Artikel mit Beispielen für das Programmieren von Handelsrobotern in MQL5
Expert Advisors gehören zum Höhepunkt des Programmierens und sind das gewünschte Ziel jeden Entwicklers im Bereich des automatischen Handels. Sie können auch einen eigenen Handelsroboter schreiben, wenn Sie die Artikel dieser Kategorie lesen und beschriebene Schritte durchführen. Sie werden lernen, wie automatische Handelssysteme erstellt und getestet werden.
Die Artikel lehren, nicht nur in MQL5 zu programmieren, sondern auch jegliche Handelsideen und Techniken umzusetzen. Sie erfahren, wie man Trailing-Stops programmiert, Geld verwaltet, Indikatorwerte erhält und vieles mehr.
Neuer Artikel
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Einführung in MQL5 (Teil 41): Leitfaden für Anfänger zur Dateiverwaltung in MQL5 (III)
Erfahren Sie, wie Sie eine CSV-Datei in MQL5 einlesen und deren Handelsdaten in dynamischen Arrays organisieren. Dieser Artikel zeigt Schritt für Schritt, wie man Dateielemente zählt, alle Daten in einem einzigen Array speichert und jede Spalte in eigene Arrays aufteilt, wodurch die Grundlage für fortgeschrittene Analysen und die Visualisierung der Handelsperformanz geschaffen wird.
Larry Williams’ Marktgeheimnisse (Teil 12): Kontextbezogener Handel von „Smash Day“-Umkehrungen
Dieser Artikel zeigt, wie man die Umkehrmuster nach Larry Williams’ Smash Day in MQL5 innerhalb eines strukturierten Kontexts automatisieren kann. Wir implementieren einen Expert Advisor, der Setups über ein begrenztes Zeitfenster validiert, Einstiegspunkte anhand der auf dem Supertrend basierenden Trendrichtung und Wochentagsfiltern abstimmt und Einstiege entweder beim Durchbruch eines Niveaus oder nach bestätigtem Schlusskurs der Bar unterstützt. Der Code erlaubt jeweils nur eine offene Position und unterstützt sowohl risikobasierte als auch feste Positionsgrößen. Es werden eine schrittweise Entwicklung, ein Backtesting-Verfahren sowie reproduzierbare Einstellungen bereitgestellt.
Neuronale Netze im Trading: Actor–Director–Critic (Letzter Teil)
Das Framework von Actor–Director–Critic ist eine Weiterentwicklung der klassischen Agenten-Lernarchitektur. Der Artikel präsentiert praktische Erfahrungen mit seiner Implementierung und Anpassung an die Bedingungen der Finanzmärkte.
Behebung von Barrierefreiheitsproblemen bei MQL5-Handelswerkzeugen (Teil I): Hinzufügen kontextbezogener Sprachnachrichten zu MQL5-Indikatoren
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.
Behebung von Barrierefreiheitsproblemen bei MQL5-Handelswerkzeugen (Teil II): Einen Expert Advisor per Pythons Text-to-Speech sprachfähig machen
Lassen Sie uns besprechen, wie wir unsere Expert Advisors mithilfe von Text-to-Speech-Technologie sprachfähig machen können, indem wir Python und MQL5 kombinieren. Nachdem Sie diesen Artikel gelesen haben, verfügen Sie über ein funktionierendes Beispiel für einen EA, der dynamische Marktinformationen ausgibt. Sie werden den Einsatz von TTS und der WebRequest-Funktion beherrschen und lernen, wie sich Python-Bibliotheken in die Sprache MQL5 integrieren lassen, um ein wirklich sprachunterstütztes Trading-Tool zu entwickeln.
