Artikel mit Beispielen für das Programmieren in MQL5

Bei der Untersuchung einer Vielzahl von Breakout-Setups ist mir aufgefallen, dass gescheiterte Breakouts selten auf mangelnde Volatilität zurückzuführen waren, sondern häufiger auf eine schwache interne Struktur. Diese Beobachtung führte zu dem in diesem Artikel vorgestellten Rahmenkonzept. Der Ansatz identifiziert Muster, bei denen das letzte Kurssegment eine überdurchschnittliche Länge, Steilheit und Geschwindigkeit aufweist – eindeutige Anzeichen für den Aufbau von Momentum im Vorfeld einer gerichteten Ausweitung. Indem sie diese subtilen geometrischen Ungleichgewichte innerhalb der Konsolidierungsphase erkennen, können Trader Ausbrüche mit höherer Wahrscheinlichkeit antizipieren, bevor der Kurs die Konsolidierungsspanne verlässt. Lesen Sie weiter, um zu erfahren, wie dieses auf Fraktalen basierende geometrische Modell strukturelle Ungleichgewichte in präzise Ausbruchsignale umsetzt.

In diesem Artikel wird gezeigt, wie man in MQL5 abgerundete Sprechblasen erstellt, indem man ein abgerundetes Rechteck mit einem Zeigerdreieck kombiniert und die Ausrichtung (nach oben, unten, links, rechts) steuert. Darin werden die Vorberechnung der Geometrie, das Füllen mit Supersampling zur Kantenglättung, abgerundete Bögen an der Zeigerspitze sowie segmentierte Umrandungen mit einem Erweiterungsverhältnis für nahtlose Übergänge detailliert beschrieben. Leser erhalten konfigurierbaren Code für Größe, Radien, Farben, Deckkraft und Strichstärke, der sich direkt für Warnmeldungen oder Tooltips in Handelsoberflächen einsetzen lässt.

Der Artikel stellt eine vollständige Python-MQL5-Integration für den Multi-Agenten-Handel vor: MT5-Datenerfassung, Berechnung von Indikatoren, Entscheidungen pro Agent und ein gewichteter Konsens, der zu einer einzigen Handelsaktion führt. Die Signale werden im JSON-Format gespeichert, über Flask bereitgestellt und von einem MQL5-Expert Advisor zur Ausführung mit Positionsgrößenbestimmung und aus dem ATR abgeleiteten SL/TP verarbeitet. Flask-Routen ermöglichen eine sichere Steuerung des Lebenszyklus und eine Statusüberwachung.

Dieser Artikel befasst sich mit einer auf Barrierefreiheit ausgerichteten Erweiterung, die über die standardmäßigen Terminal-Warnmeldungen hinausgeht und mithilfe der MQL5-Ressourcenverwaltung kontextbezogenes Sprachfeedback bereitstellt. Anstelle von allgemeinen Signaltönen vermittelt der Indikator, was geschehen ist und warum, sodass Trader die Marktgeschehnisse nachvollziehen können, ohne sich ausschließlich auf visuelle Beobachtungen verlassen zu müssen. Dieser Ansatz ist besonders für sehbehinderte Trader von großem Nutzen, kommt aber auch vielbeschäftigten Nutzern oder Nutzern, die mehrere Aufgaben gleichzeitig erledigen und eine freihändige Bedienung bevorzugen.

In diesem Artikel befassen wir uns mit den Dateiverarbeitungsklassen der MQL5-Standardbibliothek, um ein robustes Reporting-Modul zu entwickeln, das automatisch Excel-kompatible CSV-Dateien generiert. Dabei unterscheiden wir klar zwischen manuell ausgeführten Trades und algorithmisch ausgeführten Orders und schaffen damit die Grundlage für ein zuverlässiges, auditierbares Trade-Reporting.

Sie haben wahrscheinlich schon einmal von Zeigern gehört, wenn es um das Programmieren geht. Aber wussten Sie, dass wir Zeiger auch hier in MQL5 verwenden können? Das muss natürlich so geschehen, dass wir die Kontrolle behalten und seltsames Programmverhalten während der Ausführung vermeiden. Da es sich jedoch um eine sehr spezifische Funktion handelt, die auf bestimmte Aufgaben ausgerichtet ist, hört man selten, dass wir dieses Sprachkonstrukt auch hier in MQL5 nutzen können.

