整合美联储、欧洲央行、日本央行、中国人民银行的数据构建综合指数，并借助机器学习挖掘潜藏规律。该方法融合基本面与技术分析，将原始数据转化为可落地的交易信号。

我们继续构建构成 DADA 框架基础的算法，该框架是检测时间序列异常的高级工具。这种方法能够有效区分随机波动和显著偏差。与经典方法不同，DADA 能够动态适应不同的数据类型，在每种特定情况下选择最佳的压缩级别。

在MQL5中实现面向外汇市场的经典CAPM模型适配。本指标基于历史波动率计算预期收益率与风险溢价。指标会在价格高点与低点处出现明显抬升，反映资产定价的基本原理。可实际应用于逆势策略与趋势跟踪策略，实时考量风险收益比的动态变化。本文包含相关数学原理与技术实现代码。

我们诚邀您了解 DADA 框架，这是一种用于检测时间序列异常的创新方法。它有助于区分随机波动和可疑偏差。与传统方法不同，DADA 具有灵活性，能够适应不同的数据。它没有采用固定的压缩级别，而是提供了多种选项，并为每种情况选择最合适的选项。

ARIMA，全称为自回归积分移动平均模型，是一种效果出色的传统时间序列预测模型。该模型能够捕捉时间序列数据中的突增与波动，可对后续数值做出精准预测。在本文中，我们将了解什么是ARIMA、如何运行，以及如何利用它高精度预测市场下一期价格，还有更多相关实用内容。

我们正在基于深度Q网络（DQN）机器学习技术，结合多维因果推理，开发一款自适应、自学习的交易 EA。该 EA 将能够同时成功交易 7 个货币对。不同货币对的智能体之间会相互交换信息。

我们继续实现 DUET 框架作者提出的方法，该框架提供了一种创新的时间序列分析方法，结合时间和通道聚类来揭示分析数据中的隐藏模式。

三重指数平滑摆动指标（TRIX）与威廉百分比指标，是另一组可在 MQL5 智能交易系统（EA）中搭配使用的技术指标。和我们此前介绍的指标组合一样，这组指标同样具备互补性：TRIX 用于判断趋势，威廉百分比指标则确认支撑位与阻力位。按照惯例，我们借助 MQL5 向导，测试这两个指标组合的实战可行性。

确定性振荡搜索（DOS）算法是一种创新的全局优化方法，它结合了梯度算法与群体算法的优点，且不使用任何随机数。适应度振荡与斜率机制使得DOS能够以确定性方式探索复杂的搜索空间。

分形自适应移动平均线（FrAMA）指标与强力指数震荡指标分别属于趋势类和成交量类工具，两者搭配使用可用于开发智能交易系统（EA）。本文承接前一篇对该指标组合的介绍，进一步探讨如何将机器学习应用到该组合中。我们将使用一种搭载点积核的卷积神经网络，并以这两个指标的数据作为输入进行预测。相关实现封装在一个自定义信号类文件中，可配合MQL5向导直接生成EA。

DUET 框架提供了一种创新的时间序列分析方法，该方法结合了时间和通道聚类，以揭示分析数据中的隐藏模式。这使得模型能够随着时间的推移而适应变化，并通过消除噪声来提高预测质量。

本文介绍了在 MQL5 中开发套利分析面板的过程。如何通过不同方式在外汇交易中获得公允的汇率？制定一个指标，以获取市场价格与公允汇率之间的偏差，并评估一种货币兑换为另一种货币的套利方式（如三角套利）的收益。

金融市场的形态检测极具挑战性，因为它需要“看懂图表画面”，而MQL5受限于图像处理能力，很难实现这一点。本文将介绍一个基于Python构建的合适的模型，它能让我们轻松高效地检测图表上的各类形态。

基于状态矩阵与神经网络的自训练智能交易系统（EA）我们将马尔可夫链与基于ALGLIB MQL5库开发的多层感知器（MLP）神经网络相结合。马尔可夫链与神经网络如何结合应用于外汇预测？

我们继续将 Attraos 框架的作者提出的方法整合到交易模型中。让我提醒您，这个框架利用混沌理论的概念来解决时间序列预测问题，将其解释为多维混沌动态系统的投影。

预测货币对走势是交易成功的重要因素。本文剖析各类价格运行模型，对比其优劣特性，并探究模型在交易策略中的实际落地方式。文中将介绍能够挖掘潜在行情规律、提升预测精准度的分析方法。

分形自适应移动平均线（FrAMA）与强力指数震荡指标则是另一种可在MQL5智能交易系统（EA）中搭配使用的指标。这两个指标具备良好的互补性：FrAMA属于趋势跟踪指标，而强力指数是基于成交量的震荡指标。与之前一样，我们将借助MQL5向导快速挖掘这组指标的潜在交易价值。

