第 36 页 —— 算法交易文章 —— 指南与示例

在本文中，我们将继续研究分形，并会特别留意总结所有材料。为此，我将尝试把所有早期开发归纳为一个紧凑的形式，这对于交易中的实际应用来说将是方便和易于理解的。

更好的程序员（第 02 部分）：停止做这 5 件事变为一名成功的 MQL5 程序员

对于任何想要提高编程职业生涯的人来说，这是一篇必读文章。本系列文章旨在尽最大可能令您成为最佳程序员，无论您有多少经验。研讨的思路适用于 MQL5 编程萌新和专业人士。

在本文中，我将优化前几篇文章中的类代码，并创建几何动画框对象类，允许我们绘制给定顶点数的正多边形。

在本文中，我将开发单个的动画框，及其衍生类。该类允许绘制造型，同时维护，并恢复它们得下层背景。

本文研究典型图表事件，包括其处理例程。我们将专注于鼠标事件，按键，创建/修改/删除图形对象，鼠标点击图表上的图形对象，用鼠标移动图形对象，在文本域中完成文本编辑，以及在图表上修改事件。研究的每一类事件，都有一个 MQL5 程序例程。

在本系列文章中，我们将尝试找寻概率论的实际运用来描述交易和定价过程。在首篇文章中，我们将研究组合数学和概率论的基础知识，并将分析如何在概率论的框架中应用分形的第一个例子。

优秀程序员（第 01 部分）：您必须停止做这 5 件事才能成为一名成功的 MQL5 程序员

萌新甚至高级程序员都会有很多坏习惯，这令他们无法在其编程事业中成为最佳的。我们将在本文中就这些问题予以讨论并定位。对于所有梦想成为优秀 MQL5 开发者的人来说，这篇文章都是必读的。

MQL5.community服务为交易者以及MetaTrader 程序端应用程序的开发人员提供更多机会。在本文中，我们描述了如何执行MQL5服务的付款，如何提取获得的收入，以及如何确保操作安全性。

这是研讨算法交易框架中逆转形态相关的系列文章中的首篇。我们将从最有趣的形态家族开始，它们源自双顶和双底形态。

在本文中，我将定义会在函数库某些部分中用到的动画原理。我还将开发一个类，复制图像的一部分，并将其粘贴到会话窗对象上的指定位置，它是为了保留和恢复叠加图像位置的会话窗背景部分。

在本文中，我将为阴影对象创建一个单独类，它是图形元素对象的衍生后代，并加入渐变填充对象背景的功能。

在本文中，我所述的概念将涵盖构建各种函数库 GUI 设计主题，创建会话窗对象，它是图形元素类对象的衍生后代，并为创建函数库图形对象的阴影准备数据，以及进一步开发功能。

聚类分析是人工智能最重要的元素之一。在本文中，我尝试应用指标斜率的聚类分析来获得阈值，据其判定行情是横盘、亦或跟随趋势。

在本文中，我将继续开发由 CCanvas 标准库类提供强力支持的所有函数库图形对象的基准图形元素类。我将创建绘制图元和在图形元素对象上显示文本的方法。

在本文中，我将重修上一篇文章中构建的图形对象概念，并准备由标准库 CCanvas 类提供强力支持的函数库所有图形对象的基类。

这篇文章开辟了函数库一个新的操控图形的大章节。在本文中，我将创建鼠标状态对象、所有图形元素的基准对象、以及函数库图形元素的交互窗对象类。

来自专业程序员的提示（第二部分）：在智能交易系统、脚本和外部程序之间存储和交换参数

这些来自专业程序员关于方法、技术和辅助工具的一些提示，可令编程变得更轻松。我们将讨论终端重启（关闭）后如何恢复参数。所有示例都是来自我的 Cayman 项目的真实工作代码片段。

在本文中，我将尝试扩展掉期利率交易方法的经典概念。我将解释为什么我会得出这样的结论，即这个概念值得特别关注，绝对推荐研究。

这些提示来自专业程序员，涵盖有关方法、技术和辅助工具，能够令编程更轻松。

本文所提供的技术讲述，旨在提高任何自动交易系统的有效性。它简要解释了这个思路，以及它的基本原理、可能性和缺点。

本文基于上一篇文章中设定的目标，提出了一个改进的暴力强推版本。我将尝试尽可能广泛地涵盖这个主题，并以该方法获取的设置来运行智能交易系统。本文还附有一个新的程序版本。

本文讨论了一种流行的 MVC 范式，以及它运用在 MQL 程序中的可能性、优缺点。这个思路是将现有代码拆分为三个独立的组件：模型、视图和控制器。

在上一篇文章中，我们开始研究旨在提高神经网络训练品质的方法。在本文中，我们将继续这个主题，并会研讨另一种方法 — 批次数据常规化。

本文介绍了应用于网格和马丁格尔交易的机器学习技术。令人惊讶的是，这种方法在全球网络中难觅踪迹。阅读过本文之后，您将能够创建自己的交易机器人。

在本文中，我将演示一些非常有趣且实用的自动交易技术。其中一些可能您很熟悉。我将尝试覆盖最有趣的方法，并解释为什么它们值得使用。此外，我将展示这些技术在实战中的适用性。我们将创建智能交易系统，并依据历史报价来测试全部所述技术。

我将继续采用最少的必要功能来充实算法，并测试结果。其获利能力十分低下，但文章展示的全自动盈利交易的模型，是在不同的行情基本面及完全不同的金融产品上进行。

作为研究神经网络的下一步，我建议研究在神经网络训练过程中提高收敛性的方法。有若干种这样的方法。在本文中，我们将研究其中之一，名为“舍弃”。

也许，GPT-3 是目前已有语言类神经网络中最先进的模型之一，它的最大变体可包含 1750 亿个参数。当然，我们不打算在家用 PC 上创建如此庞然之物。然而，我们可以看看在我们的操作中能够采用哪种体系解决方案，以及如何从中受益。

这两种方法的普及性日益增加，因此在 Matlab、R、Python、C++ 等领域开发了大量的库，它们接收到一个训练集作为输入，并自动为问题创建合适的网络。让我们试着理解基本的神经网络类型是如何工作的（包括单神经元感知机和多层感知机）。我们将探讨一个令人兴奋的算法，它负责网络训练 - 梯度下降和反向传播。现有的复杂模型往往基于这样简单的网络模型。