第 10 页 —— 专家的算法交易文章

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。

在本文中，我将尝试研究一些构建非线性指标的方法，并探索其在交易中的用处。 MetaTrader 交易平台中有相当多的指标采用非线性方式。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。交易者应当始终明白自动 EA 正在做什么，以便若它“偏离轨道”，交易者可以尽早将其从图表中删除，并控制事态。

我们继续研究分布式 Q-学习。今天我们将从另一个角度来看待这种方式。我们将研究使用分位数回归来解决价格预测任务的可能性。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。当前状态下，我们的 EA 已能在任何状况下工作，但尚未准备好自动化。我们仍然需要在几点上努力。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。在上一篇文章的末尾，我建议允许手工操作 EA 是合适的，至少在一段时间内。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。在上一篇文章中，我们已启动开发一个在自动化 EA 中使用的订单系统。然而，我们只创建了一个必要的函数。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。在上一篇文章中，我们讨论了任何人在继续创建自动交易的智能系统之前需要了解的第一步。我们首先研究了概念和结构。

今天，我们将看到如何创建一个在自动模式下简单安全地工作的智能系统。

我们在本系列的早期文章中领略了 Q-学习方法。此方法均化每次操作的奖励。 2017 年出现了两篇论文，在研究奖励分配函数时展现出了极大的成功。我们来研究运用这种技术解决我们问题的可能性。

什么是帧分析器（Frames Analyzer）？这是适用于任意智能系统的一个插件模块，在策略测试器中、以及测试器之外进行参数优化期间，该工具在参数优化完成后立即读取测试创建的 MQD 文件、或数据库，并分析优化帧数据。您能够与拥有帧分析器工具的其他用户共享这些优化结果，从而共同讨论结果。

在上一篇文章中，我们开始探索非梯度优化方法。我们领略了遗传算法。今天，我们将继续这个话题，并将研究另一类进化算法。

今天我想给大家介绍一种略有不同的学习方法。我们可以说它是从达尔文的进化论中借鉴而来的。它可能比前面所讨论方法的可控性更低，但它允许训练不可微分的模型。

在本系列的前几篇文章中，我们见识到两种增强的学习算法。它们中的每一个都有自己的优点和缺点。正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。这将弥补它们每种的短处。本文将讨论其中一种方法。

我们继续研究强化学习方法。在上一篇文章中，我们领略了深度 Q-学习方法。按这种方法，已训练模型依据在特定情况下采取的行动来预测即将到来的奖励。然后，根据政策和预期奖励执行动作。但并不总是能够近似 Q-函数。有时它的近似不会产生预期的结果。在这种情况下，近似方法不应用于功用函数，而是应用于动作的直接政策（策略）。其中一种方法是政策梯度。