Algorithmic Trading Articles for Expert advisors

本文探讨运用经验分解模式（EMD）预测时间序列的理论和实际应用。它提议以 MQL 实现此方法，并出示了测试指标和智能交易系统。

在本文中，我们将继续研讨在交易中运用 OLAP 技术。我们会扩展前两篇文章中表述的功能。这次我们将研究报价的操盘分析。我们还将基于所汇集的历史数据，推导并检验交易策略的设想。本文推介了基于柱线形态研究和自适应交易的智能交易系统。

在本文中，我们将研究显示文本的消息类。目前，我们有众多的不同消息。是时候重新编排它们的存储、俄/英语言翻译成其他语言、以及显示消息的方法。此外，最好引入便利的方法来向函数库中添加新语言，并在它们之间快速切换。

本文研讨季节性特征的扩展研究：自相关热点图和散点图。本文之目的是展示“市场记忆”的季节性，它通过任意顺序增量的最大相关性来表达。

目前，最大的自动交易应用程序成品商店可提供13,970个产品。它包含4,800个EA、6,500个指标、2,400个实用工具以及其他解决方案。在这种情况下，差不多有一半的应用程序（6,000）可供租用。此外，产品总数的1/4产品（3,800）可以免费下载。

在本系列的前几篇文章中，我们尝试了各种方法来创建或多或少能够盈利的网格智能交易系统。现在，我们将会尝试通过多元化来提高 EA 的盈利能力。我们的终极目标是每年赚取 100％的利润，而最大回撤不超过 20％。

开发指标、智能交易系统和脚本时，开发人员往往需要创建大量与交易策略没有直接关系的各种代码片段。在本文中，我们研究一种复用早前已创建的模块（例如尾随、过滤和调度代码、亦或其他）来搭建智能交易系统的方法。我们将看到这种编程方式的益处。

本文将帐户对象的操作安置于任意函数库对象的新基准对象之上，改进了 CBaseObj 基准对象，并测试了设置跟踪参数，以及接收任意函数库对象事件。

本文针对各种指标的常规背离及其成效进行了严格查验。此外，它还包含用于提升分析准确性的过滤选项，并提供非标准解决方案的功能描述。结果就是，我们将创建一个解决技术任务的新工具。

如何在 MetaTrader 5 中创建并测试自定义 MOEX(莫斯科证券交易所) 品种

本文介绍运用 MQL5 语言创建自定义兑换品种。特别是，它研究使用来自流行的 Finam 网站的兑换报价。本文中研究的另一个选项是在创建自定义品种时可以使用任意格式的文本文件。这允许使用任何金融品种和数据源。创建自定义品种之后，我们可以使用 MetaTrader 5 策略测试器的所有功能来测试兑换品种的交易算法。

在本文中，我们将尝试开发尽可能最好的基于网格的 EA 交易。像往常一样，这将是一个跨平台的EA，能够与 MetaTrader 4 和 MetaTrader 5一起工作。第一个 EA 已经足够好了，只是它在很长一段时间内不能盈利。第二个EA在几年之内可能有效,不幸的是，在最大回撤低于50%的条件下, 它每年无法产生超过50%的利润。

在本文中，我们将开发一个网格EA，用于在一个范围内的趋势方向上进行交易。这样，此EA主要适用于外汇和大宗商品市场，根据测试，我们的网格EA 自2018年以来显示盈利，不幸的是，这在2014-2018年期间并非如此。

在本文中，我们会探讨为一个MQL程序创建一个交互式图形界面，该程序设计用于使用OLAP技术处理帐户历史和交易报告。为了获得视觉效果，我们将使用最大化和可伸缩的窗口、自适应布局的控件和用于显示图表的新控件。为了提供可视化功能，我们将实现一个GUI，其中沿着坐标轴选择变量，以及选择聚合函数、图表类型和排序选项。

本文论述如何创建多维数据（OLAP - 在线分析处理）的在线分析框架，以及如何在 MQL 中实现此框架，还有利用交易帐户历史数据在 MetaTrader 环境中应用此类分析的示例。

在本文中，我们将学习如何创建在 MetaTrader 4 和 MetaTrader 5 中都能工作的 EA 交易。为此，我们将开发一个 EA 构建的订单网格,网格是指将多个限价订单置于当前价格之上，同时将相同数量的限价订单置于当前价格之下的 EA 交易。

本文描述了一种通用的基于CSS选择器的HTML文档数据分析和转换方法。交易报告、测试报告、您最喜欢的经济日历、公共信号、账户监控和其他在线报价源将直接从MQL获得。

