Artikel mit Beispielen für das Programmieren in MQL5

In diesem Artikel wird ein Algorithmus zur Merkmalsauswahl untersucht, der in dem Artikel „Local Feature Selection for Data Classification“ von Narges Armanfard et al. Der Algorithmus ist in Python implementiert, um binäre Klassifizierungsmodelle zu erstellen, die in MetaTrader 5-Anwendungen für Inferenzen integriert werden können.

In diesem Artikel werden wir uns ansehen, wie zwei Fehler im Code behoben werden können. Ich werde jedoch versuchen, sie so zu erklären, dass Sie als Programmieranfänger verstehen, dass die Dinge nicht immer so laufen, wie Sie es erwarten. Wie auch immer, dies ist eine Gelegenheit, zu lernen. Der hier dargestellte Inhalt ist ausschließlich für Bildungszwecke bestimmt. Dieser Antrag sollte keinesfalls als endgültiges Dokument betrachtet werden, das lediglich der Erkundung der vorgestellten Konzepte dient.

In diesem Artikel betrachten wir den Prozess der Entwicklung eines Tabellenmodells in MQL5 unter Verwendung des MVC-Architekturmusters (Model-View-Controller) zur Trennung der Logik, Darstellung und Steuerung der Daten, was strukturierten, flexiblen und skalierbaren Code ermöglicht. Wir betrachten die Implementierung von Klassen zum Aufbau eines Tabellenmodells, einschließlich der Verwendung von verknüpften Listen zur Speicherung von Daten.

Viele Programmierer könnten annehmen, dass wir auf Excel verzichten und direkt zu Python übergehen sollten, indem wir einige Pakete verwenden, die es Python ermöglichen, eine Excel-Datei für die spätere Analyse der Ergebnisse zu erzeugen. Wie bereits im vorangegangenen Artikel erwähnt, ist diese Lösung zwar für viele Programmierer die einfachste, wird aber von einigen Nutzern nicht akzeptiert werden. Und in diesem speziellen Fall hat der Nutzer immer Recht. Als Programmierer müssen wir einen Weg finden, damit alles funktioniert.

In diesem Artikel befassen wir uns mit dem Problem eines Übermaßes an Ticks, der die Anwendungsleistung bei der Verwendung echter Daten beeinträchtigen kann. Dieses Übermaß beeinträchtigt häufig das korrekte Timing, das erforderlich ist, um einen einminütigen Balken im entsprechenden Fenster zu erstellen.

Handeln ohne Sitzungsbewusstsein ist wie Navigieren ohne Kompass – man bewegt sich, aber nicht zielgerichtet. Heute revolutionieren wir die Art und Weise, wie Händler das Markt-Timing wahrnehmen, indem wir gewöhnliche Charts in dynamische geografische Darstellungen verwandeln. Mithilfe der leistungsstarken Visualisierungsfunktionen von MQL5 erstellen wir eine Live-Weltkarte, die aktive Handelssitzungen in Echtzeit beleuchtet und abstrakte Marktzeiten in intuitive visuelle Intelligenz verwandelt. Diese Reise schärft Ihre Handelspsychologie und offenbart professionelle Programmiertechniken, die die Lücke zwischen komplexen Marktstrukturen und praktischen, umsetzbaren Erkenntnissen schließen.

In diesem Artikel beginnen wir mit der Betrachtung eines der Konzepte, das viele Anfänger vermeiden. Das hängt damit zusammen, dass Templates kein einfaches Thema sind, da viele das Grundprinzip, das den Templates zugrunde liegt, nicht verstehen: die Überladung von Funktionen und Prozeduren.

In diesem achten Teil der Serie Meistern der Log-Einträge untersuchen wir die Implementierung mehrsprachiger Fehlermeldungen in Logify, einer leistungsstarken Protokollierungsbibliothek für MQL5. Sie lernen, wie Sie Fehler mit Kontext strukturieren, Meldungen in mehrere Sprachen übersetzen und Protokolle dynamisch nach Schweregrad formatieren können. Und das alles in einem sauberen, erweiterbaren und produktionsreifen Design.

In diesem Artikel werden wir einen Kontrollindikator implementieren, damit er in das von uns entwickelte Nachrichtensystem integriert werden kann. Obwohl es nicht sehr schwierig ist, gibt es einige Details, die bei der Initialisierung dieses Moduls beachtet werden müssen. Das hier vorgestellte Material dient ausschließlich zu Bildungszwecken. Es sollte auf keinen Fall als Anwendung für einen anderen Zweck als das Lernen und Beherrschen der gezeigten Konzepte betrachtet werden.

In diesem Artikel beginnen wir mit der Erstellung der Klasse C_Orders, um Aufträge an den Handelsserver senden zu können. Wir werden dies nach und nach tun, denn unser Ziel ist es, im Detail zu erklären, wie dies über das Nachrichtensystem geschehen wird.

In diesem Artikel werden wir versuchen zu verstehen, warum Programmiersprachen wie MQL5 Strukturen haben und warum in einigen Fällen Strukturen der ideale Weg sind, um Werte zwischen Funktionen und Prozeduren zu übergeben, während sie in anderen Fällen vielleicht nicht der beste Weg sind, dies zu tun.

