Artikel über das Programmieren in MQL4 und MQL5

Lernen Sie, wie man einen interaktiven MQL5 Expert Advisor mit einem Kontrollfeld auf dem Chart erstellt. Sie wissen, wie man risikobasierte Losgrößen berechnet und Handelsgeschäfte direkt vom Chart aus tätigt.

In diesem Artikel besprechen wir eine der möglichen Lösungen für das, was wir versucht haben zu demonstrieren, nämlich wie man es einem Excel-Nutzer ermöglicht, eine Aktion in MetaTrader 5 auszuführen, ohne Aufträge zu senden oder Positionen zu öffnen oder zu schließen. Die Idee ist, dass der Nutzer Excel verwendet, um eine fundamentale Analyse eines bestimmten Symbols durchzuführen. Und allein mit Excel lässt sich ein in MetaTrader 5 laufender Expert Advisor anweisen, eine bestimmte Position zu eröffnen oder zu schließen.

Der Artikel untersucht den Algorithmus Battle Royale Optimizer – eine Metaheuristik, bei der Lösungen mit ihren nächsten Nachbarn konkurrieren, „Schaden“ anhäufen, ersetzt werden, wenn ein Schwellenwert überschritten wird, und den Suchraum um die aktuell beste Lösung herum regelmäßig verkleinern. Es werden sowohl Pseudocode als auch eine MQL5-Implementierung der Klasse C_AO_BRO vorgestellt, einschließlich Nachbarschaftssuche, Bewegung in Richtung der besten Lösung und eines adaptiven Delta-Intervalls. Die Testergebnisse für die Funktionen „Hilly“, „Forest“ und „Megacity“ zeigen die Stärken und Grenzen des Ansatzes auf. Der Leser erhält eine gebrauchsfertige Grundlage für Experimente und die Einstellung wichtiger Parameter wie popSize und maxDamage.

Entdecken Sie eine Schritt-für-Schritt-Anleitung, das die Extraktion, Konvertierung und Organisation von Kerzendaten aus API-Antworten innerhalb der MQL5-Umgebung vereinfacht. Dieser Leitfaden ist ideal für Einsteiger, die ihre Programmierkenntnisse verbessern und solide Strategien zur effizienten Verwaltung von Marktdaten entwickeln möchten.

Der Artikel erweitert eine liquiditätsbasierte Strategie um einen einfachen Trendfilter: Liquiditätszonen sollen nur in Richtung des EMA(50) gehandelt werden. Darin werden Filterregeln erläutert, die wiederverwendbare Klasse „TrendFilter.mqh“ sowie die EA-Integration in MQL5 vorgestellt und Tests mit und ohne Filter miteinander verglichen. Die Leser profitieren von einer klaren Trendorientierung, weniger übermäßigen Handelsaktivitäten in Gegentrendphasen und einsatzbereiten Quelldateien.

Es spielt keine Rolle, welches SQL-Programm wir verwenden: MySQL, SQL Server, SQLite, OpenSQL oder andere. Allen gemeinsam ist die Sprache SQL. Auch wenn wir nicht vorhaben, Workbench zu verwenden, können wir die Datenbank direkt in MetaEditor oder über MQL5 manipulieren oder mit ihr arbeiten, um Aktionen in MetaTrader 5 auszuführen, aber dazu benötigen Sie SQL-Kenntnisse. Hier werden wir also zumindest die Grundlagen lernen.

Erfahren Sie, wie Sie Ihrer Android-App mit dem OAuth-2.0-Autorisierungscodefluss die Funktion „Sign in with MQL5“ hinzufügen. Die Anleitung behandelt die App-Registrierung, Endpunkte, Redirect URI, Custom Tabs, Deep-Link-Handling und ein PHP-Backend, das den Code für ein Access-Token über HTTPS austauscht. Sie werden echte MQL5-Nutzer authentifizieren und auf Profildaten wie Rang und Ruf zugreifen.

Dieser Artikel stellt ein adaptives System zur Erkennung paralleler Kanäle und den Ausbrüchen daraus in MQL5 vor. Darin wird erläutert, wie Swing-Punkte ermittelt, Kanäle konstruiert und dynamisch neu berechnet werden und wie Ausbrüche durch persistente Signale bestätigt und visualisiert werden. Das Framework vereint Trendliniengeometrie, ATR-basierte Filterung und Retest-Validierung, um eine zuverlässige Kursanalyse in Echtzeit für professionelle Chartanalysen und Handelsentscheidungen zu ermöglichen.

In diesem Artikel erfahren Sie, wie Sie ein interaktives Kontrollpanel in MetaTrader 5 erstellen können. Wir behandeln die Grundlagen des Hinzufügens von Eingabefeldern, Aktionsschaltflächen und Beschriftungen zur Anzeige von Text. Anhand eines projektbasierten Ansatzes werden Sie sehen, wie Sie ein Panel einrichten, in das Nutzer Nachrichten eingeben und schließlich Serverantworten von einer API anzeigen können.

