Artikel über das Programmieren in MQL4 und MQL5

Der Artikel befasst sich mit der Klassifikation mittels Gauß-Prozessen. Wir beginnen mit dem Studium der theoretischen Grundlagen und gehen dann zur praktischen Entwicklung der GP-Bibliothek in MQL5 über.

In diesem Artikel werden wir sehen, wie man eine Datenbank visualisiert und daraus ihre Struktur versteht. Dies geschieht durch die Analyse ihrer internen Struktur. Auch wenn dies auf den ersten Blick unnötig erscheinen mag, ist es durchaus gerechtfertigt, wenn wir wirklich Datenbankadministratoren werden wollen. Schließlich verdienen manche Menschen ihren Lebensunterhalt damit, Datenbanken zu pflegen und zu entwerfen.

Die Daten des Internationalen Währungsfonds in Python abrufen: Auswertung von IWF-Daten zur Verwendung in makroökonomischen Währungsstrategien. Inwiefern kann die Makroökonomie einem normalen wie auch einem algorithmischen Trader helfen?

Dieser Artikel stellt einen MetaTrader 5-kompatiblen Backtesting-Workflow vor, der sich auf verschiedene Symbole und Zeitrahmen hinweg skaliert. Wir nutzen den HistoryManager, um die Datenerfassung zu parallelisieren, Kursbalken und Ticks aus allen Zeitrahmen zu synchronisieren und symbolisolierte OnTick-Handler in Threads auszuführen. Sie erfahren, wie sich Modellierungsmodi auf Geschwindigkeit und Genauigkeit auswirken, wann Sie sich auf Terminaldaten verlassen können, wie Sie den I/O-Aufwand durch ereignisgesteuerte Aktualisierungen reduzieren und wie Sie einen vollständigen Multiwährungs-Trading-Roboter erstellen.

In diesem Artikel verbessern wir das Canvas-basierte Kurs-Dashboard in MQL5, indem wir ein pixelgenaues, scrollbares Textpanel für Bedienhinweise hinzufügen und die Einschränkungen des nativen Scrollens mithilfe von benutzerdefiniertem Anti-Aliasing sowie einer abgerundeten, sich bei Hover verbreiternden Scrollleiste umgehen. Das Textpanel unterstützt themenabhängige Hintergründe mit einstellbarer Transparenz, dynamischen Zeilenumbruch für Inhalte wie Anleitungen und Kontaktinformationen sowie eine interaktive Navigation über Schaltflächen zum Hoch- und Herunterscrollen, Ziehen von Schiebereglern und Scrollen mit dem Mausrad innerhalb des Textpanels.

Erfahren Sie, wie der „Boom & Crash Interceptor EA“ Ihre Charts in ein proaktives Warnsystem verwandelt – indem er explosive Kursbewegungen durch blitzschnelle Scans, Prüfungen auf Volatilitätsschübe, Trendbestätigungen und Pivot-Zone-Filter erkennt. Mit den klar erkennbaren Pfeilen, grün für „Boom“ und rot für „Crash“, die Sie bei jeder Entscheidung leiten, filtert dieses Tool das Marktrauschen heraus und ermöglicht es Ihnen, von Kurssprüngen zu profitieren wie nie zuvor. Tauchen Sie ein und erfahren Sie, wie es funktioniert und warum es zu Ihrem nächsten entscheidenden Vorteil werden kann.

Der Artikel behandelt den nichtparametrischen statistischen Test HSIC (Hilbert-Schmidt Independence Criterion), mit dem sich lineare und nichtlineare Abhängigkeiten in Daten ermitteln lassen. Es werden zwei Implementierungen zur Berechnung von HSIC in der Sprache MQL5 vorgestellt: der exakte Permutationstest und die Gamma-Approximation. Die Leistungsfähigkeit der Methode wird an synthetischen Daten demonstriert, die eine nichtlineare Beziehung zwischen Merkmalen und der Zielvariablen modellieren.

In diesem Beitrag werden wir Swing Extremes und den Indikator für Rücksetzer automatisieren, der die rohe Kursbewegung in niedrigeren Zeitrahmen (LTF) in eine strukturierte Darstellung der Marktrichtung umwandelt und dabei Swing-Hochs, Swing-Tiefs und Korrekturphasen in Echtzeit präzise identifiziert. Durch die programmatische Verfolgung von Veränderungen in der Mikrostruktur antizipiert es potenzielle Umkehrungen, bevor diese sich vollständig entfalten – und verwandelt so Rauschen in handlungsrelevante Erkenntnisse.

Das Framework von Actor–Director–Critic ist eine Weiterentwicklung der klassischen Agenten-Lernarchitektur. Der Artikel präsentiert praktische Erfahrungen mit seiner Implementierung und Anpassung an die Bedingungen der Finanzmärkte.