Entwicklung eines dynamischen Multi-Pair-EA (Teil 7): Paarübergreifende Korrelationsabbildung für die Handelsfilterung in Echtzeit
In diesem Abschnitt werden wir eine Echtzeit-Korrelationsmatrix in einen Expert Advisor für mehrere Symbole integrieren, um redundante oder risikobehaftete Trades zu vermeiden. Durch die dynamische Messung der Wechselbeziehungen zwischen Symbolen filtert der EA Einstiegssignale heraus, die im Widerspruch zur bestehenden Exposition stehen, wodurch die Ausgewogenheit des Portfolios verbessert, das systemische Risiko verringert und die Qualität der Trades insgesamt verbessert wird.
Neuronale Netze im Trading: Skill-Hierarchie für das Verhalten adaptiver Agenten (letzter Teil)
Der Artikel erörtert die praktische Implementierung des HiSSD-Frameworks bei algorithmischen Handelsaufgaben. Er erklärt, wie die Skill-Hierarchie und die adaptive Architektur genutzt werden können, um stabile Handelsstrategien aufzubauen.
Larry Williams’ Marktgeheimnisse (Teil 15): Handel mit Hidden-Smash Day-Umkehrungen unter Berücksichtigung des Marktkontexts
Entwickeln Sie einen MQL5-Expert Advisor, der die Umkehrmuster nach Larry Williams’ Hidden-Smash-Day automatisiert. Er liest bestätigte Signale eines benutzerdefinierten Indikators aus, wendet Kontextfilter an (Supertrend-Ausrichtung und optionale Handelstag-Regeln) und steuert das Risiko mithilfe von Stop-Loss-Modellen, die auf der Smash-Bar-Struktur oder dem ATR sowie einer festen oder risikobasierten Positionsgröße basieren. Das Ergebnis ist ein reproduzierbares Framework, das für Tests und Erweiterungen bereit ist.
Neuronale Netze im Trading: Anomalieerkennung im Frequenzbereich (letzter Teil)
Wir arbeiten weiter an der Implementierung des Frameworks CATCH, das die Fourier-Transformation und Frequenz-Patching-Mechanismen kombiniert und so eine genaue Erkennung von Marktanomalien gewährleistet. In diesem Artikel schließen wir die Implementierung unserer eigenen Vision der vorgeschlagenen Ansätze ab und testen die neuen Modelle an realen historischen Daten.
MQL5-Handelswerkzeuge (Teil 17): Vektorbasierte abgerundete Rechtecke und Dreiecke
In diesem Artikel befassen wir uns mit vektorbasierten Methoden zum Zeichnen abgerundeter Rechtecke und Dreiecke in MQL5 mithilfe von Canvas, wobei Supersampling für eine kantenglättete Darstellung zum Einsatz kommt. Wir setzen Scanline-Füllung, geometrische Vorberechnungen für Bögen und Tangenten sowie Rahmen ein, um glatte, anpassbare Formen zu erstellen. Dieser Ansatz schafft die Grundlage für moderne UI-Elemente in zukünftigen Trading-Tools und unterstützt die Eingabe von Größen, Radien, Rahmen und Deckkraftwerten.
Larry Williams’ Marktgeheimnisse (Teil 10): Automatisierung von „Smash-Day“-Umkehrmustern in MQL5
Wir implementieren das Umkehrmuster „Smash-Day“ von Larry Williams in MQL5, indem wir einen regelbasierten Expert Advisor mit dynamischem Risikomanagement, einer Logik zur Bestätigung von Ausbrüchen und mit einer Ausführungslogik, die immer nur eine Position gleichzeitig zulässt, erstellen. Mit dem MetaTrader 5-Strategietester und dem bereitgestellten Quellcode können Leser Backtests durchführen, die Strategie nachbilden und die Auswirkungen der Parameter untersuchen.
MQL5-Handelswerkzeuge (Teil 18): Abgerundete Sprechblasen mit Orientierungssteuerung
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.
