Artikel über das Programmieren in MQL4 und MQL5

Der Artikel befasst sich mit der Erstellung von ‚GroupBox‘ und ‚CheckBox‘ WinForms Objekten, sowie der Entwicklung von Basisobjekten für WinForms Objektkategorien. Alle erstellten Objekte sind noch statisch, d.h. sie können nicht mit der Maus interagieren.

In diesem Artikel werden wir die Entwicklung der grafischen Elemente der DoEasy-Bibliothek fortsetzen und das vertikale Scrollen von Formularobjekt-Steuerelementen sowie einige nützliche Funktionen und Methoden hinzufügen, die in Zukunft benötigt werden.

Viele Händler bewerten Strategien auf der Grundlage kurzfristiger Ergebnisse und geben profitable Systeme oft zu früh auf. Die langfristige Rentabilität hängt jedoch von einer positiven Erwartungshaltung durch eine optimierte Gewinnrate und ein optimiertes Risiko-Ertrags-Verhältnis ab, zusammen mit einer disziplinierten Positionsgröße. Diese Grundsätze können mit Hilfe von Monte-Carlo-Simulationen in Python mit bewährten Metriken validiert werden, um zu beurteilen, ob eine Strategie robust ist oder im Laufe der Zeit wahrscheinlich scheitern wird.

Tauchen Sie ein in das Herz der neuronalen Netze, indem wir die Optimierungsalgorithmen, die innerhalb des neuronalen Netzes verwendet werden, entmystifizieren. In diesem Artikel erfahren Sie, mit welchen Schlüsseltechniken Sie das volle Potenzial neuronaler Netze ausschöpfen und Ihre Modelle zu neuen Höhen der Genauigkeit und Effizienz führen können.

Im weiteren Verlauf haben wir immer mehr gleichzeitig laufende Instanzen von Handelsstrategien in einem EA verwendet. Versuchen wir herauszufinden, wie viele Instanzen wir erreichen können, bevor wir an Ressourcengrenzen stoßen.

Dieser Artikel zeigt Anfängern, wie man einen Expert Advisor (EA) in MQL5 erstellt, der auf Basis der Erkennung von Chart-Mustern mit Trendlinienausbrüchen und Umkehrungen handelt. Indem der Leser lernt, wie man Trendlinienwerte dynamisch abruft und mit der Preisaktion vergleicht, wird er in der Lage sein, EAs zu entwickeln, die in der Lage sind, Chart-Muster wie steigende und fallende Trendlinien, Kanäle, Keile, Dreiecke und mehr zu erkennen und zu handeln.

Dieser Artikel, der Teil einer Serie ist, die der kategorientheoretischen Implementierung von Graphen in MQL5 folgt, befasst sich mit Ordnungen. Wir untersuchen, wie Konzepte der Ordnungstheorie monoide Mengen bei der Information über Handelsentscheidungen unterstützen können, indem wir zwei wichtige Ordnungstypen betrachten.

In diesem Artikel erstellen wir eine Multi-Symbol-Handelsstrategie, die CCI- und AO-Indikatoren verwendet, um Trendumkehrungen zu erkennen. Wir behandeln seinen Entwurf, die MQL5-Implementierung und den Backtest-Prozess. Der Artikel schließt mit Tipps zur Leistungssteigerung.

Der Handel mit mehreren Währungen ist nicht standardmäßig verfügbar, wenn ein Expertenberater über den Assistenten zusammengestellt wird. Wir untersuchen 2 mögliche Hacks, die Händler machen können, wenn sie ihre Ideen mit mehr als einem Symbol gleichzeitig testen wollen.

In diesem Artikel wird unser Nachrichtenhandelsexperte mit der Eröffnung von Handelsgeschäften auf der Grundlage des in unserer Datenbank gespeicherten Wirtschaftskalenders beginnen. Außerdem werden wir die Expertengrafiken verbessern, um mehr relevante Informationen über bevorstehende Wirtschaftsereignisse anzuzeigen.

Dieser Artikel beschreibt, wie man einen Opening Range Breakout (ORB) Expert Advisor in MQL5 erstellt. Es wird erklärt, wie der EA Ausbrüche aus der anfänglichen Marktspanne identifiziert und dementsprechend Handelsgeschäfte eröffnet. Sie erfahren auch, wie Sie die Anzahl der geöffneten Positionen kontrollieren und eine bestimmte Endzeit festlegen können, um den Handel automatisch zu beenden.

Maschinelles Lernen wird oft durch die Brille der Statistik oder der linearen Algebra betrachtet, aber dieser Artikel betont eine geometrische Perspektive der Modellvorhersagen. Sie zeigt, dass sich die Modelle dem Ziel nicht wirklich annähern, sondern es auf ein neues Koordinatensystem abbilden, was zu einer inhärenten Fehlausrichtung führt, die irreduzible Fehler zur Folge hat. In dem Artikel wird vorgeschlagen, dass mehrstufige Vorhersagen, bei denen die Prognosen des Modells über verschiedene Zeithorizonte hinweg verglichen werden, einen effektiveren Ansatz darstellen als direkte Vergleiche mit dem Ziel. Durch die Anwendung dieser Methode auf ein Handelsmodell zeigt der Artikel erhebliche Verbesserungen der Rentabilität und Genauigkeit, ohne das zugrunde liegende Modell zu verändern.

In diesem Beitrag befassen wir uns mit einem wichtigen Schritt der Datenaufbereitung für das maschinelle Lernen, der zunehmend an Bedeutung gewinnt. Pipelines für die Datenvorverarbeitung. Dabei handelt es sich im Wesentlichen um eine rationalisierte Abfolge von Datenumwandlungsschritten, mit denen Rohdaten aufbereitet werden, bevor sie in ein Modell eingespeist werden. So uninteressant dies für den Laien auch erscheinen mag, diese „Datenstandardisierung“ spart nicht nur Trainingszeit und Ausführungskosten, sondern trägt auch zu einer besseren Generalisierung bei. In diesem Artikel konzentrieren wir uns auf einige SCIKIT-LEARN Vorverarbeitungsfunktionen, und während wir den MQL5-Assistenten nicht ausnutzen, werden wir in späteren Artikeln darauf zurückkommen.