Artikel mit Beispielen für das Programmieren von Handelsrobotern in MQL5

Die Vorhersage spielt eine wichtige Rolle in der Zeitreihenanalyse. Im neuen Artikel werden wir über die Vorteile des Zeitreihen-Patchings sprechen.

Auf der Transformerarchitektur basierende Modelle weisen eine hohe Effizienz auf, aber ihre Verwendung wird durch hohe Ressourcenkosten sowohl in der Trainingsphase als auch während des Betriebs erschwert. In diesem Artikel schlage ich vor, sich mit Algorithmen vertraut zu machen, die es ermöglichen, den Speicherverbrauch solcher Modelle zu reduzieren.

Im Einklang mit unserer Vision, das Preisgeschehen zu vereinfachen, freuen wir uns, Ihnen ein weiteres Tool vorstellen zu können, das Ihre Marktanalyse erheblich verbessern und Ihnen helfen kann, gut informierte Entscheidungen zu treffen. Dieses Tool zeigt wichtige technische Indikatoren an, wie z. B. die Kurse des Vortags, wichtige Unterstützungs- und Widerstandsniveaus und das Handelsvolumen, und generiert automatisch visuelle Hinweise auf dem Chart.

In diesem Artikel werden gerichtete Diffusionsmodelle diskutiert, die datenabhängiges anisotropes und gerichtetes Rauschen in einem Vorwärtsdiffusionsprozess ausnutzen, um aussagekräftige Graphendarstellungen zu erfassen.

In diesem Artikel erweitern wir das Trade Management Panel unseres multifunktionalen Admin Panels. Wir führen eine leistungsstarke Hilfsfunktion ein, die den Code vereinfacht und die Lesbarkeit, Wartbarkeit und Effizienz verbessert. Wir zeigen Ihnen auch, wie Sie zusätzliche Schaltflächen nahtlos integrieren und die Nutzeroberfläche erweitern können, um ein breiteres Spektrum von Handelsaufgaben zu bewältigen. Ob es um die Verwaltung von Positionen, die Anpassung von Aufträgen oder die Vereinfachung von Nutzerinteraktionen geht, dieser Leitfaden hilft Ihnen bei der Entwicklung eines robusten, nutzerfreundlichen Trade Management Panels.

Ein algorithmisches Handelssystem, das die Volumenanalyse mit Techniken des maschinellen Lernens, insbesondere neuronalen LSTM-Netzen, kombiniert. Im Gegensatz zu traditionellen Handelsansätzen, die sich in erster Linie auf Preisbewegungen konzentrieren, legt dieses System den Schwerpunkt auf Volumenmuster und deren Ableitungen, um Marktbewegungen vorherzusagen. Die Methodik umfasst drei Hauptkomponenten: Analyse der Volumenderivate (erste und zweite Ableitung), LSTM-Vorhersagen für Volumenmuster und traditionelle technische Indikatoren.

In diesem Artikel wird der Conformer-Algorithmus vorgestellt, der ursprünglich für die Wettervorhersage entwickelt wurde, die in Bezug auf Variabilität und Launenhaftigkeit mit den Finanzmärkten verglichen werden kann. Conformer ist eine komplexe Methode. Es kombiniert die Vorteile von Aufmerksamkeitsmodellen und gewöhnlichen Differentialgleichungen.

Unterstützungs- und Widerstandspunkte sind kritische Niveaus, die potenzielle Trendumkehr und -fortsetzungen signalisieren. Obwohl es schwierig sein kann, diese Niveaus zu identifizieren, sind Sie, wenn Sie sie einmal gefunden haben, gut vorbereitet, um sich auf dem Markt zurechtzufinden. Als weitere Hilfe können Sie das in diesem Artikel vorgestellte Tool „Quarters Drawer“ verwenden, mit dem Sie sowohl primäre als auch sekundäre Unterstützungs- und Widerstandsniveaus identifizieren können.

Dieser Artikel setzt das Thema der Vorhersage der kommenden Kursentwicklung fort. Ich lade Sie ein, sich mit der Architektur eines Multi-Future Transformers vertraut zu machen. Die Hauptidee besteht darin, die multimodale Verteilung der Zukunft in mehrere unimodale Verteilungen zu zerlegen, was es ermöglicht, verschiedene Modelle der Interaktion zwischen Agenten auf der Szene effektiv zu simulieren.

Die meisten modernen Methoden zur multimodalen Zeitreihenprognose verwenden den Ansatz unabhängiger Kanäle. Dabei wird die natürliche Abhängigkeit verschiedener Kanäle derselben Zeitreihe ignoriert. Der intelligente Einsatz zweier Ansätze (unabhängige und gemischte Kanäle) ist der Schlüssel zur Verbesserung der Leistung der Modelle.