MQL5 Trading Tools (Teil 16): Verbessertes Supersampling-Anti-Aliasing (SSAA) und hochauflösendes Rendering
Wir fügen dem MQL5-Canvas-Dashboard ein auf Supersampling basierendes Anti-Aliasing sowie hochauflösendes Rendering hinzu und skalieren anschließend auf die Zielgröße herunter. Der Artikel implementiert Füllungen und Rahmen in Form abgerundeter Rechtecke, Pfeile in Form abgerundeter Dreiecke sowie eine benutzerdefinierte Bildlaufleiste mit Theme-Unterstützung für die Statistik- und Textpanels. Mit diesen Tools können Sie in MetaTrader 5 glattere und besser lesbare UI-Komponenten erstellen.
Der MQL5-Standardbibliotheks-Explorer (Teil 7): Interaktive Positionskennzeichnung mit CCanvas
In diesem Artikel zeigen wir, wie man mithilfe von CCanvas aus der MQL5-Standardbibliothek ein Tool zur Visualisierung von Positionsdaten erstellt. Dieses Projekt vertieft Ihre Kenntnisse im Umgang mit Bibliotheksmodulen und bietet Händlern gleichzeitig ein praktisches Werkzeug, um offene Positionen direkt in einem Live-Chart zu visualisieren und mit ihnen zu interagieren. Nehmen Sie an der Diskussion teil, um mehr zu erfahren.
Der MQL5-Standardbibliotheks-Explorer (Teil 9): Verwendung von ALGLIB zur Filterung übermäßiger MA-Crossover-Signale
Bei Seitwärtsbewegungen des Kurses sehen sich Händler mit übermäßigen Signalen aus mehreren Kreuzungen gleitender Durchschnitte konfrontiert. Heute besprechen wir, wie ALGLIB ungefilterte Kursdaten vorverarbeitet, um gefilterte Crossover-Ebenen bzw. -Darstellungen zu erzeugen, die bei ihrem Auftreten auch Alarme oder Benachrichtigungen auslösen können. Nehmen Sie an dieser Diskussion teil, um zu erfahren, wie eine mathematische Bibliothek in MQL5-Programmen genutzt werden kann.
Neuronale Netze im Trading: Verallgemeinerung von Zeitreihen ohne datenspezifische Abhängigkeit (Mamba4Cast)
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.
Neuronale Netze im Trading: LSTM-Optimierung für die multivariate Zeitreihenprognose (letzter Teil)
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.
Neuronale Netze im Trading: Akteur–Direktor–Kritiker
Wir laden Sie ein, das Framework Akteur-Direktor-Kritiker zu erkunden, das hierarchisches Lernen und eine Multi-Komponenten-Architektur zur Erstellung adaptiver Handelsstrategien kombiniert. In diesem Artikel betrachten wir detailliert, wie der Einsatz des Direktors zur Klassifizierung der Aktionen des Akteurs dazu beiträgt, Handelsentscheidungen effektiv zu optimieren und die Robustheit von Modellen unter Finanzmarktbedingungen zu verbessern.
MQL5-Handelswerkzeuge (Teil 24): Verbesserte Tiefenwahrnehmung mit 3D-Kurven, Pan-Modus und ViewCube-Navigation
In diesem Artikel erweitern wir das Tool zur grafischen Darstellung der 3D-Binomialverteilung in MQL5, indem wir eine segmentierte 3D-Kurve für eine bessere Tiefenwahrnehmung der Wahrscheinlichkeitsmassenfunktion (Probability Mass Function, PMF) hinzufügen, einen Pan-Modus zur Verschiebung des Betrachtungsfokus integrieren und einen interaktiven ViewCube (Ansichtswürfel) mit Hover-Zonen und Animationen für schnelle Orientierungswechsel implementieren. Wir integrieren anklickbare Unterbereiche für Flächen, Kanten und Ecken in den ViewCube, um Kameraübergänge zu Standardansichten zu animieren, wobei umschaltbare 2D-/3D-Modi, Echtzeit-Aktualisierungen und anpassbare Parameter für eine immersive probabilistische Analyse im Handel beibehalten werden.
Neuronale Netze im Trading: Zeitreihenprognose mittels adaptiver Modenzerlegung (Abschließender Teil)
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.
