Artikel über das Programmieren und Anwenden von Handelsrobotern in MQL5

In dieser Artikelserie werden verschiedene Methoden zur Kennzeichnung (labeling) von Zeitreihen vorgestellt, mit denen Daten erstellt werden können, die den meisten Modellen der künstlichen Intelligenz entsprechen. Eine gezielte und bedarfsgerechte Kennzeichnung von Daten kann dazu führen, dass das trainierte Modell der künstlichen Intelligenz besser mit dem erwarteten Design übereinstimmt, die Genauigkeit unseres Modells verbessert wird und das Modell sogar einen qualitativen Sprung machen kann!

Das Training nützlicher Fertigkeiten ohne explizite Belohnungsfunktion ist eine der größten Herausforderungen beim hierarchischen Verstärkungslernen. Zuvor haben wir bereits zwei Algorithmen zur Lösung dieses Problems kennengelernt. Die Frage nach der Vollständigkeit der Umweltforschung bleibt jedoch offen. In diesem Artikel wird ein anderer Ansatz für das Training von Fertigkeiten vorgestellt, dessen Anwendung direkt vom aktuellen Zustand des Systems abhängt.

Die besten Praktiken, die festlegen, wie ein Indikator sicher zu verwenden ist, sind nicht immer leicht zu befolgen. Bei ruhigen Marktbedingungen kann der Indikator überraschenderweise Werte anzeigen, die nicht als Handelssignal gelten, was dazu führt, dass algorithmischen Händlern Chancen entgehen. In diesem Artikel wird eine mögliche Lösung für dieses Problem vorgeschlagen, da wir erörtern, wie Handelsanwendungen entwickelt werden können, die ihre Handelsregeln an die verfügbaren Marktdaten anpassen.

In diesem Artikel entwickeln wir ein nutzerdefiniertes MQL5-Toolkit für einfache manuelle Backtests im Strategy Tester. Wir erläutern den Aufbau und die Umsetzung des Systems und konzentrieren uns dabei auf interaktive Handelskontrollen. Wir zeigen dann, wie man damit Strategien effektiv testen kann

Das kontrastive Training ist eine unüberwachte Methode zum Training der Repräsentation. Ziel ist es, ein Modell zu trainieren, das Ähnlichkeiten und Unterschiede in Datensätzen aufzeigt. In diesem Artikel geht es um die Verwendung kontrastiver Trainingsansätze zur Erkundung verschiedener Fähigkeiten des Akteurs (Actor skills).

Dieser Artikel zeigt Anfängern, wie man einen Expert Advisor (EA) in MQL5 erstellt, der auf Basis der Erkennung von Chart-Mustern mit Trendlinienausbrüchen und Umkehrungen handelt. Indem der Leser lernt, wie man Trendlinienwerte dynamisch abruft und mit der Preisaktion vergleicht, wird er in der Lage sein, EAs zu entwickeln, die in der Lage sind, Chart-Muster wie steigende und fallende Trendlinien, Kanäle, Keile, Dreiecke und mehr zu erkennen und zu handeln.

Es wird erwartet, dass der in der Entwicklung befindliche EA gute Ergebnisse beim Handel mit verschiedenen Brokern zeigt. Aber im Moment haben wir die Kurse eines MetaQuotes-Demokontos verwendet, um Tests durchzuführen. Lassen Sie uns sehen, ob unser EA bereit ist, auf einem Handelskonto mit anderen Kursen zu arbeiten, als die, die wir während der Tests und der Optimierung verwendet haben.

Wir brauchen einen Timer, der anzeigt, wie viel Zeit bis zum Ende der Wiedergabe/Simulation verbleibt. Dies mag auf den ersten Blick eine einfache und schnelle Lösung sein. Viele versuchen einfach, sich anzupassen und das gleiche System zu verwenden, das der Handelsserver verwendet. Aber es gibt eine Sache, die viele Leute nicht bedenken, wenn sie über diese Lösung nachdenken: Bei der Wiederholung und noch mehr bei der Simulation funktioniert die Uhr anders. All dies erschwert die Schaffung eines solchen Systems.

In diesem Artikel entwickeln wir ein Trendlinen-Ausbruchssystem in MQL5, das Unterstützungs- und Widerstandstrendlinien mit Hilfe von Umkehrpunkte identifiziert, die durch die R-Quadrat-Anpassungsgüte und Winkelbeschränkungen validiert werden, um den Ausbruch-Handel zu automatisieren. Unser Plan ist es, innerhalb eines bestimmten Rückblickzeitraums hohe und tiefe Umkehrpunkte zu erkennen, Trendlinien mit einer Mindestanzahl von Berührungspunkten zu konstruieren und sie mithilfe von R-Quadrat-Metriken und Winkelbeschränkungen zu validieren, um Zuverlässigkeit zu gewährleisten.

In diesem Artikel untersuchen wir, wie der MQL5-Wirtschaftskalender für den Handel verwendet werden kann, indem wir zunächst seine Kernfunktionen verstehen. Anschließend implementieren wir wichtige Funktionen des Wirtschaftskalenders in MQL5, um relevante Nachrichtendaten für Handelsentscheidungen zu extrahieren. Abschließend zeigen wir auf, wie diese Informationen genutzt werden können, um Handelsstrategien effektiv zu verbessern.

Das MetaTrader 5 Python-Paket bietet eine einfache Möglichkeit, Handelsanwendungen für die MetaTrader 5-Plattform in der Sprache Python zu erstellen. Obwohl dieses Modul ein leistungsstarkes und nützliches Werkzeug ist, ist es nicht so einfach wie die MQL5-Programmiersprache, wenn es darum geht, eine algorithmische Handelslösung zu erstellen. In diesem Artikel werden wir Handelsklassen erstellen, die den in MQL5 angebotenen ähnlich sind, um eine ähnliche Syntax zu schaffen und es einfacher zu machen, Handelsroboter in Python wie in MQL5 zu erstellen.

Der EA-Entwicklungsplan umfasst mehrere Stufen, wobei die Zwischenergebnisse in der Datenbank gespeichert werden. Sie können von dort nur als Zeichenketten oder Zahlen wieder abgerufen werden, nicht als Objekte. Wir brauchen also eine Möglichkeit, die gewünschten Objekte im EA anhand der aus der Datenbank gelesenen Strings neu zu erstellen.

Dieser Artikel befasst sich mit der praktischen Anwendung des L1-Trendfilters im MetaTrader 5, wobei sowohl die mathematischen Grundlagen als auch die Verwendung in MQL5-Programmen behandelt werden. Der L1-Filter ermöglicht die Extraktion stückweise linearer Trends, die die wesentliche Marktstruktur erhalten und gleichzeitig das Kursrauschen reduzieren. Die Studie analysiert die Skalierung der Parameter, das Verhalten der Trendschätzung und die Integration der Methode in algorithmische Handelsstrategien. Experimentelle Ergebnisse zeigen, wie der L1-Trendfilter die Signalstabilität, das Handels-Timing und die allgemeine Robustheit von Handelssystemen verbessern kann.

Density Based Spatial Clustering for Applications with Noise (DBSCAN) ist eine unüberwachte Form der Datengruppierung, die kaum Eingabeparameter benötigt, außer 2, was im Vergleich zu anderen Ansätzen wie K-Means ein Segen ist. Wir gehen der Frage nach, wie dies für das Testen und schließlich den Handel mit den von Wizard zusammengestellten Expert Advisers konstruktiv sein kann