Heute werden wir damit beginnen, Strukturen auf eine einfachere, praktischere und bequemere Weise zu studieren. Strukturen gehören zu den Grundlagen der Programmierung, ob sie nun strukturiert sind oder nicht. Ich weiß, dass viele Menschen bei Strukturen nur an Datensammlungen denken, aber ich versichere Ihnen, dass sie viel mehr sind als nur Strukturen. Und hier werden wir beginnen, dieses neue Universum auf die didaktischste Weise zu erkunden.

Dies ist der zweite Teil des Artikels, der sich mit der Implementierung des Tabellenmodells in MQL5 unter Verwendung des MVC (Model-View-Controller) Architekturparadigmas beschäftigt. Der Artikel behandelt die Entwicklung von Tabellenklassen und des Tabellenkopfes auf der Grundlage eines zuvor erstellten Tabellenmodells. Die entwickelten Klassen bilden die Grundlage für die weitere Implementierung von View- und Controller-Komponenten, die in den folgenden Artikeln behandelt werden.

Heute decken wir die oft übersehene statistische Grundlage hinter den Handelsstrategien für Angebot und Nachfrage auf. Durch die Kombination von MQL5 mit Python über einen Jupyter-Notebook-Workflow führen wir eine strukturierte, datengesteuerte Untersuchung durch, die darauf abzielt, visuelle Marktannahmen in messbare Erkenntnisse zu verwandeln. Dieser Artikel behandelt den gesamten Forschungsprozess, einschließlich der Datenerfassung, der Python-basierten statistischen Analyse, des Algorithmusentwurfs, der Tests und der endgültigen Schlussfolgerungen. Um die Methodik und die Ergebnisse im Detail nachzuvollziehen, lesen Sie den vollständigen Artikel.

Dieser Artikel verwandelt Market Memory Zones von einem reinen Chart-Konzept in einen vollwertigen MQL5-Expert Advisor. Das System automatisiert die Erkennung von Displacement-Zonen, Strukturübergängen (CHoCH) und Liquidity Sweep-Zonen mithilfe von ATR- und Kerzenstruktur-Filtern, wendet eine Bestätigung auf einem niedrigeren Zeitrahmen an und sorgt für eine risikobasierte Positionsgrößenbestimmung mit dynamischen Stop-Loss- und strukturbasierten Take-Profit-Zielen. Sie erhalten die Code-Architektur für die Erkennung, die Einstiegspunkte, das Handelsmanagement und die Visualisierung sowie eine kurze Auswertung über den Backtest.

In diesem Teil werden wir uns auf die Entwicklung einer intelligenten Ausführungsschicht konzentrieren, die die Spread-Bedingungen in Echtzeit über mehrere Symbole hinweg kontinuierlich überwacht und auswertet. Der EA passt seine Symbolauswahl dynamisch an, indem er den Handel auf der Grundlage der Spread-Effizienz und nicht nach festen Regeln aktiviert oder deaktiviert. Dieser Ansatz ermöglicht es Hochfrequenz-Multi-Pair-Systemen, kostengünstige Symbole zu priorisieren.

Breadth First Search (BFS) verwendet Level-Order-Traversierung, um die Marktstruktur als einen gerichteten Graphen von Swings zu modellieren, der sich im Zeitverlauf entwickelt. Durch die schichtweise Analyse historischer Bars oder Sitzungen priorisiert BFS das jüngste Kursverhalten und berücksichtigt gleichzeitig die historische Marktprägung.

Hierbei handelt es sich um einen verbesserten chaotischen Optimierungsalgorithmus (COA), der die Effekte des Chaos mit adaptiven Suchmechanismen kombiniert. Der Algorithmus verwendet eine Reihe von chaotischen Abbildungen und Trägheitskomponenten, um den Suchraum zu erkunden. Der Artikel erläutert die theoretischen Grundlagen chaotischer Verfahren zur Finanzoptimierung.

Dieser Artikel befasst sich mit der Anwendung eines Break-Even-Mechanismus in automatisierten Strategien, die die Sprache MQL5 verwenden. Wir beginnen mit einer einfachen Erklärung, was der Break-Even-Modus ist, wie er umgesetzt wird und welche Varianten möglich sind. Als Nächstes wird diese Funktionalität in den Expert Advisor Order Blocks integriert, den wir in unserem letzten Artikel über Risikomanagement erstellt haben. Um seine Wirksamkeit zu bewerten, werden wir zwei Backtests unter bestimmten Bedingungen durchführen: einen mit und einen ohne Break-Even-Mechanismus.

In dieser Diskussion knüpfen wir an den zuvor entwickelten Multi-Signal-Expert Advisor an, mit dem Ziel, verfügbare Optimierungsmethoden zu erforschen und anzuwenden. Ziel ist es, festzustellen, ob die Handelsleistung des EA durch systematische Optimierung auf Basis historischer Daten sinnvoll verbessert werden kann.

Der Indikator basiert auf der Marktstruktur niedrigerer Zeitrahmen und wird anschließend im höheren Zeitrahmen eingeordnet. Er erkennt Swing-Extreme, bei denen der Kurs statistisch gesehen anfällig für eine Trendumkehr wird. Er visualisiert Überdehnungs- und Rücksetzerbereiche und bietet so einen frühen Einblick in das Mean-Reversion-Verhalten.