PD-Arrays meistern: Optimierung des Handels mit Ungleichgewichten in PD-Arrays
Dieser Artikel befasst sich mit einem spezialisierten, trendfolgenden EA, der deutlich machen soll, wie sich Setups, die sich aus Ungleichgewichten in Premium-/Discount-Bereichen (PD-Arrays) ergeben, definieren und nutzen lassen. In diesem Artikel wird ein EA ausführlich vorgestellt, der speziell für Trader entwickelt wurde, die PD-Arrays und Ungleichgewichte als Einstiegskriterien für ihre Trades und Handelsentscheidungen optimieren und nutzen möchten. Außerdem wird untersucht, wie sich Premium- und Discount-Zonen korrekt ermitteln und charakterisieren lassen und wie man sie jeweils validieren und nutzen kann, wenn sie unter den entsprechenden Marktbedingungen auftreten, um so die sich aus solchen Szenarien ergebenden Chancen bestmöglich zu nutzen.
Neuronale Netze im Trading: LSTM-Optimierung zur Prognose multivariater Zeitreihen (DA-CG-LSTM)
Dieser Artikel stellt den DA-CG-LSTM-Algorithmus vor, der neue Ansätze für die Zeitreihenanalyse und -prognose bietet. Er erklärt, wie innovative Aufmerksamkeitsmechanismen und Modellflexibilität die Prognosegenauigkeit verbessern können.
Neuronale Netze im Trading: Zeitreihenprognose mittels adaptiver Modenzerlegung (ACEFormer)
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.
Paketbasierter Ansatz mit KnitPkg für die MQL5-Entwicklung
Um maximale Zuverlässigkeit und Produktivität bei mit MQL erstellten MetaTrader-Produkten zu gewährleisten, empfiehlt dieser Artikel einen Entwicklungsansatz, der auf wiederverwendbaren Paketen basiert, die von KnitPkg, einem Projektmanager für MQL5/MQL4, verwaltet werden. Ein Paket kann als Baustein für andere Pakete oder als Grundlage für fertige Artefakte dienen, die direkt auf der MetaTrader-Plattform ausgeführt werden, wie beispielsweise EAs, Indikatoren und vieles mehr.
MQL5-Handelswerkzeuge (Teil 23): Kameragesteuerte 3D-Diagramme mit DirectX-Unterstützung für Einblicke in die Verteilungen
In diesem Artikel haben wir DirectX-3D in den MQL5-Viewer für die Binomialverteilung integriert. Damit ermöglichen wir umschaltbare 2D-/3D-Modi mit kameragesteuerter Drehung, Zoom und automatischer Anpassung für eine anschaulichere Analyse. Wir stellen 3D-Histogrammbalken, Bodenebenen und Achsen neben der Kurve der theoretischen Wahrscheinlichkeitsmassfunktion dar und behalten dabei 2D-Elemente wie Statistikpanel, Legenden sowie anpassbare Designs, Farbverläufe und Beschriftungen bei.
Verwendung des MQL5-Wirtschaftskalenders zur Nachrichtenfilterung (Teil 2): Verwaltung von Stopps offener Positionen während Nachrichtenereignissen
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.
MQL5-Handelswerkzeuge (Teil 22): Grafische Darstellung des Histogramms und der Wahrscheinlichkeitsfunktion (PMF) von der Binomialverteilung
In diesem Artikel wird ein interaktives MQL5-Diagramm zur Binomialverteilung erstellt, das ein Histogramm der simulierten Ergebnisse mit der theoretischen Wahrscheinlichkeitsfunktion (PMF) kombiniert. Es bietet Funktionen für Mittelwert, Standardabweichung, Schiefe, Kurtosis, Perzentile und Konfidenzintervalle, sowie konfigurierbare Farbschemata und Beschriftungen und unterstützt das Ziehen, die Größenänderung und Live-Parameteränderungen. Nutzen Sie es, um bei der Validierung von Handelsstrategien erwartete Gewinn-Trades, wahrscheinliche Drawdown-Phasen und Konfidenzbereiche zu bewerten.