Die biogeografische Optimierung (BBO) ist ein elegantes Verfahren zur globalen Optimierung, das von den natürlichen Prozessen der Artenmigration zwischen Inseln eines Archipels inspiriert ist. Der Algorithmus basiert auf einer einfachen, aber wirkungsvollen Idee: Hochwertige Lösungen geben ihre Eigenschaften aktiv weiter, während minderwertige Lösungen aktiv neue Merkmale übernehmen, wodurch ein natürlicher Informationsfluss von den besten zu den schlechtesten Lösungen entsteht. Ein einzigartiger adaptiver Mutationsoperator sorgt für ein hervorragendes Gleichgewicht zwischen Exploration und Exploitation. BBO zeigt bei einer Vielzahl von Aufgaben eine hohe Effizienz.

Der Artikel versucht, Finanzzeitreihen unter dem Gesichtspunkt selbstähnlicher fraktaler Strukturen zu untersuchen. Da es zahlreiche Analogien gibt, die die Möglichkeit bestätigen, Marktkurse als selbstähnliche Fraktale zu betrachten, können wir uns Gedanken über die Prognosehorizonte solcher Strukturen machen.

Dieser Artikel zeigt, wie man die Umkehrmuster nach Larry Williams’ Smash Day in MQL5 innerhalb eines strukturierten Kontexts automatisieren kann. Wir implementieren einen Expert Advisor, der Setups über ein begrenztes Zeitfenster validiert, Einstiegspunkte anhand der auf dem Supertrend basierenden Trendrichtung und Wochentagsfiltern abstimmt und Einstiege entweder beim Durchbruch eines Niveaus oder nach bestätigtem Schlusskurs der Bar unterstützt. Der Code erlaubt jeweils nur eine offene Position und unterstützt sowohl risikobasierte als auch feste Positionsgrößen. Es werden eine schrittweise Entwicklung, ein Backtesting-Verfahren sowie reproduzierbare Einstellungen bereitgestellt.

In diesem Artikel wird gezeigt, wie man einen MQL5-Indikator erstellt, der eine CSV-Datei mit der Handelshistorie ausliest, die Werte für „Profit($)“ und die Gesamtzahl der Trades extrahiert und die Entwicklung des kumulierten Saldos berechnet. Wir zeichnen die Kurve in einem separaten Indikatorfenster ein, passen die Y-Achse automatisch an und zeichnen horizontale und vertikale Achsen zur Orientierung ein. Der Indikator wird zeitgesteuert aktualisiert und nur dann neu gezeichnet, wenn neue Trades auftreten. Optionale Beschriftungen zeigen den Gewinn und Verlust pro Trade an, um die Performance und Drawdowns direkt im Chart beurteilen zu können.

Der Artikel erörtert die Anpassung und praktische Implementierung des ACEFormer-Frameworks mittels MQL5 im algorithmischen Handel. Er präsentiert wichtige architektonische Entscheidungen, Trainingsmerkmale und Testergebnisse des Modells auf realen Daten.

In diesem Artikel erweitern wir den hybriden Marktprofil-Indikator Time Price Opportunity (TPO) in MQL5 durch die Einbindung von Volumendaten, um volumenbasierte Kontrollpunkte, Wertbereiche und den volumengewichteten Durchschnittspreis mit anpassbaren Hervorhebungsoptionen zu berechnen. Das System bietet erweiterte Funktionen wie die Erkennung der Initial Balance, Projektionslinien wichtiger Kursniveaus, Split-Profile sowie alternative TPO-Symbole wie Quadrate oder Kreise, um die visuelle Analyse über mehrere Zeitrahmen hinweg zu verbessern.

Sie haben wahrscheinlich schon einmal von Zeigern gehört, wenn es um das Programmieren geht. Aber wussten Sie, dass wir Zeiger auch hier in MQL5 verwenden können? Das muss natürlich so geschehen, dass wir die Kontrolle behalten und seltsames Programmverhalten während der Ausführung vermeiden. Da es sich jedoch um eine sehr spezifische Funktion handelt, die auf bestimmte Aufgaben ausgerichtet ist, hört man selten, dass wir dieses Sprachkonstrukt auch hier in MQL5 nutzen können.

In diesem Artikel befassen wir uns mit konformen Vorhersagen und der MAPIE-Bibliothek, die diese implementiert. Dieser Ansatz gehört zu den modernsten im Bereich des maschinellen Lernens und ermöglicht es uns, uns auf das Risikomanagement für bestehende, vielfältige Modelle des maschinellen Lernens zu konzentrieren. Konforme Vorhersagen sind an sich kein Verfahren zur Erkennung von Mustern in Daten. Sie geben lediglich das Konfidenzniveau bestehender Modelle bei der Vorhersage konkreter Beispiele an und ermöglichen die Filterung zuverlässiger Vorhersagen.

Dieser Artikel befasst sich mit einer auf Barrierefreiheit ausgerichteten Erweiterung, die über die standardmäßigen Terminal-Warnmeldungen hinausgeht und mithilfe der MQL5-Ressourcenverwaltung kontextbezogenes Sprachfeedback bereitstellt. Anstelle von allgemeinen Signaltönen vermittelt der Indikator, was geschehen ist und warum, sodass Trader die Marktgeschehnisse nachvollziehen können, ohne sich ausschließlich auf visuelle Beobachtungen verlassen zu müssen. Dieser Ansatz ist besonders für sehbehinderte Trader von großem Nutzen, kommt aber auch vielbeschäftigten Nutzern oder Nutzern, die mehrere Aufgaben gleichzeitig erledigen und eine freihändige Bedienung bevorzugen.

