Artikel über das Programmieren in MQL4 und MQL5

In diesem Artikel entwickeln wir ein erweitertes Informations-Dashboard, das den vorigen Teil durch die Hinzufügung von verschiebbaren und minimierbaren Funktionen für eine verbesserte Nutzerinteraktion aufwertet, während die Echtzeitüberwachung von Multi-Symbol-Positionen und Kontometrien beibehalten wird.

Der Artikel befasst sich mit einer optimierten Version des Indikators Market Profile, bei der das Rendering mit mehreren grafischen Objekten durch das Rendering auf einem Hintergrund - einem Objekt der Klasse CCanvas - ersetzt wird.

In diesem Artikel erweitern wir unser Zone Recovery System durch die Einführung von Trailing-Stops und Multi-Basket-Handelsfunktionen. Wir untersuchen, wie die verbesserte Architektur dynamische Trailing-Stops verwendet, um Gewinne zu sichern, und ein Basket-Management-System, um mehrere Handelssignale effizient zu verarbeiten. Durch Implementierung und Backtests demonstrieren wir ein robusteres Handelssystem, das auf eine adaptive Marktperformance zugeschnitten ist.

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.

Die Support-Vektor-Regression ist eine idealistische Methode, um eine Funktion oder „Hyperebene“ zu finden, die die Beziehung zwischen zwei Datensätzen am besten beschreibt. Wir versuchen, dies bei der Zeitreihenprognose innerhalb der nutzerdefinierten Klassen des MQL5-Assistenten auszunutzen.

Dieser Artikel stellt Händlern Generative Adversarial Networks (GANs) zur Generierung von synthetischen Finanzdaten vor und geht dabei auf die Datenbeschränkungen beim Modelltraining ein. Es behandelt GAN-Grundlagen, Python und MQL5-Code-Implementierungen und praktische Anwendungen im Finanzwesen, die es Händlern ermöglichen, die Modellgenauigkeit und -robustheit durch synthetische Daten zu verbessern.

In diesem Artikel entwickeln wir einen nutzerdefinierten Indikator für die Marktstimmung, um die Bedingungen in aufwärts, abwärts, mehr und weniger Risiko oder neutral zu klassifizieren. Durch die Verwendung von mehreren Zeitrahmen kann der Indikator Händlern eine klarere Perspektive der allgemeinen Markttendenz und der kurzfristigen Bestätigungen bieten.

In diesem Artikel setzen wir unsere Erforschung der Erstellung eines Ensembles von Handelsstrategien und der Verwendung des MT5 genetischen Optimierers zur Abstimmung der Strategieparameter fort. Heute haben wir die Daten in Python analysiert. Dabei hat sich gezeigt, dass unser Modell besser vorhersagen kann, welche Strategie besser abschneiden wird, und eine höhere Genauigkeit erreicht als die direkte Vorhersage der Marktrenditen. Als wir unsere Anwendung jedoch mit ihren statistischen Modellen testeten, fielen unsere Leistungswerte drastisch ab. In der Folge stellten wir fest, dass der genetische Optimierer leider stark korrelierte Strategien bevorzugte, was uns dazu veranlasste, unsere Methode zu überarbeiten, um die Stimmgewichte fest zu halten und die Optimierung stattdessen auf Indikatoreinstellungen zu konzentrieren.

Wir laden Sie ein, einen neuen Ansatz zur Erkennung von Objekten mit Hilfe von Hypernetzwerken kennen zu lernen. Ein Hypernetwork generiert Gewichte für das Hauptmodell, wodurch die Besonderheiten der aktuellen Marktsituation berücksichtigt werden können. Dieser Ansatz ermöglicht es uns, die Vorhersagegenauigkeit zu verbessern, indem wir das Modell an unterschiedliche Handelsbedingungen anpassen.

Heute konzentrieren wir uns auf die Verbesserung der Messaging-Schnittstelle des Kommunikationspanels, um sie an die Standards moderner, leistungsstarker Kommunikationsanwendungen anzupassen. Diese Verbesserung wird durch eine Aktualisierung der Klasse CommunicationsDialog erreicht. Begleiten Sie uns in diesem Artikel und in der Diskussion, wenn wir die wichtigsten Erkenntnisse erkunden und die nächsten Schritte bei der Weiterentwicklung der Schnittstellenprogrammierung mit MQL5 skizzieren.

Der ADX-Oszillator und der CCI-Oszillator sind Trendfolge- und Momentum-Indikatoren, die bei der Entwicklung eines Expert Advisors miteinander kombiniert werden können. Wir machen dort weiter, wo wir im letzten Artikel aufgehört haben, indem wir untersuchen, wie das Training in der Praxis und die Aktualisierung unseres entwickelten Modells dank des Verstärkungslernens erfolgen kann. Wir verwenden einen Algorithmus, den wir in dieser Serie noch behandeln werden, die sogenannte Trusted Region Policy Optimization (Optimierung vertrauenswürdiger Regionen). Und wie immer erlaubt uns die Zusammenstellung von Expert Advisors durch den MQL5-Assistenten, unser(e) Modell(e) zum Testen viel schneller und auch so einzurichten, dass es mit verschiedenen Signaltypen verteilt und getestet werden kann.