Erfahren Sie, wie der „Boom & Crash Interceptor EA“ Ihre Charts in ein proaktives Warnsystem verwandelt – indem er explosive Kursbewegungen durch blitzschnelle Scans, Prüfungen auf Volatilitätsschübe, Trendbestätigungen und Pivot-Zone-Filter erkennt. Mit den klar erkennbaren Pfeilen, grün für „Boom“ und rot für „Crash“, die Sie bei jeder Entscheidung leiten, filtert dieses Tool das Marktrauschen heraus und ermöglicht es Ihnen, von Kurssprüngen zu profitieren wie nie zuvor. Tauchen Sie ein und erfahren Sie, wie es funktioniert und warum es zu Ihrem nächsten entscheidenden Vorteil werden kann.

Wenn Text in einem Chart angezeigt werden soll, können wir die Funktion „Comment()“ verwenden. Aber ihre Möglichkeiten sind recht begrenzt. Daher werden wir in diesem Artikel eine eigene Komponente erstellen – ein Dialogfenster über die gesamte Chartfläche, das mehrzeiligen Text mit flexiblen Schriftarteneinstellungen und Scroll-Unterstützung anzeigen kann.

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.

Das Ausmaß der Liquiditätszonen und das Ausmaß der Ausbruchsbewegung sind Schlüsselvariablen, die die Wahrscheinlichkeit eines Retests erheblich beeinflussen. In diesem Beitrag zeigen wir den vollständigen Entwicklungsprozess eines Indikators, der diese Verhältnisse berücksichtigt.

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.

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.

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.

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.

Zweifellos wird dieser Artikel einen erheblichen Teil Ihrer Zeit in Anspruch nehmen, um zu verstehen, wie und warum das hier vorgestellte Material funktioniert. Denn alles, was hier gezeigt wird, orientiert sich zunächst an der objektorientierten Programmierung, basiert aber tatsächlich auf den Prinzipien der strukturierten Programmierung.

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.

In diesem Artikel werden wir untersuchen, wie man sogenannten strukturierten Code erstellt, bei dem der gesamte Kontext und die Methoden zur Manipulation von Variablen und Informationen in eine Struktur eingebettet sind, um einen geeigneten Kontext für die Implementierung beliebiger Programmteile zu schaffen. Daher werden wir die Notwendigkeit untersuchen, einen privaten Bereich des Codes zu verwenden, um zu trennen, was öffentlich ist und was nicht, um so die Regel der Kapselung einzuhalten und den Kontext zu bewahren, für den die Datenstruktur erstellt wurde.

In diesem Artikel werden wir untersuchen, was strukturierter Code ist. Viele Leute verwechseln strukturierten Code mit organisiertem Code, aber es gibt einen Unterschied zwischen diesen beiden Konzepten. Genau darum geht es in diesem Artikel. Trotz der offensichtlichen Komplexität, die Sie vielleicht empfinden, wenn Sie dieser Art des Codierens zum ersten Mal begegnen, habe ich versucht, das Thema so einfach wie möglich anzugehen. Dieser Artikel ist jedoch nur der erste Schritt zu etwas Größerem.

In diesem Artikel werden wir das in früheren Veröffentlichungen entwickelte Risikomanagementsystem implementieren und den in anderen Artikeln beschriebenen Order-Block-Indikator hinzufügen. Darüber hinaus werden wir einen Backtest durchführen, um die Ergebnisse mit dem aktivierten Risikomanagementsystem zu vergleichen und die Auswirkungen des dynamischen Risikos zu bewerten.

Dies ist Teil 4 unserer Serie über Risikomanagement in MQL5, in der wir fortgeschrittene Methoden zum Schutz und zur Optimierung von Handelsstrategien erforschen. Nachdem wir in früheren Artikeln wichtige Grundlagen gelegt haben, werden wir uns nun darauf konzentrieren, alle verbleibenden, in Teil 3 verschobenen Methoden zu vervollständigen, einschließlich der Funktionen zur Überprüfung, ob bestimmte Gewinn- oder Verlustniveaus erreicht wurden. Ferner werden wir neue Schlüsselereignisse einführen, die ein genaueres und flexibleres Risikomanagement ermöglichen.

