Algorithmic Trading Articles for Expert advisors

在本文中，我们将讨论如何将趋势跟踪和基本面原则无缝整合到一个EA中，以构建一个更加稳健的交易策略。本文将展示任何人都可以轻松上手，使用MQL5构建定制化交易算法的过程。

了解如何在 MQL5 代码或项目中导入和使用 EX5 库。在这篇续文中，我们将通过向现有库中添加更多仓位管理功能并创建两个 EA 交易系统来扩展 EX5 库。第一个例子将使用可变指数动态平均（Variable Index Dynamic Average，VIDYA）技术指标来开发追踪止损交易策略 EA 交易，而第二个例子将利用交易面板来监控、开仓、平仓和修改仓位。这两个例子将演示如何使用和实现升级后的 EX5 仓位管理库。

本文介绍一个基于EMA交叉信号的自动交易算法，该算法适用于MetaTrader 5平台。文章详细阐述了在MQL5中开发一个EA所需的方方面面，以及在MetaTrader 5中进行测试的过程——从分析价格区间行为到风险管理。

我们继续探索时间序列在频域中的分析和预测。在本文中，我们将领略一种在频域中预测数据的新方法，它可被加到我们之前研究过的众多算法当中。

混沌理论可以应用于金融市场吗？在这篇文章中，我们将探讨传统混沌理论和混沌系统与比尔·威廉姆斯提出的概念有何不同。

当我们逐渐接近获得一个现成的 EA 时，我们需要注意在测试交易策略阶段看似次要的问题，但在转向真实交易时变得重要。

符号回归是一种回归形式，它从最小、甚或没有假设开始，而底层模型看起来应当映射所研究数据集。尽管它可以通过贝叶斯（Bayesian）方法、或神经网络来实现，但我们看看如何使用遗传算法实现，从而有助于在 MQL5 向导中使用自定义的智能信号类。

您应当知道的 MQL5 向导技术（第 19 部分）：贝叶斯（Bayesian）推理

贝叶斯（Bayesian）推理是运用贝叶斯定理，在获得新信息时更新概率假设。这在直观上倾向于时间序列分析中的适应性，那么我们来看看如何运用它来构建自定义类，不仅针对信号，还有资金管理、和尾随破位。

通过研究 FEDformer 方法，我们打开了时间序列频域表述的大门。在这篇新文章中，我们将继续一开始的主题。我们将研究一种方法，据其我们不仅能进行分析，还可以预测特定区域的后续状态。

之前开发的风险管理器仅包含基本功能，让我们试着探讨其可能的开发方式，使我们能够在不干扰交易策略逻辑的情况下改善交易结果。

本文中，我们将在MQL5中开发一个动态多品种、多周期相对强弱指数（RSI）指标仪表盘，为交易者提供跨不同品种和时间段的实时RSI值。该仪表盘具备交互式按钮、实时更新功能和有色编码的指标，以帮助交易者做出明智的决策。

聪明资金概念（结构突破）与 RSI 指标相结合，可根据市场结构做出明智的自动交易决策。

在第四篇中，我们重新审视了之前开发的“简单对冲”和“简单网格”智能系统（EA）。我们的专注点转移到通过数学分析和暴力方式完善简单网格 EA，旨在优化策略用法。本文深入策略的数学优化，为在以后文章中探索未来基于编码的优化奠定了基础。

到目前为止，我们研究过的所有模型在分析环境状态时都将其当作时间序列。不过，时间序列也能以频率特征的形式表示。在本文中，我将向您介绍一种算法，即利用时间序列的频率分量来预测未来状态。

本文从详细的角度讨论了如何基于交易算法实现 EA 交易系统的创建。这有助于在 MQL5 中实现系统自动化，并控制每日回撤。

想象一下，您可以使用 MetaTrader 中没有的数据，您只能通过价格分析和技术分析从指标中获得数据。现在想象一下，您可以访问数据，这将使你的交易能力更高。如果您通过 API（应用程序编程接口）数据混合其他软件、宏观分析方法和超高级工具的输出，您就可以倍增 MetaTrader 软件的力量。在本文中，我们将教您如何使用 API，并介绍有用和有价值的 API 数据服务。

