Artikel über das Programmieren in MQL4 und MQL5

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.

In dieser Diskussion werden wir unseren ersten Expert Advisor in MQL5 erstellen, der auf dem Indikator basiert, den wir im vorherigen Artikel erstellt haben. Wir werden alle Funktionen abdecken, die erforderlich sind, um den Prozess zu automatisieren, einschließlich des Risikomanagements. Dies wird den Nutzern in hohem Maße zugute kommen, wenn sie von der manuellen Ausführung von Geschäften zu automatisierten Systemen übergehen.

Heute werden wir uns ansehen, wie man mit statischen Variablen arbeitet. Diese Frage verwirrt oft viele Programmierer, sowohl Anfänger als auch solche mit einiger Erfahrung, denn es gibt mehrere Empfehlungen, die bei der Verwendung dieses Mechanismus beachtet werden müssen. Die hier vorgestellten Materialien sind ausschließlich für didaktische Zwecke bestimmt. Die Anwendung sollte unter keinen Umständen zu einem anderen Zweck als zum Erlernen und Beherrschen der vorgestellten Konzepte verwendet werden.

In diesem Artikel befassen wir uns mit der Erstellung einer Service-App für das Senden von Benachrichtigungen über Handelsergebnisse an ein Smartphone. Wir werden lernen, wie man mit Listen von Objekten der Standardbibliothek umgeht, um eine Auswahl von Objekten nach erforderlichen Eigenschaften zu organisieren.

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 Artikel beschreiben wir die Implementierung des mehrschichtigen iterativen Algorithmus der Gruppenmethode der Datenverarbeitung in MQL5.

Die Suche nach neuronaler Architektur, ein automatischer Ansatz zur Bestimmung der idealen Einstellungen für neuronale Netze, kann bei vielen Optionen und großen Testdatensätzen von Vorteil sein. Wir untersuchen, wie dieser Prozess bei gepaarten Eigenvektoren noch effizienter gestaltet werden kann.

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.