Ich lade Sie ein, sich mit dem Multi-Agent Self-Adaptive (MASA) Framework vertraut zu machen, das Reinforcement Learning und adaptive Strategien kombiniert und ein harmonisches Gleichgewicht zwischen Rentabilität und Risikomanagement unter turbulenten Marktbedingungen bietet.

Im vorigen Artikel haben wir eine der Methoden zur Erkennung von Objekten in einem Bild kennengelernt. Die Verarbeitung eines statischen Bildes ist jedoch etwas anderes als die Arbeit mit dynamischen Zeitreihen, wie z. B. die Dynamik der von uns analysierten Preise. In diesem Artikel werden wir uns mit der Methode der Objekterkennung in Videos befassen, die dem Problem, das wir lösen wollen, etwas näher kommt.

Dieser Artikel konzentriert sich auf wesentliche MQL5-Dateiverarbeitungstechniken, die Handelsprotokolle, CSV-Verarbeitung und externe Datenintegration umfassen. Es bietet sowohl ein konzeptionelles Verständnis als auch praktische Anleitungen zur Programmierung. Der Leser lernt Schritt für Schritt, wie man eine nutzerdefinierte CSV-Importer-Klasse erstellt und erwirbt so praktische Fähigkeiten für reale Anwendungen.

Alle Modelle, die wir bisher betrachtet haben, analysieren den Zustand der Umwelt als Zeitfolge. Die Zeitreihen können aber auch in Form von Häufigkeitsmerkmalen dargestellt werden. In diesem Artikel stelle ich Ihnen einen Algorithmus vor, der Frequenzkomponenten einer Zeitsequenz zur Vorhersage zukünftiger Zustände verwendet.

In diesem Artikel zeigen wir Ihnen, wie Sie Telegram-Befehle in MQL5 integrieren können, um das Hinzufügen von Indikatoren in Trading-Charts zu automatisieren. Wir behandeln den Prozess des Parsens von Nutzerbefehlen, deren Ausführung in MQL5 und das Testen des Systems, um einen reibungslosen indikatorbasierten Handel zu gewährleisten.

Die Marktrichtung zu bestimmen kann einfach sein, aber zu wissen, wann man einsteigen sollte, kann eine Herausforderung sein. Im Rahmen der Serie „Entwicklung eines Toolkit zur Analyse von Preisaktionen" freue ich mich, ein weiteres Tool vorzustellen, das Einstiegspunkte, Take-Profit-Levels und Stop-Loss-Platzierungen bietet. Um dies zu erreichen, haben wir die Programmiersprache MQL5 verwendet. In diesem Artikel wollen wir die einzelnen Schritte näher erläutern.

In diesem Artikel entwickeln wir einen Expert Advisor in MQL5 für die Strategie Trend Flat Momentum. Wir kombinieren das Kreuzen zweier gleitender Durchschnitte, gefiltert mit dem Momentum von RSI und CCI, um Handelssignale zu generieren. Wir befassen uns auch mit Backtests und möglichen Verbesserungen für die reale Leistung.

Beim Offline-Lernen verwenden wir einen festen Datensatz, der die Umweltvielfalt nur begrenzt abdeckt. Während des Lernprozesses kann unser Agent Aktionen generieren, die über diesen Datensatz hinausgehen. Wenn es keine Rückmeldungen aus der Umwelt gibt, wie können wir dann sicher sein, dass die Bewertungen solcher Maßnahmen korrekt sind? Die Beibehaltung der Agentenpolitik innerhalb des Trainingsdatensatzes ist ein wichtiger Aspekt, um die Zuverlässigkeit des Trainings zu gewährleisten. Darüber werden wir in diesem Artikel sprechen.

In früheren Artikeln haben wir die Decision-Transformer-Methode und mehrere davon abgeleitete Algorithmen besprochen. Wir haben mit verschiedenen Zielsetzungsmethoden experimentiert. Während der Experimente haben wir mit verschiedenen Arten der Zielsetzung gearbeitet. Die Studie des Modells über die frühere Trajektorie blieb jedoch immer außerhalb unserer Aufmerksamkeit. In diesem Artikel. Ich möchte Ihnen eine Methode vorstellen, die diese Lücke füllt.

In diesem Artikel entwickeln wir einen EA mit einem Rasterhandels-System mit mehreren Ebenen in MQL5 und konzentrieren uns dabei auf die Architektur und den Algorithmusentwurf hinter den Strategien des Rasterhandels. Wir erforschen die Implementierung einer mehrschichtigen Netzlogik und von Risikomanagementtechniken, um mit unterschiedlichen Marktbedingungen umgehen zu können. Abschließend finden Sie ausführliche Erklärungen und praktische Tipps, die Sie beim Aufbau, Testen und Verfeinern des automatischen Handelssystems unterstützen.

