Artikel über das Programmieren und Anwenden von Handelsrobotern in MQL5

Lineare Kernel sind die einfachste Matrix ihrer Art, die beim maschinellen Lernen für lineare Regression und Support Vector Machines verwendet wird. Der Matérn-Kernel hingegen ist eine vielseitigere Version der Radialbasisfunktion, die wir in einem früheren Artikel besprochen haben, und er eignet sich für die Abbildung von Funktionen, die nicht so glatt sind, wie es die RBF annehmen würde. Wir erstellen eine nutzerdefinierte Signalklasse, die beide Kernel für die Vorhersage von Long- und Short-Bedingungen verwendet.

Denken wir über einen unabhängigen Expert Advisor nach. Zuvor haben wir einen indikatorbasierten Expert Advisor besprochen, der auch mit einem unabhängigen Skript zum Zeichnen der Risiko- und Ertragsgeometrie zusammenarbeitet. Heute werden wir die Architektur eines MQL5 Expert Advisors besprechen, der alle Funktionen in einem Programm integriert.

In diesem Artikel werden wir versuchen, den Markt mit einem soliden Modell für Zeitreihenprognosen namens DeepAR vorherzusagen. Ein Modell, das eine Kombination aus tiefen neuronalen Netzen und autoregressiven Eigenschaften darstellt, die in Modellen wie ARIMA und Vector Autoregressive (VAR) zu finden sind.

Beim Offline-Lernen verwenden wir einen festen Datensatz, der die Umweltvielfalt nur begrenzt abdeckt. Während des Lernprozesses kann unser Agent Aktionen generieren, die über diesen Datensatz hinausgehen. Wenn es keine Rückmeldungen aus der Umwelt gibt, wie können wir dann sicher sein, dass die Bewertungen solcher Maßnahmen korrekt sind? Die Beibehaltung der Agentenpolitik innerhalb des Trainingsdatensatzes ist ein wichtiger Aspekt, um die Zuverlässigkeit des Trainings zu gewährleisten. Darüber werden wir in diesem Artikel sprechen.

In diesem Artikel werden wir uns mit einem Algorithmus vertraut machen, der geschlossene Operatoren zur Verbesserung der Politik verwendet, um die Aktionen des Agenten im Offline-Modus zu optimieren.

Schauen wir uns die wichtigsten Phasen der EA-Entwicklung an. Eine der ersten Aufgaben besteht darin, eine einzelne Instanz der entwickelten Handelsstrategie zu optimieren. Versuchen wir, alle notwendigen Informationen über die Testergebnisse während der Optimierung an einem Ort zu sammeln.

In diesem Artikel bauen wir einen MQL5 Expert Advisor, um harmonische Schmetterlingsmuster zu erkennen. Wir identifizieren Umkehrpunkte und validieren Fibonacci-Levels, um das Muster zu bestätigen. Wir visualisieren dann das Muster auf dem Chart und führen automatisch Handelsgeschäfte aus, wenn es bestätigt wird.

In diesem Artikel stellen wir die Entwicklung eines interaktiven Handelsassistenten in MQL5 vor, der die Platzierung schwebender Aufträge im Devisenhandel vereinfachen soll. Wir skizzieren das konzeptionelle Design und konzentrieren uns dabei auf eine nutzerfreundliche GUI für die visuelle Einstellung von Einstiegs-, Stop-Loss- und Take-Profit-Levels auf dem Chart. Darüber hinaus wird die MQL5-Implementierung und der Backtest-Prozess detailliert beschrieben, um die Zuverlässigkeit des Tools zu gewährleisten und die Voraussetzungen für die fortgeschrittenen Funktionen in den vorhergehenden Teilen zu schaffen.

Der dynamische Multi-Pair Expert Advisor nutzt sowohl Korrelations- als auch inverse Korrelationsstrategien zur Optimierung der Handelsperformance. Durch die Analyse von Echtzeit-Marktdaten werden die Beziehungen zwischen Währungspaaren identifiziert und genutzt.