许多人喜欢它们，但却只有少数人理解神经网络背后的整个操作。在本文中，我尝试用淳朴的语言来解释前馈多层感知，解密其封闭大门背后的一切。

本文概述了如何创建一个基于价格突破震荡区间进行交易的EA。通过识别震荡区间并设定突破水平，交易者可以基于这一策略自动化其交易决策。该EA旨在为交易者提供明确的入场和出场点，同时避免虚假突破。

为尝试获得最准确的预测，研究人员经常把预测模型复杂化。而反过来又会导致模型训练和维护成本增加。这样的增长总是公正的吗？本文阐述了一种算法，即利用线性模型的简单性和速度，并演示其结果与拥有更复杂架构的最佳模型相当。

当经由向导组装一款智能系统时，默认情况下，跨多币种交易不可用。我们研究了 2 种可能采取的技巧，可令交易者在同一时间据多个品种测试他们的思路。

攻击角度是一个经常被引用的指标，其陡峭程度被认为与当前趋势的强度密切相关。让我们来看一下通常如何使用和理解该指标，并探讨在测量时是否可以做出一些改变，以优化那些将其纳入交易系统的应用效果。

我们已经实现了自动化优化的第一阶段。我们根据若干标准对不同的交易品种和时间框架进行优化，并将每次通过的结果信息存储在数据库中。现在我们将从第一阶段找到的参数集中选择最佳组。

预测在时间序列分析中扮演重要角色。在新文章中，我们将谈谈时间序列补片化的益处。

了解如何创建面向开发人员的工具包，使用 MQL5 管理各种仓位操作。在本文中，我将演示如何创建一个函数库 (ex5)，以执行从简单到高级的仓位管理操作，包括自动处理和报告使用 MQL5 处理仓位管理任务时出现的各种错误。

我们继续研究时间序列预测算法。在本文中，我们将讨论另一种方法：U-形变换器。

本系列文章的这一部分专门介绍如何将WhatsApp与MetaTrader 5集成以实现通知功能。我们包含一张流程图以简化理解，并将讨论在集成过程中安全措施的重要性。指标的主要目的是通过自动化的简化分析过程，并且它们应包含通知方法，以便在满足特定条件时向用户发出警报。欲了解更多信息，请阅读本文。

在正在开发的 EA 中，我们已经有了某种控制回撤的机制。但它具有概率性，因为它是以历史价格数据的测试结果为基础的。因此，回撤有时会超过最大预期值（尽管概率很小）。让我们试着增加一种机制，以确保遵守指定的回撤水平。

为了获得一个好的 EA，我们需要为它选择多组好的交易策略实例参数。这可以通过对不同的交易品种运行优化然后选择最佳结果来手动完成。但最好将这项工作委托给程序，并从事更有成效的活动。

在本文中，我愿向您介绍一种新的复杂时间序列预测方法，它和谐地结合了线性模型和转换器的优点。

支持向量机基于预定义的类，按探索增加数据维度的效果进行数据分类。这是一种监督学习方法，鉴于其与多维数据打交道的潜力，它相当复杂。至于本文，我们会研究进行价格行为分类时，如何运用牛顿多项式更有效地做到非常基本的 2-维数据实现。

我们已经知晓，输入数据的预处理对于模型训练的稳定性扮演重要角色。为了在线处理 “原始” 输入数据，我们往往会用到批量归一化层。但有时我们需要一个逆过程。在本文中，我们将讨论解决该问题的可能方式之一。

本文介绍了最初是为天气预报而开发的“构象（Conformer）”算法，其变化多端之处可与金融市场相提并论。“构象（Conformer）”是一种复杂的方法。它结合了关注度模型和常微分方程的优点。

在本文中，我们将讨论另一种模型类型，它们旨在研究环境状态的动态。

有多种用于交易策略和参数自我优化的算法。这些算法基于历史和当前市场数据自动改进交易策略。在本文中，我们将通过Python和MQL5的示例来探讨其中一种算法。

《数据科学与机器学习（第25部分）：使用循环神经网络（RNN）进行外汇时间序列预测》

循环神经网络（RNN）非常擅长利用过去的信息来预测未来的事件。它们卓越的预测能力已经在各个领域得到了广泛应用，并取得了巨大成功。在本文中，我们将部署RNN模型来预测外汇市场的趋势，展示它们在提高外汇交易预测准确性方面的潜力。

今天，我们将讨论如何使用MQL5与Python和Telegram Bot API相结合，为MetaTrader 5的指标通知集成一个实用的Telegram应用。我们将详细解释所有内容，确保每个人都不会错过任何要点。完成这个项目后，您将获得宝贵的见解，可以在自己的项目中加以应用。