本文的目的是创建一个自定义工具，令用户能够接收和使用前面所讨论形态的整体信息数组。我们将创建一个形态相关的函数库，您可以在自己的指标、交易面板、智能交易系统等等应用中运用它们。

在本文的第一部分当中，我曾描述过一个修订的 ZigZag (之字折线) 指标和一个用于接收该类型指标数据的类。在此，我将展示如何基于这些工具开发指标，并编写一款根据 ZigZag 指标形成的信号进行交易的 EA 来测试。作为补充，本文将介绍一套开发图形用户界面的新版 EasyAndFast 函数库。

全方位的数据处理需要大量工具，并且经常超出单一应用程序的功能沙箱。专用编程语言正在用于处理和分析数据，统计和机器学习。 Python 是数据处理的主要编程语言之一。本文介绍如何使用套接字连接 MetaTrader 5 和 Python，以及如何通过终端 API 接收报价。

本文探讨了在分离在不同市场条件下的优化方法,分离优化意味着分别为上涨趋势和下跌趋势分别定义交易系统的最佳参数. 为了减少错误信号的影响，提高盈利能力，系统变得灵活，这意味着它们有一些特定的设置或输入数据，这是合理的，因为市场行为不断变化。

许多研究人员对于判定价格行为没有给予足够的重视。与此同时，还使用各种复杂方法，而这些方法通常只是“黑盒子”，例如机器学习或神经网络。在这种情况下显现出的最严重问题就是提交何种数据来训练特定模型。

在本文中，我们将深入研究马丁格尔（翻倍加仓）系统。我们将评测该系统是否可以用于实盘交易，以及在运用它时如何将风险减至最小。这一简单系统的主要缺点在于很可能会将全部存款亏损。如果您决定使用马丁格尔技术进行交易，则必须考虑这一事实。

在本文中，我们将应用强化学习来开发可以自主学习的EA交易。在前一篇文章中，我们考虑了随机决策森林算法，并编写了一个简单的基于强化学习的自学习EA，概述了这种方法的主要优点（交易算法的开发简单和“培训”速度快）。强化学习（RL）可以很容易地融入到任何交易EA中，并加速其优化。

在设计使用 Kohonen 网络的通用工具的基础上，我们建立了优化EA参数的分析和选择系统，并探讨了时间序列的预测。在第一部分中，我们修正和改进了公开的神经网络类，增加了必要的算法。现在，是时候在实际应用中使用它们了。

本文依据之前发表文献中所介绍的思路，开发在 MetaTrader 5 中运用 Kohonen 映像。改进并强化的类提供了解决应用程序任务的工具。

这篇文章描述了在"一分钟OHLC"模式下实现 OpenCL 烛形形态测试器的算法。我们还将把它的速度与内建的策略测试器在快速和慢速优化模式下做比较。

这是专门讨论逆转交易策略系列文章的最后一篇。在此我们将尝试解决导致之前文章中测试结果不稳定的问题。我们还将开发和测试可在任何市场中运用的逆转策略手动交易算法。

本文是前一篇名为“逆转形态：测试双顶/双底形态”的后续文章。现在我们将会看到另一个著名的逆转形态，称为头肩，比较两种形态的交易效率，并尝试将它们合并成为单一的交易系统。

在这篇文章中, 我们继续致力于反向交易技巧。我们将会尝试减少最大余额回撤，直到对之前探讨的交易工具可以接受的水平。我们将会看看这样是否将会减少利润，我们还将在其它市场中检验反转方法的运行，包括股票、商品、指数、ETF和农产品市场。注意，本文包含了很多图片!

交易者经常寻找趋势逆转点，因为在趋势新形成的最初阶段价格走势具有最大潜力。因此，在技术分析中考虑了各种逆转形态。双顶/双底是最著名和最常用的形态之一。本文提出了程序检测形态的方法。它还测试了形态在历史数据上的盈利能力。

这篇文章详细讨论了跳空缺口 — 前一时间段的收盘价和后一时间段的开盘价之间的较大差距, 以及对日柱方向的预测。还探讨了通过系统DLL使用 GetOpenFileName 函数的问题。

交易机器人的主要优势在于能够在远程 VPS 服务器上每天 24 小时不间断工作。但有时候有必要干预它们的工作，而此刻可能无法直接访问服务器。是否可以遥控管理 EA？本文提出了一种通过外部命令控制 EA 的选项。