GridSearchCV und RandomizedSearchCV teilen eine grundlegende Einschränkung im finanziellen ML: Jeder Versuch ist unabhängig, sodass sich die Suchqualität durch zusätzliche Rechenleistung nicht verbessert. Dieser Artikel integriert Optuna – unter Verwendung des Tree-structured Parzen Estimator – mit PurgedKFold-Kreuzvalidierung, HyperbandPruner-Frühstopp und einer Dual-Weight-Konvention, die Trainingsgewichte von Bewertungsgewichten trennt. Das Ergebnis ist ein System aus fünf Komponenten: eine Zielfunktion mit Fold-Level-Pruning, eine Vorschlagsebene, die das Gewichtungsschema gemeinsam mit den Modell-Hyperparametern optimiert, ein finanziell kalibrierter Pruner, ein fortsetzbarer, SQLite-basierter Orchestrator und ein Konverter für das scikit-learn cv_results_-Format. Der Artikel zieht zudem die Grenze – basierend auf Timothy Masters – zwischen statistischen Zielen, bei denen eine gezielte Suche vorteilhaft ist, und finanziellen Zielen, bei denen sie schädlich ist.

In diesem Artikel werden wir uns ansehen, wie man bestimmte Probleme und Fragen lösen kann, die bei der Verwendung von Python-Code in anderen Programmen auftreten. Insbesondere werden wir ein häufiges Problem demonstrieren, das bei der Verwendung von Excel in Verbindung mit MetaTrader 5 auftritt, obwohl wir Python verwenden werden, um diese Interaktion zu erleichtern. Diese Umsetzung hat jedoch einen kleinen Nachteil. Dies trifft nicht in allen Fällen zu, sondern nur in bestimmten Situationen. Wenn es dazu kommt, muss man die Ursache verstehen. Im heutigen Artikel werden wir zunächst erklären, wie dieses Problem gelöst werden kann.

In diesem Artikel wird ein Modul zur Klassifizierung von Marktzuständen für MQL5 entwickelt, das das Preisverhalten anhand abgeschlossener Preisdaten interpretiert. Durch die Analyse von Volatilitätskontraktion, -expansion und struktureller Konsistenz klassifiziert das Tool die Marktbedingungen als Kompression, Transition, Expansion oder Trend und bietet so einen klaren kontextuellen Rahmen für die Price-Action-Analyse.

Der 2016 entwickelte Kamelalgorithmus simuliert das Verhalten von Kamelen in der Wüste, um Optimierungsprobleme unter Berücksichtigung von Temperatur, Versorgung und Ausdauer zu lösen. In diesem Artikel wird auch eine modifizierte Version des Algorithmus (CAm) mit wesentlichen Verbesserungen vorgestellt: die Verwendung einer Normalverteilung bei der Generierung von Lösungen und die Optimierung der Parameter für den Oaseneffekt.

Aufbauend auf dem vorangegangenen Artikel, in dem das Modul zur Klassifizierung des Marktzustands vorgestellt wurde, konzentriert sich dieser Teil auf die Implementierung der Kernlogik zur Identifizierung und Bewertung von Kompressionszonen. Vorgestellt wird ein MQL5-System zur Erkennung von Range-Kontraktionen und zur Einstufung ihres Reifegrads, das Marktkompression ausschließlich anhand des Kursverlaufs analysiert.

Dieser Artikel zeigt, wie man die Google Generative AI API mit MetaTrader 5 unter Verwendung von MQL5 integriert. Sie lernen, wie Sie API-Anfragen strukturieren, Serverantworten verarbeiten, KI-generierte Inhalte extrahieren, Ratenlimits verwalten und die Ergebnisse in einer Textdatei speichern, um einen einfachen Zugriff zu ermöglichen.

Disziplin wird dann zuverlässig, wenn sie durch die Gestaltung des Systems und nicht durch Willenskraft entsteht. Mithilfe von MQL5 implementiert der Artikel Echtzeit-Beschränkungen – Obergrenzen für die Handelshäufigkeit und tägliche, auf dem Eigenkapital basierende Stopps –, die das Verhalten überwachen und bei Verstößen Maßnahmen auslösen. Die Leser erhalten eine praktische Vorlage für Steuerungsebenen, die die Umsetzung unter Marktdruck stabilisieren.

In diesem Artikel erstellen wir einen vielseitigen RSI-Indikator in MQL5, der mehrere Varianten, Datenquellen und Glättungsmethoden für eine verbesserte Analyse unterstützt. Wir fügen Farbwechsel für farbliche Darstellungen, dynamische Grenzen für überkaufte/überverkaufte Zonen und Benachrichtigungen für Trendwarnungen hinzu. Es unterstützt mehrere Zeitrahmen mit Interpolation und bietet uns ein anpassbares RSI-Tool für verschiedene Strategien.

In diesem Artikel werden wir uns mit dem spannenden Thema der fraktalen Analyse und der Marktprognose mithilfe von maschinellem Lernen befassen. Dies sind nur die ersten Schritte auf dem Weg zur Erforschung der vielfältigen fraktalen Strukturen, die sich in Finanzkurscharts bilden. Wir werden die Korrelation nutzen, um Muster zu erkennen, und den CatBoost-Algorithmus, um diese Muster zu klassifizieren.