SARSA, eine Abkürzung für State-Action-Reward-State-Action, ist ein weiterer Algorithmus, der bei der Implementierung von Reinforcement Learning verwendet werden kann. Wie bei Q-Learning und DQN haben wir also untersucht, wie dies als unabhängiges Modell und nicht nur als Trainingsmechanismus in assistentengestützten Expert Advisors implementiert werden kann.

Die Kategorientheorie ist ein vielfältiger und expandierender Zweig der Mathematik, der in der MQL-Gemeinschaft noch relativ unentdeckt ist. In dieser Artikelserie sollen einige der Konzepte vorgestellt und untersucht werden, mit dem übergeordneten Ziel, eine offene Bibliothek einzurichten, die Einblicke gewährt und hoffentlich die Nutzung dieses bemerkenswerten Bereichs für die Strategieentwicklung von Händlern fördert.

Wir gehen über die einfache Darstellung von analysierten Metriken in Charts hinaus und bieten eine breitere Perspektive, die auch die Integration von Telegram umfasst. Mit dieser Erweiterung können wichtige Ergebnisse über die Telegram-App direkt auf Ihr mobiles Gerät geliefert werden. Begleiten Sie uns in diesem Artikel auf dieser gemeinsamen Reise.

Trends sind ein wichtiger Bestandteil vieler Handelsstrategien. In diesem Artikel werden wir einige der Instrumente zur Ermittlung von Trends und deren Merkmale betrachten. Das Verständnis und die richtige Interpretation von Trends können die Handelseffizienz erheblich verbessern und die Risiken minimieren.

In diesem Artikel erweitern wir das ursprüngliche Quarters-Skript durch die Einführung des Quarters-Boards, einem Werkzeug, mit dem Sie direkt im Chart zwischen den Viertelstufen umschalten können, ohne den Code erneut aufrufen zu müssen. Sie können ganz einfach bestimmte Levels aktivieren oder deaktivieren, und der EA bietet auch Kommentare zur Trendrichtung, damit Sie Marktbewegungen besser verstehen können.

Die Finanzmärkte sind nicht vollkommen ausgeglichen. Einige Märkte steigen, andere fallen, und wieder andere zeigen ein gewisses Schwankungsverhalten, das auf Unsicherheit in beide Richtungen hindeutet. Diese unausgewogenen Informationen können beim Trainieren von Machine-Learning-Modellen irreführend sein, da sich die Märkte häufig ändern. In diesem Artikel werden wir verschiedene Möglichkeiten erörtern, dieses Problem zu lösen.

In diesem Artikel entwickeln wir einen Rapid-Fire Trading Expert Advisor in MQL5, der die Indikatoren Parabolic SAR und Simple Moving Average (SMA) nutzt, um eine reaktionsfähige Handelsstrategie zu erstellen. Wir gehen detailliert auf die Umsetzung der Strategie ein, einschließlich der Verwendung von Indikatoren, der Signalerzeugung sowie des Test- und Optimierungsprozesses.

Die KI-Durchbrüche, die die Schlagzeilen beherrschen, von ChatGPT bis hin zu selbstfahrenden Autos, entstehen nicht durch isolierte Modelle, sondern durch kumulatives Wissen, das aus verschiedenen Modellen oder gemeinsamen Bereichen übertragen wird. Jetzt kann derselbe Ansatz "einmal lernen, überall anwenden" angewandt werden, um unsere KI-Modelle im algorithmischen Handel zu transformieren. In diesem Artikel erfahren wir, wie wir die aus verschiedenen Instrumenten gewonnenen Informationen nutzen können, um mit Hilfe von Transfer Learning die Vorhersagen für andere Instrumente zu verbessern.

Dieser Artikel setzt die Serie über die Implementierung der Kategorientheorie in MQL5 fort. Hier führen wir Monoide als Bereich (Menge) ein, der die Kategorientheorie von anderen Datenklassifizierungsmethoden abhebt, indem er Regeln und ein Identitätselement enthält.

In diesem Artikel entwickeln wir einen AB=CD Pattern EA in MQL5, der harmonische Auf- und Abwärtsmuster von AB=CD mit Hilfe von Umkehrpunkten und Fibonacci-Ratios identifiziert und Trades mit präzisen Einstiegs-, Stop-Loss- und Take-Profit-Levels ausführt. Wir verbessern den Einblick des Händlers mit visuellem Feedback durch Chart-Objekte.