In diesem Artikel entwickeln wir ein 5-Drives-Mustersystem in MQL5, das steigende und fallende harmonische 5-Drives-Muster unter Verwendung von Umkehrpunkten und Fibonacci-Verhältnissen identifiziert und Handelsgeschäfte mit anpassbaren Einstiegs-, Stop-Loss- und Take-Profit-Levels basierend auf vom Nutzer ausgewählten Optionen ausführt. Wir verbessern den Einblick des Händlers mit visuellem Feedback durch Chart-Objekte wie Dreiecke, Trendlinien und Beschriftungen, um die A-B-C-D-E-F-Musterstruktur klar darzustellen.

In diesem Artikel wird eine recht effektive Methode zur Vorhersage der Trajektorie von Multi-Agenten vorgestellt, die sich an verschiedene Umweltbedingungen anpassen kann.

In dieser Diskussion werden wir die bestehende Dialogbibliothek sorgfältig erweitern, um die Logik der Verwaltung der Farbmodi (Theme) zu integrieren. Darüber hinaus werden wir Methoden für den Theme-Wechsel in die Klassen CDialog, CEdit und CButton integrieren, die in unserem Admin-Panel-Projekt verwendet werden. Lesen Sie weiter für weitere aufschlussreiche Perspektiven.

Die Autoren der FreDF-Methode haben den Vorteil der kombinierten Vorhersage im Frequenz- und Zeitbereich experimentell bestätigt. Die Verwendung von gewichteten Hyperparameter ist jedoch für nicht-stationäre Zeitreihen nicht optimal. In diesem Artikel werden wir uns mit der Methode der adaptiven Kombination von Vorhersagen im Frequenz- und Zeitbereich vertraut machen.

Dieser Artikel befasst sich mit der Optimierung der RSI-Werte und -Perioden für bessere Handelssignale. Wir stellen Methoden zur Schätzung optimaler RSI-Werte vor und automatisieren die Periodenauswahl mithilfe von Rastersuche und statistischen Modellen. Schließlich implementieren wir die Lösung in MQL5 und setzen Python für die Analyse ein. Unser Ansatz ist pragmatisch und geradlinig, um Ihnen zu helfen, potenziell komplizierte Probleme auf einfache Weise zu lösen.

In diesem Artikel werden wir den dritten Teil unserer Reise zur Formulierung eines dynamischen Multi-Pair Expert Advisors (EA) erkunden und uns dabei speziell auf die Integration von Mean Reversion- und Momentum-Handelsstrategien konzentrieren. Wir werden aufschlüsseln, wie man Kursabweichungen vom Mittelwert (Z-Score) erkennt und darauf reagiert, und wie man das Momentum bei mehreren Devisenpaaren misst, um die Handelsrichtung zu bestimmen.

Die Finanzmärkte sind unberechenbar, und Handelsstrategien, die in der Vergangenheit profitabel erschienen, brechen unter realen Marktbedingungen oft zusammen. Das liegt daran, dass die meisten Strategien, wenn sie einmal eingeführt sind, nicht mehr angepasst werden oder aus ihren Fehlern lernen können. Mit Hilfe von Ideen aus der Kontrolltheorie können wir mit Hilfe von Rückkopplungsreglern beobachten, wie unsere Strategien mit den Märkten interagieren und ihr Verhalten auf Rentabilität ausrichten. Unsere Ergebnisse zeigen, dass das Hinzufügen eines Feedback-Controllers zu einer einfachen gleitenden Durchschnittsstrategie die Gewinne verbessert, das Risiko reduziert und die Effizienz erhöht, was beweist, dass dieser Ansatz ein großes Potenzial für Handelsanwendungen hat.

In den vorangegangenen Teilen konnte der in Entwicklung befindliche Expert Advisor (EA) nur eine feste Positionsgröße für den Handel verwenden. Dies ist für Testzwecke akzeptabel, aber für den Handel mit einem echten Konto nicht ratsam. Lassen Sie uns den Handel mit variablen Positionsgrößen ermöglichen.

Der dynamische Multi-Pair Expert Advisor nutzt sowohl Korrelations- als auch inverse Korrelationsstrategien zur Optimierung der Handelsperformance. Durch die Analyse von Echtzeit-Marktdaten werden die Beziehungen zwischen Währungspaaren identifiziert und genutzt.

Ein Großteil der bisher untersuchten Modelle basiert auf der Transformer-Architektur. Bei langen Sequenzen können sie jedoch ineffizient sein. In diesem Artikel werden wir uns mit einer alternativen Richtung der Zeitreihenprognose auf der Grundlage von Zustandsraummodellen vertraut machen.