Bei der Untersuchung einer Vielzahl von Breakout-Setups ist mir aufgefallen, dass gescheiterte Breakouts selten auf mangelnde Volatilität zurückzuführen waren, sondern häufiger auf eine schwache interne Struktur. Diese Beobachtung führte zu dem in diesem Artikel vorgestellten Rahmenkonzept. Der Ansatz identifiziert Muster, bei denen das letzte Kurssegment eine überdurchschnittliche Länge, Steilheit und Geschwindigkeit aufweist – eindeutige Anzeichen für den Aufbau von Momentum im Vorfeld einer gerichteten Ausweitung. Indem sie diese subtilen geometrischen Ungleichgewichte innerhalb der Konsolidierungsphase erkennen, können Trader Ausbrüche mit höherer Wahrscheinlichkeit antizipieren, bevor der Kurs die Konsolidierungsspanne verlässt. Lesen Sie weiter, um zu erfahren, wie dieses auf Fraktalen basierende geometrische Modell strukturelle Ungleichgewichte in präzise Ausbruchsignale umsetzt.

Lassen Sie uns besprechen, wie wir unsere Expert Advisors mithilfe von Text-to-Speech-Technologie sprachfähig machen können, indem wir Python und MQL5 kombinieren. Nachdem Sie diesen Artikel gelesen haben, verfügen Sie über ein funktionierendes Beispiel für einen EA, der dynamische Marktinformationen ausgibt. Sie werden den Einsatz von TTS und der WebRequest-Funktion beherrschen und lernen, wie sich Python-Bibliotheken in die Sprache MQL5 integrieren lassen, um ein wirklich sprachunterstütztes Trading-Tool zu entwickeln.

Wir erstellen eine praktische Brücke zwischen MetaTrader 5 und Binance: Wir holen 30-Minuten-Klines mit WebRequest, extrahieren OHLC/Zeitwerte aus JSON und bestätigen ein bullisches Engulfing-Muster, indem wir nur geschlossene Kerzen verwenden. Dann setzen wir die Zeichenkette für die Abfrage zusammen, berechnen die HMAC-SHA256-Signatur, fügen X-MBX-APIKEY hinzu und übermitteln authentifizierte Orders. Sie erhalten einen klaren, durchgängigen EA-Workflow von der Datenerfassung bis zur Orderausführung.

Wir setzen die „Smash-Day“-Umkehrregeln von Larry Williams in einen praktischen MQL5-Indikator um, der bestätigte Setups mit Pfeilen markiert. Schritt für Schritt werden in diesem Text die Pufferverknüpfung, Diagrammeigenschaften, die Auswertung historischer Daten sowie Echtzeit-Aktualisierungen innerhalb von OnCalculate erläutert. Dank anpassbarer Lookback-Parameter und einer übersichtlichen Chart-Darstellung können Sie gültige Trendumkehrungen schnell erkennen, während die endgültigen Handelsentscheidungen weiterhin nach eigenem Ermessen und kontextbezogen getroffen werden.

Der Artikel betrachtet einfache Optionsstrategien und deren Implementierung in MQL5. Wir werden einen grundlegenden EA entwickeln, der modernisiert und komplexer gestaltet wird.

Wir arbeiten weiter an der Implementierung des Frameworks CATCH, das die Fourier-Transformation und Frequenz-Patching-Mechanismen kombiniert und so eine genaue Erkennung von Marktanomalien gewährleistet. In diesem Artikel schließen wir die Implementierung unserer eigenen Vision der vorgeschlagenen Ansätze ab und testen die neuen Modelle an realen historischen Daten.

Der Artikel stellt eine vollständige Python-MQL5-Integration für den Multi-Agenten-Handel vor: MT5-Datenerfassung, Berechnung von Indikatoren, Entscheidungen pro Agent und ein gewichteter Konsens, der zu einer einzigen Handelsaktion führt. Die Signale werden im JSON-Format gespeichert, über Flask bereitgestellt und von einem MQL5-Expert Advisor zur Ausführung mit Positionsgrößenbestimmung und aus dem ATR abgeleiteten SL/TP verarbeitet. Flask-Routen ermöglichen eine sichere Steuerung des Lebenszyklus und eine Statusüberwachung.

In diesem Artikel zeige ich, wie man einen Indikator verwendet, um offene Positionen auf dem Handelsserver auf die einfachste und praktischste Weise zu verfolgen. Ich mache dies Schritt für Schritt, um zu zeigen, dass man nicht unbedingt all dies in einen Expert Advisor verschieben muss. Viele von Ihnen haben sich wahrscheinlich aus dem einen oder anderen Grund daran gewöhnt, dies zu tun. Tatsächlich ist das nicht wirklich gerechtfertigt, denn im Laufe der Entwicklung dieser Implementierung wird deutlich werden, dass man für diesen Zweck verschiedene Arten von Indikatoren erstellen oder implementieren kann.