Artikel über das Programmieren und Anwenden von Handelsrobotern in MQL5

In diesem Artikel entwickeln wir ein London Session Breakout System, das Ausbrüche vor der Londoner Handelsspanne identifiziert und schwebende Aufträge mit anpassbaren Handelsarten und Risikoeinstellungen platziert. Wir integrieren Funktionen wie Trailing Stops, Risiko-Ertrags-Verhältnisse, maximale Drawdown-Grenzen und ein Kontrollpanel für die Überwachung und Verwaltung in Echtzeit.

Die direkte Analyse von Punktwolken vermeidet unnötiges Datenwachstum und verbessert die Leistung von Modellen bei Klassifizierungs- und Segmentierungsaufgaben. Solche Ansätze zeigen eine hohe Leistungsfähigkeit und Robustheit gegenüber Störungen in den Originaldaten.

Wir setzen unseren letzten Artikel über DDPG mit MA und stochastischen Indikatoren fort, indem wir andere Schlüsselklassen des Reinforcement Learning untersuchen, die für die Implementierung von DDPG entscheidend sind. Obwohl wir hauptsächlich in Python kodieren, wird das Endprodukt, ein trainiertes Netzwerk, als ONNX nach MQL5 exportiert, wo wir es als Ressource in einen von einem Assistenten zusammengestellten Expert Advisor integrieren.

Makler stellen oft in regelmäßigen Abständen nach einem vordefinierten Zeitplan Berichte über Handelskonten zur Verfügung. Diese Firmen haben über ihre API-Technologien Zugang zu Ihren Kontoaktivitäten und Ihrer Handelshistorie, sodass sie in Ihrem Namen Performanceberichte erstellen können. Ebenso speichert das MetaTrader 5-Terminal detaillierte Aufzeichnungen Ihrer Handelsaktivitäten, die mit MQL5 genutzt werden können, um vollständig angepasste Berichte zu erstellen und personalisierte Liefermethoden zu definieren.

Wir untersuchen weiterhin Algorithmen zur Extraktion von Merkmalen aus einer Punktwolke. In diesem Artikel werden wir uns mit den Mechanismen zur Steigerung der Effizienz der PointNet-Methode vertraut machen.

Wir stellen das Multi-Agent Self-Adaptive Portfolio Optimization Framework (MASAAT) vor, das Aufmerksamkeitsmechanismen und Zeitreihenanalyse kombiniert. MASAAT generiert eine Reihe von Agenten, die Preisreihen und Richtungsänderungen analysieren und so die Identifizierung signifikanter Fluktuationen in Vermögenspreisen auf verschiedenen Detailebenen ermöglichen.

Der Accelerator Oszillator ist ein weiterer Indikator von Bill Williams, der die Beschleunigung der Preisdynamik und nicht nur ihr Tempo verfolgt. Ähnlich wie der Awesome Oszillator, den wir in einem kürzlich erschienenen Artikel besprochen haben, versucht er, die Verzögerungseffekte zu vermeiden, indem er sich mehr auf die Beschleunigung als auf die Geschwindigkeit konzentriert. Wir untersuchen wie immer, welche Muster wir daraus ableiten können und welche Bedeutung sie für den Handel mit einem von einem Assistenten zusammengestellten Expert Advisor haben könnten.

Replay-Puffer sind beim Reinforcement Learning besonders wichtig bei Off-Policy-Algorithmen wie DQN oder SAC. Damit wird das Sampling-Verfahren dieses Speicherpuffers in den Mittelpunkt gerückt. Während bei den Standardoptionen von SAC beispielsweise eine zufällige Auswahl aus diesem Puffer verwendet wird, wird bei den priorisierten Erfahrungswiederholungspuffern eine Feinabstimmung vorgenommen, indem eine Auswahl aus dem Puffer auf der Grundlage eines TD-Scores erfolgt. Wir gehen auf die Bedeutung des Reinforcement Learning ein und untersuchen wie immer nur diese Hypothese (nicht die Kreuzvalidierung) in einem von einem Assistenten zusammengestellten Expert Advisor.

Dieser Artikel erklärt, wie man einen professionellen Heikin Ashi-basierten Expert Advisor (EA) in MQL5 entwickelt. Sie werden lernen, wie man Eingabeparameter, Enumerationen, Indikatoren und globale Variablen einrichtet und die zentrale Handelslogik implementiert. Sie können auch einen Backtest mit Gold durchführen, um Ihre Arbeit zu überprüfen.

Der gleitende Durchschnitt und der Stochastik-Oszillator sind sehr gebräuchliche Indikatoren, deren kollektive Muster wir im vorangegangenen Artikel mittels eines überwachten Lernnetzwerks untersucht haben, um zu sehen, welche „Muster haften bleiben“ würden. Wir gehen mit unseren Analysen aus diesem Artikel noch einen Schritt weiter, indem wir die Auswirkungen des Reinforcement Learnings auf die Leistung untersuchen, wenn es mit diesem trainierten Netz eingesetzt wird. Die Leser sollten beachten, dass sich unsere Tests auf ein sehr begrenztes Zeitfenster beziehen. Nichtsdestotrotz nutzen wir weiterhin die minimalen Programmieranforderungen, die der MQL5-Assistent bietet, um dies zu zeigen.

Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorenpaar Ichimoku und ADX vorstellten, und untersuchen, wie dieses Duo durch überwachtes Lernen verbessert werden kann. Ichimoku und ADX sind ein Unterstützungs-/Widerstands- und komplementäres Paar bezüglich eines Trends. Unser überwachter Lernansatz verwendet ein neuronales Netzwerk, das den Deep Spectral Mixture Kernel einsetzt, um die Prognosen dieses Indikatorpaares zu verfeinern. Wie üblich erfolgt dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten zur Zusammenstellung eines Expert Advisors arbeitet.

In diesem Artikel verbessern wir den MQL5-Wirtschaftskalender, indem wir ein bewegliches Dashboard einführen, mit dem wir die Schnittstelle für eine bessere Sichtbarkeit der Charts neu positionieren können. Wir implementieren Hover-Effekte für Schaltflächen, um die Interaktivität zu verbessern und eine nahtlose Navigation mit einer dynamisch positionierten Bildlaufleiste zu gewährleisten.

In diesem Artikel entwickeln wir ein Ticker-Laufband in MQL5 für die Echtzeitüberwachung mehrerer Symbole, das Geldkurse, Spreads und tägliche prozentuale Veränderungen mit Scrolleffekten anzeigt. Wir implementieren anpassbare Schriftarten, Farben und Bildlaufgeschwindigkeiten, um Preisbewegungen und Trends effektiv hervorzuheben.

In diesem Artikel erweitern wir das in ChatGPT integrierte Programm in MQL5, indem wir die Beschränkungen bei mehrzeiligen Eingaben durch eine verbesserte Textdarstellung überwinden, eine Seitenleiste für die Navigation im persistenten Chatspeicher mit AES256-Verschlüsselung und ZIP-Komprimierung einführen und erste Handelssignale durch die Integration von Chart-Daten erzeugen.

Das Training von Transformer-Modellen erfordert große Datenmengen und ist oft schwierig, da die Modelle nicht gut auf kleine Datensätze verallgemeinert werden können. Der SAMformer-Rahmen hilft bei der Lösung dieses Problems, indem er schlechte lokale Minima vermeidet. Dadurch wird die Effizienz der Modelle auch bei begrenzten Trainingsdaten verbessert.

Bei der Erforschung verschiedener Modellarchitekturen wird dem Prozess des Modelltrainings oft nicht genügend Aufmerksamkeit geschenkt. In diesem Artikel möchte ich diese Lücke schließen.

Im letzten Beitrag haben wir die Paarung von Gator-Oszillator und Akkumulations-/Distributions-Oszillator in ihrer typischen Einstellung der von ihnen erzeugten Rohsignale betrachtet. Diese beiden Indikatoren sind als Trend- bzw. Volumenindikatoren zu verstehen. Im Anschluss an diesen Teil untersuchen wir die Auswirkungen, die das überwachte Lernen auf die Verbesserung einiger der von uns untersuchten Merkmalsmuster haben kann. Unser überwachter Lernansatz ist ein CNN, der mit Kernelregression und Skalarproduktähnlichkeit arbeitet, um seine Kernel und Kanäle zu dimensionieren. Wie immer tun wir dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.

Im letzten Artikel haben wir die Paarung von Ichimoku und ADX im Rahmen des Inferenzlernens untersucht. In diesem Beitrag greifen wir das Verstärkungslernen in Verbindung mit einem Indikatorpaar auf, das wir zuletzt in „Teil 68“ betrachtet haben. Der TRIX und Williams Percent Range. Unser Algorithmus für diese Überprüfung wird die Quantilregression DQN sein. Wie üblich stellen wir dies als nutzerdefinierte Signalklasse vor, die für die Implementierung mit dem MQL5-Assistenten entwickelt wurde.

Im vorangegangenen Artikel haben wir die theoretischen Grundlagen erforscht und mit der Umsetzung der Ansätze des Systems Multitask-Stockformer begonnen, das die Wavelet-Transformation und das Self-Attention-Multitask-Modell kombiniert. Wir fahren fort, die Algorithmen dieses Rahmens zu implementieren und ihre Effektivität anhand realer historischer Daten zu bewerten.

Der Artikel stellt die zweite Hälfte eines strukturierten Ansatzes für den Handel mit dem Gator Oscillator und der Akkumulation/Distribution vor. Durch die Einführung von fünf neuen Mustern zeigt der Autor, wie man falsche Bewegungen herausfiltert, frühe Kehrtwendungen erkennt und Signale über verschiedene Zeitrahmen hinweg abgleicht. Mit klaren Programmierbeispielen und Leistungstests verbindet das Material Theorie und Praxis für MQL5-Entwickler.

Dieser Artikel erklärt, wie man das harmonische Muster 5-0 in MQL5 erkennt und handelt, es mit Hilfe von Fibonacci-Levels validiert und auf dem Chart anzeigt.