Die Marktregeln entwickeln sich ständig weiter, und viele einst verlässliche Grundsätze verlieren allmählich ihre Wirksamkeit. Was in der Vergangenheit funktioniert hat, funktioniert auf Dauer nicht mehr. Die heutige Diskussion konzentriert sich auf die Wahrscheinlichkeitsbereiche und darauf, wie diese zur Steuerung von Marktunregelmäßigkeiten genutzt werden können. Wir werden MQL5 nutzen, um einen Algorithmus zu entwickeln, der in der Lage ist, selbst unter den unruhigsten Marktbedingungen effektiv zu handeln. Nehmen Sie an dieser Diskussion teil und erfahren Sie mehr.

Dieser Artikel befasst sich mit der Entwicklung einer algorithmischen Handelsstrategie für den EURUSD-Markt, die die Bollinger-Bänder und den Relative Strength Indicator (RSI) kombiniert. Die ersten regelbasierten Strategien lieferten zwar hochwertige Signale, litten aber unter einer geringen Handelsfrequenz und begrenzter Rentabilität. Mehrere Iterationen der Strategie wurden evaluiert, wobei sich herausstellte, dass unser Verständnis des Marktes unzureichend war, das Rauschen zunahm und die Leistung sich verschlechterte. Durch den angemessenen Einsatz statistischer Lernalgorithmen, die Verlagerung des Modellierungsziels auf technische Indikatoren, die Anwendung einer angemessenen Skalierung und die Kombination von maschinellen Lernprognosen mit klassischen Handelsregeln erzielte die endgültige Strategie eine deutlich verbesserte Rentabilität und Handelshäufigkeit bei gleichzeitig akzeptabler Signalqualität.

Dieser Artikel stellt einen strukturierten Weg zur Verwaltung von SQLite-Daten in MQL5 durch eine ORM-Schicht für MetaTrader 5 vor. Es führt Kernklassen für die Entitätsmodellierung und den Datenbankzugriff ein, eine flüssige CRUD-API, Reflection Hooks für OnGet/OnSet und Makros zur schnellen Definition von Modellen. Der praxisnahe Code zeigt das Erstellen von Tabellen, das Binden von Feldern, Einfügen, Aktualisieren, Abfragen und Löschen von Datensätzen. Entwickler erhalten wiederverwendbare, typsichere Komponenten, die wiederholtes SQL auf ein Minimum reduzieren.

In diesem Artikel stellen wir eine MQL5-Bibliothek für die Modellierung von Volatilität vor, die ähnlich wie das Arch-Paket von Python funktioniert. Die Bibliothek unterstützt derzeit die Spezifikation gängiger bedingter Mittelwert- (HAR, AR, Constant Mean, Zero Mean) und bedingter Volatilitätsmodelle (Constant Variance, ARCH, GARCH).

Dieser Artikel zeigt auf, wie der stochastische Oszillator, ein klassischer technischer Indikator, über seine herkömmliche Verwendung als Instrument der Rückkehr zum Mittelwert hinaus umfunktioniert werden kann. Indem wir den Indikator durch eine andere analytische Linse betrachten, zeigen wir, wie vertraute Strategien neuen Wert schaffen und alternative Handelsregeln unterstützen können, einschließlich trendfolgender Interpretationen. Letztlich zeigt der Artikel auf, wie jeder technische Indikator im Terminal MetaTrader 5 ungenutztes Potenzial birgt und wie durch aufmerksames Ausprobieren sinnvolle Interpretationen aufgedeckt werden können, die nicht sichtbar sind.

In dieser Diskussion stellen wir ein strukturiertes, mehrschichtiges Verteidigungssystem vor, das darauf ausgelegt ist, aggressive Gewinnziele zu verfolgen und gleichzeitig das Risiko katastrophaler Verluste zu minimieren. Der Schwerpunkt liegt auf der Verbindung einer offensiven Handelslogik mit Schutzmaßnahmen auf jeder Ebene der Handelskette. Die Idee ist, einen EA zu entwickeln, der sich wie ein „risikobewusstes Raubtier“ verhält – fähig, hochwertige Gelegenheiten zu ergreifen,jedoch stets mit einem mehrschichtigen Schutz, um zu verhindern, dass man von plötzlichen Marktturbulenzen überrascht wird.