第 10 页 —— 专家的算法交易文章

神经网络是交易者工具包中的终极工具。我们来检查一下这个假设是否成立。在交易中运用神经网络，MetaTrader 5 是最接近自给自足的媒介。为此提供了一个简单的解释。

范畴论是数学的一个多样化和不断扩展的分支，直到最近才在 MQL5 社区中得到一些报道。这些系列文章旨在探索和验证一些概念和公理，其总体目标是建立一个开放的函数库，提供洞察力，同时也希望进一步在交易者的策略开发中运用这个非凡的领域。

在本文中，我将研究一个简单的模板，用来创建通用的 MetaTrader 机器人，该机器人可以在多个图表上使用，同时仅附加到一个图表，无需在每个单独的图表上为每个机器人实例进行配置。

一篇新文章，介绍如何通过 MQL5 自动检测价格的烛条形态。

在本文中，我将利用实验和非标准方法开发一个可盈利的交易系统，并验证神经网络是否对交易者有任何帮助。若在交易中运用神经网络的话， MetaTrader 5 完全可作为一款自给自足的工具。简单的解释。

在上一篇文章中讨论的强化学习模型中，我们用到了卷积网络的各种变体，这些变体能够识别原始数据中的各种对象。卷积网络的主要优点是能够识别对象，无关它们的位置。与此同时，当物体存在各种变形和噪声时，卷积网络并不能始终表现良好。这些是关系模型可以解决的问题。

在本文中，我们将把本系列中的所有知识付诸实践。我们最终将建立一个 100% 自动化和功能性的系统。但在此之前，我们仍然需要学习最后一个细节。

多层感知器是简单感知器的演变，可以解决非线性可分离问题。结合反向传播算法，可以有效地训练该神经网络。在多层感知器和反向传播系列的第 3 部分当中，我们将见识到如何将此技术集成到策略测试器之中。这种集成将允许使用复杂的数据分析，旨在制定更好的决策，从而优化您的交易策略。在本文中，我们将讨论这种技术的优点和问题。

您知道什么是流程图吗？您能用它吗？您认为流程图适合初学者吗？我建议我们一起继续阅读这篇新文章，学习如何使用流程图。

在本文中，我将创建一些跟踪图表对象事件的功能 — 添加/删除品种图表和图表子窗口，以及添加/删除/更改图表窗口中的指标。

在本文中，我将继续开发图表对象类。我将添加含有可用指标列表的图表窗口对象列表。

在本文中，我将创建图表对象类（单个交易金融产品图表），并改进 MQL5 信号对象的集合类，以便在更新列表时也能为存储在集合中的每个信号对象更新其所有参数。

在本文中，我将着手开发操控市场深度的功能。我还将创建市场深度抽象订单对象，及其衍生类。

鉴于程序在其运行时可能会用到不同的品种，因此应为每个品种创建一个单独的列表。在本文中，我将把这些列表合并到一个即时报价数据集合。实际上，这将是一个常规列表，基于指向标准库 CObject 类及其衍生类实例指针的动态数组。

在本文中，我将创建存储单一品种即时报价数据的列表，并在 EA 中检查其创建状态，以及检索所需数据。每个所用品种各自的即时报价数据列表将来会构成即时报价数据集合。

在本文中，开发一个对象，其中包含一个指标的一个缓冲区的所有数据。这些对象对于存储指标缓冲区的数据序列将是必需的。在其的辅助下，才有可能对任何指标的缓冲区数据，以及其他类似数据进行排序和比较。

DoEasy 函数库中的时间序列（第五十六部分）：自定义指标对象，从集合中的指标对象获取数据

本文研究在 EA 中创建自定义指标对象。我们稍微改进一下库类，并添加一些方法，以便从 EA 中的指标对象获取数据。

本文研究基于基准抽象指标衍生对象类的创建。这些对象所提供功能，可访问创建的指标 EA，收集和获取各种指标和价格数据的数值统计信息。同样，创建指标对象集合，从中可以访问程序中创建的每个指标的属性和数据。

在本文中，我将在 MetaTrader 5 中检查并优化二元期权策略。

根据本系列文章的用户和读者的评论和要求，程序已进行了修改。本文包含一个自动优化器的新版本。该版本实现了所需的功能，并提供了其他改进，这些是我运用该程序操作时发现的。

如果您认为自动化系统很简单，那么您可能并未完全理解创建它们需要什么。在本文中，我们将谈谈杀死大量智能系统的问题。不分青红皂白地触发订单是解决这个问题的可能方法。

如果没有健全的安全性，自动化系统就不会成功。但是，如果不对某些事情有很好的理解，就无法确保安全性。在本文中，我们将探讨为什么在自动化系统中实现最大安全性是一项挑战。

在本系列文章中，我会采用实验和非标准方法来开发一个可盈利的交易系统，并检查神经网络是否对交易者有任何帮助。若在交易中运用神经网络，MetaTrader 5 则可作为近乎自给自足的工具。

如果您无法控制其调度表，则自动化就意味着毫无意义。没有工人能够一天 24 小时高效工作。然而，许多人认为自动化系统理所当然地每天 24 小时运行。但为 EA 设置工作时间范围总是有好处的。在本文中，我们将研究如何正确设置这样的时间范围。

尽管创建自动 EA 并非一项非常困难的任务，但在缺乏必要知识的情况下可能会犯许多错误。在本文中，我们将研究如何构建初级自动化，其中包括创建一个触发器来激活盈亏平衡和尾随停止价位。

我们继续研究强化学习算法。到目前为止，我们所研究的所有算法都需要创建一个奖励政策，从而令代理者能够每次从一个系统状态过渡到另一个系统状态的转换中估算其每个动作。然而，这种方式人为因素相当大。在实践中，动作和奖励之间存在一些时间滞后。在本文中，我们将领略一种模型训练算法，该算法可以操控从动作到奖励的各种时间延迟。

在本文中，我们将目睹如何利用事件处理系统快速有效地处理与订单系统相关的问题。配合这个系统，EA 就能更快地工作，如此它就不必持续不断地搜索所需的数据。

我们继续研究分布式 Q-学习算法。在之前的文章中，我们研究了分布式和分位数 Q-学习算法。在第一种算法当中，我们训练了给定数值范围的概率。在第二种算法中，我们用给定的概率训练了范围。在这两个发行版中，我们采用了一个先验分布知识，并训练了另一个。在本文中，我们将研究一种算法，其允许模型针对两种分布进行训练。