Algorithmic Trading Articles for Expert advisors

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。

我们创建的模型变得越来越大，越来越复杂。这不光提高了它们的训练成本，还有操作成本。不过，做出决定所需的时间往往很关键。有关于此，我们来研究在不损失品质的情况下优化模型性能的方法。

本文面向初学者和专业的MQL5开发者。它提供了一段代码，用于定义并限制信号生成指标仅在较长的时间框架的趋势中运行。通过这种方式，交易者可以通过融入更广泛的市场视角来增强他们的策略，从而可能产生更稳健和可靠的交易信号。

在本文中，我们将尝试开发自己的交易策略。任何交易策略都必须以某种统计优势为基础。而且，这种优势应该长期存在。

这是上一篇研究社群概念文章的延续。本文使用迁徙和记忆算法探讨社群的演化。结果将有助于理解社区系统的演化，并将其应用于优化和寻找解。

在利用Python构建深度学习模型时，我们能否从季节性因素中获益？为ONNX模型过滤数据是否有助于获得更好的结果？我们应该使用哪个时间周期？本文将全面探讨这些问题。

在前面的部分中，我们正在开发的智能交易系统 (EA) 只能使用固定的仓位大小进行交易。这对于测试来说是可以接受的，但在真实账户交易时并不建议这样做。让我们能够使用可变的仓位大小进行交易。

不仅在 MQL5 编程中，在任何编程语言中，变量和数据类型都是非常重要的主题。MQL5 变量和数据类型可分为简单类型和高级类型。在这篇文章中，我们将识别并学习高级类型，因为我们在前一篇文章中已经提到过简单类型。

数字墙（Number Walls）是线性回移寄存器的一种变体，其通过检查收敛性来预筛选序列来达到可预测性。我们看看这些思路如何运用在 MQL5。

在这篇文章中，我们将介绍一种在MetaTrader 5终端的设置选项卡中选择“自定义最大值”时，实现具有多个目标和约束的优化问题的方法。举例来说，优化问题可以是：最大化利润因子、净利润和恢复因子，同时满足以下条件：回撤小于10%，连续亏损次数少于5次，每周交易次数多于5次。

本文介绍了一种相当有效的多个体轨迹预测方法，其可适配各种环境条件。

使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX，以及 GRU 与 LSTM 模型的比较

我们将指导您完成使用 Python 进行 DL 制作 GRU ONNX 模型的整个过程，最终创建一个用于交易的专家顾问 (EA)，然后将 GRU 模型与 LSTM 模型进行比较。

本文探讨因果推理中的匹配问题。匹配用于比较数据集中的类似观察结果，这对于正确确定因果关系和消除偏见是必要的。作者解释了这如何有助于构建基于机器学习的交易系统，这些系统在没有经过训练的新数据上变得更加稳定。倾向性评分在因果推理中起着核心作用并被广泛应用。

我们将继续讨论训练轨迹预测模型的算法。在本文中，我们将领略一种称为 “AutoBots” 的方法。

在第 5 部分中探索 MQL5 数组的世界，该部分专为绝对初学者设计。本文简化了复杂的编码概念，重点在于清晰性和包容性。加入我们的学习者社区，在这里解决问题，分享知识！

在开始开发多币种 EA 后，我们已经取得了一些成果，并成功地进行了多次代码改进迭代。但是，我们的 EA 无法处理挂单，也无法在终端重启后恢复运行。让我们添加这些功能。

预测未来状态的品质在“目标条件预测编码”方法中扮演着重要角色，我们曾在上一篇文章中讨论过。在本文中，我想向您介绍一种算法，它可以显著提高随机环境（例如金融市场）中的预测品质。

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

神经网络变得简单（第 75 部分）：提升轨迹预测模型的性能

构建K线图趋势约束模型（第一部分）：针对EA和技术指标

练习开发交易策略

种群优化算法：人工多社区搜索对象（MSO）

利用Python进行季节性过滤并为EA的ONNX深度学习模型选择时间周期

开发多币种 EA 交易 (第 5 部分):可变仓位大小

MQL5 中的高级变量和数据类型

您应当知道的 MQL5 向导技术（第 11 部分）：数字墙

构建一个用于实现带约束条件的自定义最大值的通用优化公式（GOF）

神经网络变得简单（第 74 部分）：自适应轨迹预测

使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX，以及 GRU 与 LSTM 模型的比较

因果推理中的倾向性评分

神经网络变得简单（第 73 部分）：价格走势预测 AutoBot

MQL5 简介（第 5 部分）：MQL5 数组函数入门指南

开发多币种 EA 交易（第 4 部分）：虚拟挂单和保存状态

神经网络变得简单（第 72 部分）：噪声环境下预测轨迹