Artikel mit Beispielen für das Programmieren von Handelsrobotern in MQL5

Wir setzen die Implementierung des DA-CG-LSTM-Frameworks fort, das innovative Methoden für die Zeitreihenanalyse und -prognose bietet. Die Verwendung von CG-LSTM und eines dualen Aufmerksamkeitsmechanismus ermöglicht eine genauere Erkennung sowohl langfristiger als auch kurzfristiger Abhängigkeiten in Daten, was besonders für die Arbeit mit Finanzmärkten nützlich ist.

In Teil 2 erweitern wir den Nachrichtenfilter, um bestehende Positionen während Nachrichtenereignissen zu schützen. Anstatt Trades zu schließen, entfernen wir die Werte von Stop-Loss und Take-Profit vorübergehend und speichern sie sicher im Speicher. Wenn das Nachrichtenfenster endet, werden die Stopps deterministisch unter Einhaltung der Mindestabstände des Brokers wiederhergestellt und angepasst, falls der Kurs die ursprünglichen Niveaus bereits überschritten hat. Das Ergebnis ist ein Mechanismus, der die Handelslogik wahrt, ohne die Einstiegslogik zu beeinträchtigen, und dafür sorgt, dass der EA auch bei Volatilität die Kontrolle behält.

Wir laden Sie ein, die ACEFormer-Architektur zu erkunden – eine moderne Lösung, die die Effektivität probabilistischer Aufmerksamkeit mit adaptiver Zeitreihenzerlegung kombiniert. Dieser Artikel richtet sich an alle, die ein Gleichgewicht zwischen Berechnungseffizienz und Prognosegenauigkeit auf den Finanzmärkten suchen.

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 stellen wir das Mamba4Cast-Framework vor und betrachten eine seiner Schlüsselkomponenten genauer: die zeitstempelbasierte Positionskodierung. Der Artikel zeigt, wie das Time-Embedding unter Berücksichtigung der Kalenderstruktur der Daten gebildet wird.