第 8 页 —— EA 交易的算法交易文章

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。

一个关于基于支撑位与阻力位策略开发自动化交易算法的全面指南。详细介绍了在MQL5中创建EA以及在MetaTrader 5中对其进行测试的所有方面——从分析价格区间行为到风险管理。

我们将会把关键的MQL5代码分解成特定的代码段，以展示如何在本系列文章中创建的“趋势约束”指标中集成Telegram和WhatsApp来接收信号通知。这将帮助交易者，无论是新手还是经验丰富的开发者，都能更容易地理解这一概念。首先，我们将介绍MetaTrader 5的通知设置及其对用户的重要性。这将有助于开发者提前做好笔记，以便在他们的系统中做进一步应用。

在以前的工作中，我们总是评估环境的当前状态。与此同时，指标变化的动态始终保持在“幕后”。在本文中，我打算向您介绍一种算法，其允许您评估 2 个连续环境状态数据之间的直接变化。

本文详细探讨了创建基于区域恢复交易算法的EA需要实施的步骤。这有助于自动化该系统，从而为算法交易者节省时间。

基于结构突破（Break of Structure, BoS）策略的自动化交易算法开发综合指南在MQL5中创建交易顾问并在MetaTrader 5中进行测试的全方位详解——从分析价格支撑与阻力到风险管理

让我们来概述一下 EA 开发的主要阶段。首先要做的一件事就是优化所开发交易策略的单个实例。让我们试着在一个地方收集优化过程中测试器通过的所有必要信息。

《基于密度的空间聚类参与噪声应用》是一种无监督的数据分组形式，除 2 个参数外，几乎不需要任何输入参数，比之其它方式，譬如 k-平均，这是一个福音。我们深入研究使用由向导组装的智能系统如何在测试、及最终交易时起到建设性作用。

如何利用 MQL5 创建简单的多币种智能交易系统（第 7 部分）：依据动量振荡器指标的之字折线

本文中的多货币智能系统是利用之字折线（ZigZag）指标的自动交易系统，该指标依据动量振荡器过滤、或彼此过滤信号。

在本文中，我将领略 GTGAN 算法，该算法于 2024 年 1 月推出，是为解决依据图形约束生成架构布局的复杂问题。

在第三部分中，我们重新审视了早前开发的简单对冲和简单网格智能系统（EA）。我们的重点转移到通过数学分析和蛮力方式完善简单对冲 EA，旨在实现最优策略用法。本文深入探讨了该策略的数学优化，为在日后文章中探索未来基于编码的优化奠定了基础。

学习面向对象的编程范式，及其在 MQL5 代码中的应用。这是第二篇文章，更深入地讲解面向对象编程的规范，并通过一个实际示例提供上手经验。您将学习如何运用 EMA 指标，和烛条价格数据，将我们早期开发的过程化价格行为智能系统转换为面向对象的代码。

在本文中，我们重新审视一种经典的原油交易策略，旨在通过利用监督机器学习算法来对其进行优化。我们将构建一个最小二乘模型，该模型基于布伦特原油（Brent）和西德克萨斯中质原油（WTI）之间的价差来预测未来布伦特原油价格。我们的目标是找到一个能够预测布伦特原油未来价格变化的领先指标。

本文探讨了经济新闻发布、投资者行为以及各种因素如何影响市场趋势的反转。文章包含一段视频解释，并接着将MQL5代码融入我们的程序中，以检测趋势反转、向我们发出警报，并根据市场条件采取相应行动。本文是在此前一系列文章基础上的扩展。

在上一篇文章中，我们领略了一种从图像中检测对象的方法。不过，处理静态图像与处理动态时间序列（例如我们所分析的价格动态）有些不同。在本文中，我们将研究检测视频中对象的方法，其可在某种程度上更接近我们正在解决的问题。

在本文中，我提议从不同的角度看待构建交易策略的问题。我们不会预测未来的价格走势，但会尝试基于历史数据分析构建交易系统。

在我们的模型中，我们经常使用各种关注度算法。而且，可能我们最常使用变换器。它们的主要缺点是资源需求。在本文中，我们将研究一种新算法，它可以帮助降低计算成本，而不会降低品质。