你知道吗？与预测交易标的的基础价格相比，我们预测某些技术指标时能获得更高的准确性。加入我们，一起探索如何利用这一想法来制定更好的交易策略。

MQL5 简介（第 7 部分）：在 MQL5 中构建 EA 交易和使用 AI 生成代码的初级指南

在我们的综合文章中，了解使用 MQL5 构建 EA 交易的终极初学者指南。逐步学习如何使用伪代码构建 EA，并利用 AI（人工智能）生成代码的强大功能。无论你是算法交易的新手，还是想提高自己的技能，本指南都为你提供了创建有效 EA 的清晰路径。

EA 开发计划包括几个阶段，中间结果保存在数据库中，它们只能作为字符串或数字而不是对象再次从那里读取。因此，我们需要一种方法来根据从数据库读取的字符串重新创建 EA 中的所需对象。

深入神经网络的心脏，我们将揭秘神经网络内部所用的优化算法。在本文中，探索解锁神经网络全部潜力的关键技术，把您的模型准确性和效率推向新的高度。

结合基本面和技术分析策略在MQL5中的实现（适合初学者）

MQL5 交易工具包（第 2 部分）：扩展和实现仓位管理 EX5 库

在MetaTrader 5中实现基于EMA交叉的级联订单交易策略

神经网络变得简单（第 91 部分）：频域预测（FreDF）

交易中的混沌理论（第一部分）：简介、在金融市场中的应用和李亚普诺夫指数

开发多币种 EA 交易系统（第 15 部分）：为真实交易准备 EA

您应当知道的 MQL5 向导技术（第 20 部分）：符号回归

您应当知道的 MQL5 向导技术（第 19 部分）：贝叶斯（Bayesian）推理

神经网络变得简单（第 90 部分）：时间序列的频率插值（FITS）

开发多币种 EA 交易系统（第 14 部分）：风险管理器的适应性交易量变化

在MQL5中创建动态多品种、多周期相对强弱指数（RSI）指标仪表盘

如何将聪明资金概念（SMC）与 RSI 指标结合到 EA 中

改编版 MQL5 网格对冲 EA（第 IV 部分）：优化简单网格策略（I）

神经网络变得简单（第 89 部分）：频率增强分解变换器（FEDformer）

在 MQL5 中创建每日回撤限制器 EA

在您的 MQL 项目中使用 JSON 数据 API

数据科学与机器学习 — 神经网络（第 01 部分）：前馈神经网络解密

使用MQL5开发基于震荡区间突破策略的EA

神经网络变得简单（第 88 部分）：时间序列密集编码器（TiDE）

您应当知道的 MQL5 向导技术（第 17 部分）：多币种交易

MQL5 向导技巧须知（第27部分）：移动平均线与攻击角度

开发多币种 EA 交易 (第 13 部分):自动化第二阶段 — 分组选择

神经网络变得简单（第 87 部分）：时间序列补片化

MQL5 交易工具包（第 1 部分）：开发仓位管理 EX5 库

神经网络变得简单（第 86 部分）：U-形变换器

构建K线趋势约束模型（第五部分）：通知系统（第三部分）

开发多币种 EA 交易（第 12 部分）：开发自营交易级别风险管理器

开发多币种 EA 交易 (第 11 部分):自动化优化（第一步）

神经网络变得简单（第 85 部分）：多变元时间序列预测

您应当知道的 MQL5 向导技术（第 15 部分）：协同牛顿多项式的支持向量机

神经网络变得简单（第 84 部分）：可逆归一化（RevIN）

神经网络变得简单（第 83 部分）：“构象”时空连续关注度转换器算法

神经网络变得简单（第 82 部分）：常微分方程模型（NeuralODE）

使用Python和MQL5进行交易策略的自动参数优化

《数据科学与机器学习（第25部分）：使用循环神经网络（RNN）进行外汇时间序列预测》

构建K线图趋势约束模型（第5部分）：通知系统（第二部分）

获取市场优势的秘诀（第二部分）：预测技术指标

MQL5 简介（第 7 部分）：在 MQL5 中构建 EA 交易和使用 AI 生成代码的初级指南

开发多币种 EA 交易 (第 10 部分):从字符串创建对象

数据科学和机器学习（第 21 部分）：解锁神经网络，优化算法揭秘