In diesem Artikel wird das hybride Handelssystem StockFormer vorgestellt, das die Algorithmen von Predictive Coding und dem Reinforcement Learning (RL) kombiniert. Das Framework verwendet 3 Transformer-Zweige mit einem integrierten Diversified Multi-Head Attention (DMH-Attn)-Mechanismus, der das ursprüngliche Aufmerksamkeitsmodul mit einem mehrköpfigen Block des Vorwärtsdurchlaufs verbessert und es ermöglicht, diverse Zeitreihenmuster über verschiedene Teilräume hinweg zu erfassen.

In diesem Artikel entwickeln wir ein 3 Drives Pattern System in MQL5, das steigende und fallende harmonische Muster der 3 Drives mit 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.

Der Stochastik-Oszillator und der Fractal Adaptive Moving Average sind ein Indikatorpaar, das aufgrund seiner Fähigkeit, sich gegenseitig zu ergänzen, in einem MQL5 Expert Advisor verwendet werden kann. Wir haben diese Paarung im letzten Artikel vorgestellt und wollen nun abschließend ihre 5 letzten Signalmuster betrachten. Dabei verwenden wir wie immer den MQL5-Assistenten, um deren Potenzial zu erkunden und zu testen.

In diesem Artikel bereiten wir unser MQL5-Handelssystem für Strategietests vor, indem wir Wirtschaftskalenderdaten als Ressource für nicht-live Analysen einbinden. Wir implementieren das Laden von Ereignissen und die Filterung nach Zeit, Währung und Auswirkung und validieren sie dann im Strategy Tester. Dies ermöglicht effektive Backtests von nachrichtengesteuerten Strategien.

Im vorangegangenen Artikel haben wir das adaptive Multi-Agenten-System MASA vorgestellt, das Reinforcement-Learning-Ansätze und selbstanpassende Strategien kombiniert und so ein harmonisches Gleichgewicht zwischen Rentabilität und Risiko unter turbulenten Marktbedingungen ermöglicht. Wir haben die Funktionalität der einzelnen Agenten in diesem Rahmen aufgebaut. In diesem Artikel setzen wir die begonnene Arbeit fort und bringen sie zu einem logischen Abschluss.

In diesem Artikel bereiten wir unser MQL5-Handelssystem für Strategietests vor, indem wir Wirtschaftskalenderdaten als Ressource für nicht-live Analysen einbinden. Wir implementieren das Laden von Ereignissen und die Filterung nach Zeit, Währung und Auswirkung und validieren sie dann im Strategy Tester. Dies ermöglicht effektive Backtests von nachrichtengesteuerten Strategien.

In diesem Artikel erstellen wir ein Angebots- und Nachfragehandelssystem in MQL5, das Angebots- und Nachfragezonen durch Konsolidierungsbereiche identifiziert, sie mit impulsiven Bewegungen validiert und Retests mit Trendbestätigung und anpassbaren Risikoparametern handelt. Das System visualisiert die Zonen mit dynamischen Etiketten und Farben und unterstützt Trailing Stops für das Risikomanagement.

Stellen Sie sich vor, Sie verwandeln die traditionellen EA- oder Indikator-Eingabeeigenschaften in eine Echtzeit-Kontrollschnittstelle auf dem Chart. Diese Diskussion baut auf unserer grundlegenden Arbeit am Market Period Synchronizer-Indikator auf und stellt eine bedeutende Entwicklung in der Art und Weise dar, wie wir Higher-Timeframe (HTF)-Marktstrukturen visualisieren und verwalten. Hier setzen wir dieses Konzept in ein vollständig interaktives Hilfsprogramm um – ein Dashboard, das eine dynamische Steuerung und eine verbesserte Visualisierung von mehrperiodigen Preisaktionen direkt auf dem Chart ermöglicht. Erkunden Sie mit uns, wie diese Innovation die Art und Weise, wie Händler mit ihren Tools interagieren, neu gestaltet.

In den ersten Minuten nach der Veröffentlichung einer wichtigen Wirtschaftsnachricht ist das Risiko eines „Whipsaw“ extrem hoch. In diesem kurzen Zeitfenster können Kursbewegungen unberechenbar und volatil sein und oft beide Seiten von schwebenden Aufträgen auslösen. Kurz nach der Veröffentlichung – in der Regel innerhalb einer Minute – stabilisiert sich der Markt in der Regel und nimmt den vorherrschenden Trend wieder auf oder korrigiert ihn mit der üblichen Volatilität. In diesem Abschnitt werden wir einen alternativen Ansatz für den Nachrichtenhandel untersuchen, um seine Wirksamkeit als wertvolle Ergänzung zum Instrumentarium eines Händlers zu bewerten. Lesen Sie weiter, um weitere Einblicke und Details zu dieser Diskussion zu erhalten.

In diesem Artikel erstellen wir ein dynamisches holografisches Dashboard in MQL5 zur Überwachung von Symbolen und Zeitrahmen mit RSI, Volatilitätswarnungen und Sortieroptionen. Wir fügen eine pulsierende Animationen, interaktive Schaltflächen und holografische Effekte hinzu, um das Tool visuell ansprechend und reaktionsschnell zu gestalten.