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。 本文描述了用于解析基于MQL的源代码的预处理器、扫描器和解析器，MQL 的实现在附件中。 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。 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，我们将分析变量之间相关性的概念，以及相关系数的计算方法及其在交易中的实际应用。相关性是两个或多个随机变量之间的统计关系（或可以被视为具有某种可接受精度的随机量）。一个或多个变量的变化导致其他相关变量的系统变化。 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。 在本文中, 我们继续扩展用于收集和在交易品种之间导航工具的功能。这一次，我们将创建新的选项卡，只显示满足一些必需参数的交易品种，并且研究如何根据所需的挑选规则简单添加自定义选项卡。 MetaTrader 5 平台具有保存交易报告，以及智能交易系统测试和优化报告的功能。 交易和测试报告可以按照两种格式保存：XLSX 和 HTML，而优化报告可以保存为 XML。 在本文中，我们将研究 HTML 测试报告，XML 优化报告和 HTML 交易历史报告。 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。 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。 在本文中，我们打算扩展先前创建的实用程序功能，添加用于选择所需品种的选项卡。 我们还将学习如何保存我们在特定品种图表上创建的图形对象，这样我们就不必再次创建它们。 此外，我们将发掘如何仅使用已操控经指定网站初步遴选的品种。 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，我们将应用概率论和数理统计方法来创建并测试交易策略。 我们还将利用价格和随机漫游之间的差值来寻找最佳交易风险。 事实证明，如果价格表现为零漂移随机漫游（没有方向趋势），那么盈利交易是不可能的。 经验丰富的交易者非常清楚交易中最劳神的事情并非开单和跟踪持仓，而是选择交易品种并寻找入场点。 在本文中，我们将开发一款 EA，可为您简化依据经纪商所提供交易产品搜索入场点的任务。 本文提供了一种走势延续模型的程序化定义。 主要思路是定义两个波浪 — 主浪和修正浪。 对于极值点，我应用分形以及“潜在”分形 - 尚未形成分形的极值点。 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。 在技术分析中比较几个时间序列是一种很常用的任务，需要合适的工具。在本文中，我提出开发一种用于图形化分析的工具，可以侦测两个或者多个时间序列之间的相互关联。 该小工具为网站提供了一个详细的发布时间表，列出了全球大型经济体的500个指标及指数。因此，除了主要的网站内容之外，交易者还能够迅速收到关于所有重要事件的最新消息及其解释和图表。 本文研讨自定义交易历史的评估方法。 并为下载和分析历史记录编写了两个类。 第一个收集交易历史并将其表述为汇总表格。 第二个是处理统计数据: 它计算众多变量并构建图表，以便更有效地评估交易结果。 交易账户监控提供了关于所有已完成交易的详细报告。所有的交易统计数据都是自动收集的，并以易于理解的图形和图表形式提供给您。 在这篇文章中，我们继续开发用于操作优化结果的 MQL 应用程序，这一次，我们将会展示如何在通过图形界面指定了其它标准、在优化参数之后生成最佳结果的表格。 在交易账户上运行 EA 交易之前，我们通常会在报价历史上测试和优化它。然而，这里会有一个合理的问题: 过去的结果怎么会对我们的未来有所帮助呢?本文描述了使用蒙特卡洛方法来为交易策略的优化构建自定义的标准，另外，还会探讨 EA 交易的稳定性标准。 交易信号服务正在突飞猛进地发展。 将我们的资金托付给信号提供者，我们希望尽量减少资金亏损的风险。 那么如何在这个交易信号的森林中解开拼图呢？ 如何发现能赚取盈利的产品？ 本文提出创建一种工具，可在品种图表中直观地分析交易信号的交易历史。 大多数订阅者是通过优美的余额曲线和订阅用户数量来选择交易信号。 这就是为什么如今许多提供者只在乎漂亮的统计数据而非信号的真实质量，经常玩弄手数把戏并人为地将余额曲线整理到理想的外观。 本文论述了可靠性准则，以及提供者可用于提高其信号质量的方法。 展现特定信号历史的示例性分析，以及有助于提供者提升盈利并降低风险的方法。 这是处理和分析优化结果想法的续篇，这一次，我们的目标是选择100个最佳的优化结果并且在图形用户界面(GUI)表格中显示它们。用户将可以在优化结果中选择一行而在独立的图表中得到多交易品种余额和回撤图。 本文采用图形界面实现 MQL 应用程序来扩展可视化的优化过程。 图形界面采用 EasyAndFast 函数库的最新版本。 许多用户可能会问为什么他们在 MQL 应用程序中需要图形界面。 本文为交易者展示了众多实用情况之一。 本文基于拉尔夫·文斯 (Ralph Vince) 的 "资金管理中的数学"。 它所提供的经验和参数方法描述, 可用于查询交易手数的最优规模。 本文还介绍了基于这些方法实现 MQL5 向导的交易模块。 MetaTrader 5 交易平台中的策略测试器只提供两种优化选项: 参数完整搜索和遗传算法。 本文提出了一种交易策略优化的新方法 — 模拟退火。 该方法的算法, 其实现和集成到任何智能交易系统的方方面面均加以考虑。 开发出的算法已在移动平均 EA 上进行了测试。 在金融市场上进行交易是与各种风险相关的，这些风险在交易系统的算法中都应当被考虑到。降低这样的风险是在交易中获利的最重要的任务。 这篇文章在之前文章部分思路上作开发，并且做进一步的探讨。它描述了收益分布和绘图中的问题，并且做了统计学上的研究。 这篇文章处理的是夜间交易的概念，以及使用 MQL5 来实现它们的交易策略。我们会进行测试并得出相应的结论。 本文提出了一种技术, 通过汇集一套独立的指标, 以及开发定制的入场信号, 帮助每个人创建定制的交易策略。 交易者的生活中会出现不同的状况。经常地, 成功交易的历史令我们能够复现策略, 而查看亏损历史, 让我们尝试开发和改进新的策略。在这两种情况下, 我们要将交易与已知指标进行比较。本文推荐了一批拿交易与数个指标进行比较的方法。 已经研究过 7 种移动平均线 (MA), 并已开发了与它们协同工作的交易策略。在单一交易策略中测试和比较各种移动平均线的工作已经完成了, 结果展示了所有给定移动平均线应用的可比较性能特征。 迷你行情模拟器是一款设计用于在终端里部分模拟操作的指标。据推测, 它可以用来测试行情分析和交易的 "手动" 策略。 本文研究经典背离构造方法, 并提供了另外一种解读背离的方法。基于这种新的解释方法开发了交易策略。本文中也描述了这一策略。 在本文中, 我们研究另一种基于分析余额图来优化自定义交易策略的准则。线性回归使用 ALGLIB 函数库中的函数进行计算。 本文介绍在交易系统分析中使用概率论方法和数学统计。 本文是一系列有关深层神经网络的延续文章。在此, 我们将研究选择样本 (消除噪声), 降低输入数据的维度, 并在数据准备期间将数据集合划分为训练/验证/测试集合, 以便训练神经网络。 