本文详细阐述了运用若干种可能选项开发选择最佳优化递次的应用程序。该应用程序能够通过各种因素来筛选优化结果。优化递次始终写入数据库，因此您总能无需重新优化即可选择新的机器人参数。此外，您可在单个图表上查看所有优化递次，计算参数 VaR 比率，并构建递次与特定比率集和的交易结果的正态分布图。以及，自优化伊始（或从选定日期到另一个选定日期）开始动态构建一些计算比率的图形。

本文概述终端创建和运用自定义品种的能力，提供了使用自定义品种模拟交易历史、趋势和各种图表形态的选项。

本文描述 MetaTrader 5 下自我优化机制的实现。

在这篇文章中，我们将会学习反向马丁格尔技术，并且将会了解是否值得使用它，以及它是否有助于提高您的交易策略。我们将会创建一个 EA 交易来在历史数据上运行，检查哪个指标是最适合于反向交易技术的。我们还将验证是否可以不使用任何指标，以独立的交易系统来使用它。另外，我们还将验证反向交易是否可以把一个亏损系统转变为盈利的系统。

任何交易机器人的效率均取决于正确选择（优化）其参数。然而，在某个时间区间内被认为是最佳的参数可能无法在另一个交易历史区间保持其有效性。此外，在测试期间表现良好的 EA 在实时状态下最终会亏损。持续优化的问题就此凸显出来。当面对大量重复性工作时，人类总会寻找自动化方法。在本文中，我提出了一种解决此问题的非标准方法。

本文研讨三种可用于提高袋封融合分类品质的方法，并对其效率进行了评估。评估 ELM 神经网络超参数的优化效果，以及后期处理参数。

有多种多样的交易策略，它们中的一些要寻找趋势，而其它的一些会定义价格波动的范围而在其中进行交易。有没有可能把这两种方法组合到一起来增加获利呢?

截至2018年10月，MetaTrader官方自由职业者服务的成员已完成超过50,000个订单。这是全球最大的MQL程序员自由职业网站：超过1000名开发人员，每天几十个新订单以及7种语言本地化。

预测时间序列（第 1 部分）：经验分解模式（EMD）方法

在交易中应用 OLAP（第 3 部分）：为开发交易策略而分析报价

轻松快捷开发 MetaTrader 程序的函数库 (第十九部分) : 函数库消息类

寻找市场形态的计量经济学方法：自相关，热点图和散点图

MetaTrader市场提供14,000个EA交易

开发跨平台网格 EA（最后部分）：多元化是提高盈利能力的一种途径

使用单独模块构建智能交易系统

轻松快捷开发 MetaTrader 程序的函数库（第十八部分）：帐户与任意其他函数库对象之间的交互

解读经典和隐藏背离的新途径。第二部分

如何在 MetaTrader 5 中创建并测试自定义 MOEX(莫斯科证券交易所) 品种

开发跨平台网格 EA 交易(第三部分): 使用马丁格尔的基于修正的网格

开发跨平台网格EA(第二部分):在趋势方向上的基于范围的网格

在交易中应用 OLAP(第 2 部分)：可视化交互式多维数据分析的结果

在交易中应用 OLAP(第 1 部分)：在线分析多维数据

开发一个跨平台网格 EA

使用CSS选择器从HTML页面提取结构化数据

研究烛条分析技术(第三部分)：用于形态操作的函数库

ZigZag (之字折线) 的力量(第二部分)。接收、处理和显示数据的示例

MetaTrader 5 与 Python 的集成：接收和发送数据

分离策略在趋势和盘整条件下的优化

ZigZag(之字折线)的力量(第一部分)。开发指标基类

以马丁格尔(翻倍加仓)为基础的长线交易策略

蒙特卡罗方法在强化学习中的应用

在算法交易中 KOHONEN 神经网络的实际应用第二部分优化和预测

在算法交易中 Kohonen 神经网络的实际应用。第 I 部分工具

使用 OpenCL 测试烛形形态

逆转：正规化入场点并开发手动交易算法

逆转形态：测试头肩形态

反向交易: 减少最大回撤以及在其它市场上测试

逆转形态：测试双顶/双底形态

跳空缺口 - 是能够获利的策略还是五五开?

EA 遥控方法

100 个最佳优化递次(第 1 部分)。开发优化分析器

根据指定的分布法则为自定义品种的时间序列建模

自动优化 MetaTrader 5 专用 EA

反向交易: 圣杯还是危险的假象

利用指标实时优化智能交易系统

深度神经网络(第八部分)。提高袋封融合的分类品质

组合趋势和盘整策略

在MQL5.com自由职业者服务中已完成50,000个订单