Artikel über das Programmieren in MQL4 und MQL5

In diesem Artikel bauen wir einen MQL5 EA, der regelmäßige RSI-Divergenzen anhand von Umkehrpunkten mit Stärke, Balken-Limits und Toleranzprüfungen erkennt. Er führt Handelsgeschäfte auf Auf- oder Abwärtssignale mit festen Losgröße, SL/TP in Pips und optionalen Trailing Stops aus. Zu den visuellen Elementen gehören farbige Linien in den Charts und beschriftete Schwankungen für einen besseren Einblick in die Strategie.

In diesem Artikel werden wir sehen, dass nicht immer alles auf eine bestimmte Weise umgesetzt werden muss. Es gibt alternative Ansätze zur Problemlösung. Um diesen Artikel richtig zu verstehen, ist es notwendig, die in den vorangegangenen Artikeln beschriebenen Konzepte zu begreifen. Die hier vorgestellten Materialien sind ausschließlich für Bildungszwecke bestimmt. Sie sollten nicht als endgültige Anwendung betrachtet werden, deren Ziel es nicht ist, die hier vorgestellten Konzepte zu untersuchen.

Wir setzen unsere neue Serie zur Marktpositionierung fort, in der wir bestimmte Vermögenswerte mit spezifischen Handelsrichtungen in überschaubaren Testfenstern untersuchen. Wir begannen mit der Betrachtung der Aktie von Nvidia Corp. im letzten Artikel, in dem wir 5 Signalmuster aus der komplementären Paarung von RSI und DeMarker-Oszillator behandelten. In diesem Artikel befassen wir uns mit den verbleibenden 5 Mustern und gehen auch auf die Optionen mit mehreren Mustern ein, die nicht nur ungebundene Kombinationen aller zehn Muster, sondern auch spezielle Kombinationen von nur einem Paar umfassen.

Dieser Artikel stellt die Verwendung der Funktion WebRequest() und der APIs in MQL5 zur Kommunikation mit externen Plattformen vor. Sie lernen, wie Sie einen Telegram-Bot erstellen, Chat- und Gruppen-IDs erhalten und Nachrichten direkt von MT5 aus senden, bearbeiten und löschen können. Damit schaffen Sie eine solide Grundlage für die Beherrschung der API-Integration in Ihren zukünftigen MQL5-Projekten.

Wir setzen unsere Arbeit an der Entwicklung des Systems von FinMem fort, das mehrschichtige Speicheransätze verwendet, die menschliche kognitive Prozesse nachahmen. Dadurch kann das Modell nicht nur komplexe Finanzdaten effektiv verarbeiten, sondern sich auch an neue Signale anpassen, was die Genauigkeit und Effektivität von Anlageentscheidungen auf sich dynamisch verändernden Märkten erheblich verbessert.

In diesem Artikel wird untersucht, wie verschiedene grafische Darstellungsindikatoren wie DRAW_COLOR_LINE und DRAW_FILLING deklariert werden können. Außerdem werden wir natürlich lernen, wie man Charts mit mehreren Indikatoren auf einfache, praktische und schnelle Weise erstellt. Dies kann Ihre Sichtweise auf den MetaTrader 5 und den Markt als Ganzes wirklich verändern.

Lernen Sie, wie man ein sauberes und professionelles On-Chart-Kontrollpanel in MQL5 für einen Risk-Based Trade Placement Expert Advisor erstellt. Diese Schritt-für-Schritt-Anleitung erklärt, wie man eine funktionale GUI entwirft, die es Händlern ermöglicht, Handelsparameter einzugeben, die Losgröße zu berechnen und die automatische Auftragserteilung vorzubereiten.

Der neue proprietäre Optimierungsalgorithmus NOA2 (Neuroboids Optimization Algorithm 2) kombiniert die Prinzipien der Schwarmintelligenz mit neuronaler Steuerung. NOA2 kombiniert die Mechanik eines Neuroboidenschwarms mit einem adaptiven neuronalen System, das es den Agenten ermöglicht, ihr Verhalten selbst zu korrigieren, während sie nach dem Optimum suchen. Der Algorithmus wird derzeit aktiv weiterentwickelt und zeigt sein Potenzial für die Lösung komplexer Optimierungsprobleme.

In diesem Artikel werden wir die Funktionalität der Größenänderung von Steuerelementen durch Ziehen der Kanten und Ecken des Elements mit der Maus hinzufügen.

In diesem Artikel erfahren Sie, wie Sie auf einfache Weise einen operativen Ansatz für das Einfärben von Kerzen erstellen und umsetzen können. Dieses Konzept wird von den Händlern sehr geschätzt. Bei der Umsetzung muss darauf geachtet werden, dass die Balken oder Kerzen ihr ursprüngliches Aussehen behalten und das Lesen von Kerze zu Kerze nicht behindern.

In dieser Diskussion konzentrieren wir uns auf die Frage, wie wir die gläserne Decke durchbrechen können, die uns die klassischen Techniken des maschinellen Lernens im Finanzbereich auferlegen. Es scheint, dass die größte Einschränkung für den Wert, den wir aus statistischen Modellen ziehen können, nicht in den Modellen selbst liegt – weder in den Daten noch in der Komplexität der Algorithmen – sondern vielmehr in der Methodik, mit der wir sie anwenden. Mit anderen Worten: Der wahre Engpass kann darin liegen, wie wir das Modell einsetzen, und nicht in der eigentlichen Fähigkeit des Modells.

In diesem Artikel werden zwei zusätzliche Bewertungskriterien für die Auswahl von Aktienkörben beschrieben, die im Rahmen der Strategien von der Rückkehr zum Mittelwert gehandelt werden sollen, genauer gesagt im Rahmen der kointegrationsbasierten statistischen Arbitrage. Er ergänzt einen früheren Artikel, in dem die Liquidität und die Stärke der Kointegrationsvektoren sowie die strategischen Kriterien des Zeitrahmens und des Rückblickzeitraums vorgestellt wurden, durch die Einbeziehung der Stabilität der Kointegrationsvektoren und der Zeit bis zur Rückkehr zum Mittelwert (Halbwertszeit). Der Artikel enthält die kommentierten Ergebnisse eines Backtests, bei dem die neuen Filter angewandt wurden, und die für die Reproduktion erforderlichen Dateien werden ebenfalls bereitgestellt.

Sequentielles Bootstrapping gestaltet das Bootstrap-Sampling für maschinelles Lernen im Finanzbereich neu, indem es zeitlich überlappende Kennzeichnungen aktiv vermeidet und so unabhängigere Trainingsstichproben, schärfere Unsicherheitsschätzungen und robustere Handelsmodelle erzeugt. Dieser praktische Leitfaden erklärt die Intuition, zeigt den Algorithmus Schritt für Schritt, bietet optimierte Codemuster für große Datensätze und demonstriert messbare Leistungssteigerungen durch Simulationen und echte Backtests.