在优化交易策略后，我们会收到一组参数。我们可以使用它们在一个 EA 中创建多个交易策略实例。以前，我们都是手动操作。在此，我们将尝试自动完成这一过程。

一步步学习如何利用公允价值缺口（FVG）或市场不平衡性来交易的策略：一种“聪明资金”的交易方法

基于公允价值缺口（FVG）交易策略的MQL5自动化交易算法创建与分步实施指南。这一教程旨在为无论是初学者还是经验丰富的交易者提供一个实用的EA创建指南。

我们将探讨统计套利，使用Python搜索具有相关性和协整性的交易品种，为皮尔逊（Pearson）系数制作一个指标，并编制一个用于交易统计套利的EA，该系统将使用Python和ONNX模型进行预测。

开始我们 MQL5 旅程的下一阶段。在这篇深入浅出、适合初学者的文章中，我们将探讨其余的数组函数，揭开复杂概念的神秘面纱，让您能够制定高效的交易策略。我们将讨论 ArrayPrint、ArrayInsert、ArraySize、ArrayRange、ArrarRemove、ArraySwap、ArrayReverse 和 ArraySort。利用这些基本的数组函数，提升您的算法交易专业知识。加入我们的精通 MQL5 之路吧！

牛顿多项式，其依据一组少量点创建二次方程，是一种古老但有趣的时间序列观察方式。在本文中，我们尝试探讨这种方式在哪些方面对交易者有用，并解决其局限性。

本文的目标是证明在算法交易中使用风险管理器的必要性，并在一个单独的类中实现控制风险的策略，以便每个人都可以验证标准化的风险管理方法在金融市场日内交易和投资中的有效性。在本文中，我们将为算法交易创建一个风险管理类。本文是上一篇文章的延续，在前文中我们讨论了为手动交易创建风险管理器。

本文继续探讨预测即将到来的价格走势的主题。我邀请您领略多未来变换器架构。其主要思路是把未来的多模态分布分解为若干个单模态分布，这样就可以有效地模拟场景中个体之间互动的各种模态。

这篇文章的重点在于如何利用MetaTrader 5的内置指标来甄别逆势信号。在上一篇文章的基础上，我们将进一步探讨如何使用MQL5代码将我们的想法最终用代码实现。

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

掌握市场动态：创建有关支撑与阻力位策略的EA

构建K线趋势约束模型（第5部分）：通知系统（第一部分）

神经网络变得简单（第 81 部分）：上下文引导运动分析（CCMR）

在MQL5中开发马丁格尔（Martingale）区域恢复策略

突破结构（BoS）交易策略分步指南

开发多币种 EA 交易（第 9 部分）：收集单一交易策略实例的优化结果

您应当知道的 MQL5 向导技术（第 13 部分）：智能信号类 DBSCAN

如何利用 MQL5 创建简单的多币种智能交易系统（第 7 部分）：依据动量振荡器指标的之字折线

神经网络变得简单（第 80 部分）：图形变换器生成式对抗模型（GTGAN）

改编版 MQL5 网格对冲 EA（第 III 部分）：优化简单对冲策略（I）

理解编程范式（第 2 部分）：面向对象方式开发价格行为智能系统

重构经典策略：原油

构建K线图趋势约束模型（第三部分）：在使用该系统时检测趋势变化

神经网络变得简单（第 79 部分）：在状态上下文中的特征聚合查询（FAQ）

神经网络变得简单（第 78 部分）：带有变换器的无解码对象检测器（DFFT）

神经网络变得简单（第 77 部分）：交叉协方差变换器（XCiT）

开发多币种 EA 交易（第 6 部分）：自动选择实例组

一步步学习如何利用公允价值缺口（FVG）或市场不平衡性来交易的策略：一种“聪明资金”的交易方法

基于预测的统计套利

MQL5 简介（第 6 部分）：MQL5 中的数组函数新手指南 (二)

您应当知道的 MQL5 向导技术（第 12 部分）：牛顿多项式

算法交易中的风险管理器

神经网络变得简单（第 76 部分）：配合多未来变换器探索不同的交互形态

构建一个K线图趋势约束模型（第二部分）：融合原生指标