Attraos 框架将混沌理论整合至长期时间序列预测领域，并将其视作多维混沌动力系统的投影。该模型利用吸引子不变性，通过相空间重构和动态多分辨率记忆来保留历史结构。

斐波那契回调位是技术分析中常用的工具，可以帮助交易者识别潜在的价格反转区域。本文将探讨如何将这些斐波那契回调位转化为机器学习模型的目标变量，从而借助这一强大的工具让模型更好地理解市场规律。

我们将创建一个基于马尔可夫链的矩阵预测模型。什么是马尔可夫链？我们如何将马尔可夫链应用于外汇交易？

我们继续探索混合图序列模型（GSM++），该模型融合了不同架构的优点，既提供了高分析精度，又实现了计算资源的有效分配。这些模型能够有效识别隐藏的模式，降低市场噪声的影响，并提高预测质量。

面向交易的计算机视觉：工作原理与分步开发指南。我们基于注意力机制与双向LSTM层，构建价格图表RGB图像识别算法。最终得到一套可用的欧元兑美元（EURUSD）价格预测模型，在验证阶段，模型预测准确率最高可达55%。

本文将探讨如何使用MQL5语言，在自动化交易策略中应用盈亏平衡机制。我们会先简要介绍什么是盈亏平衡模式、其实现方式以及可能存在的不同类型。随后，该功能将被集成到我们在上一篇关于风险管理的文章中所构建的Order Blocks智能交易系统（EA）中。为评估盈亏平衡机制的效果，我们会在特定条件下进行两组回测：一组启用盈亏平衡机制，另一组则不启用。

骆驼算法（CA）于 2016 年被提出，该算法模拟沙漠中骆驼的行为特征来求解优化问题，同时考量温度、供给储备和耐力三大因素。本文还提出了该算法的改进版本（CAm），核心改进包括：在解的生成过程中引入高斯分布，并对绿洲效应参数进行优化。

本文提出了一种新型元启发式算法，该算法基于分形思想对搜索空间进行划分，以求解优化问题。该算法通过逐步识别并分离有前景的区域，构建出自相似的分形结构，从而将计算资源集中到最有前景的搜索区域。其独特的、面向更优解的变异机制，有助于在搜索空间的全局探索与局部开发之间取得良好的平衡，显著提升了算法效率。

混合图序列模型（GSM++）结合了不同架构的优点，能够提供高保真度的数据分析，并优化计算成本。这些模型可高效适配动态市场数据，进而优化金融信息的展示与处理流程。

本文探讨了大逃杀优化器算法 —— 这是一种元启发式算法，其中各解与其最近邻进行竞争，累积"伤害"，当超过阈值时被替换，并周期性地在当前最优解周围缩小搜索空间。文章提供了CAOBRO类的伪代码及MQL5中的实现，包括邻近搜索、向最优解移动以及自适应δ间隔。在Hilly、Forest和Megacity测试函数上的实验结果突出了该方法的优势与局限性。读者可以获得一套开箱即用的基础框架，用于实验和调优关键参数，如种群大小（popSize） 和最大伤害值（maxDamage）。

Dijkstra（迪杰斯特拉）算法是图论中一种经典的最短路径解决方案，它可以通过对市场网络进行建模来优化交易策略。交易者可以利用它从 K 线图表数据中找到最高效的路线。

在本文中，我们将使用MQL5开发一款信息仪表盘，用于监控多品种持仓以及账户关键指标，如余额、净值和可用保证金。我们将实现一个支持排序的实时刷新表格、CSV导出功能，以及发光表头效果，以提升工具的实用性与视觉体验。

历史行情数据绝非 “无用糟粕”，而是所有稳健市场分析的根基。本文将带您循序渐进，从历史数据采集入手，利用数据训练预测模型，最终完成模型部署，实盘价格预测落地应用。继续往下阅读，掌握完整实现流程！

在本文中，我们将讨论如何创建一个支持内容滚动的“容器”控件。在此过程中，将对已实现的图形库控件类进行改进。

提升您对市场的解读能力，这款适用于MetaTrader 5的K线区间理论套件是完全原生的MQL5解决方案，能将原始K线数据转化为实时波动率情报。轻量级的CRangePattern库会将每根K线的真实波幅与自适应ATR进行基准对比，并在K线收盘的瞬间完成形态分类；CRT指标随后会将这些分类结果以清晰的彩色矩形和箭头形式呈现在图表上，实时揭示市场的缩量盘整、强势突破以及全区间吞没形态。