Wir fahren fort mit der Analyse und Vorhersage von Zeitreihen im Frequenzbereich. In diesem Artikel machen wir uns mit einer neuen Methode zur Vorhersage von Daten im Frequenzbereich vertraut, die zu vielen der bisher untersuchten Algorithmen hinzugefügt werden kann.

Die Entwicklung DLL-freier Integrationen von Kryptowährungsbörsen war lange Zeit eine Herausforderung, aber diese Lösung bietet ein komplettes Framework für die direkte Marktanbindung.

In diesem Artikel befassen wir uns mit der Automatisierung des harmonischen Cypher-Musters in MQL5 und erläutern seine Erkennung und Visualisierung auf MetaTrader 5-Charts. Wir implementieren einen Expert Advisor, der Umkehrpunkte identifiziert, Fibonacci-basierte Muster validiert und Handelsgeschäfte mit klaren grafischen Kommentaren ausführt. Der Artikel schließt mit einer Anleitung zu den Backtests und zur Optimierung des Programms für einen effektiven Handel.

Wenn wir mit Zeitreihen arbeiten, verwenden wir die Quelldaten immer in ihrer historischen Reihenfolge. Aber ist das die beste Option? Es besteht die Meinung, dass eine Änderung der Reihenfolge der Eingabedaten die Effizienz der trainierten Modelle verbessern wird. In diesem Artikel lade ich Sie ein, sich mit einer der Methoden zur Optimierung der Eingabereihenfolge vertraut zu machen.

In diesem Artikel befassen wir uns mit der Entwicklung eines vollständig anpassbaren Skripts für den Preisdatenexport mit MQL5, das einen neuen Fortschritt in der Simulation des CGI-Modells Price Man darstellt. Wir haben fortschrittliche Verfeinerungstechniken implementiert, um sicherzustellen, dass die Daten nutzerfreundlich und für Animationszwecke optimiert sind. Außerdem werden wir die Möglichkeiten von Blender 3D bei der effektiven Arbeit mit und der Visualisierung von Preisdaten kennenlernen und sein Potenzial für die Erstellung dynamischer und ansprechender Animationen demonstrieren.

Bisher haben wir die Automatisierung des Starts von sequentiellen Verfahren zur Optimierung von EAs ausschließlich im Standard-Strategietester betrachtet. Was aber, wenn wir zwischen diesen Starts die gewonnenen Daten mit anderen Mitteln bearbeiten wollen? Wir werden versuchen, die Möglichkeit hinzuzufügen, neue Optimierungsstufen zu erstellen, die von in Python geschriebenen Programmen ausgeführt werden.

Die NumPy-Bibliothek treibt fast alle Algorithmen des maschinellen Lernens in der Programmiersprache Python an. In diesem Artikel werden wir ein ähnliches Modul implementieren, das eine Sammlung des gesamten komplexen Codes enthält, um uns bei der Erstellung anspruchsvoller Modelle und Algorithmen jeglicher Art zu unterstützen.

In diesem Artikel entwickeln wir ein Informations-Dashboard in MQL5 zur Überwachung von Multi-Symbol-Positionen und Kontometriken wie Kontostand, Kapital und freie Marge. Wir implementieren ein sortierbares Raster mit Echtzeit-Updates, CSV-Export und einen leuchtenden Header-Effekt, um die Nutzerfreundlichkeit und den visuellen Reiz zu verbessern.

Die Faktorisierung ist ein mathematischer Prozess, der dazu dient, Erkenntnisse über die Eigenschaften von Daten zu gewinnen. Wenn wir die Faktorisierung auf große Mengen von Marktdaten anwenden – die in Zeilen und Spalten organisiert sind – können wir Muster und Merkmale des Marktes aufdecken. Die Faktorisierung ist ein mächtiges Werkzeug, und dieser Artikel zeigt Ihnen, wie Sie es im MetaTrader 5-Terminal über die MQL5-API nutzen können, um tiefere Einblicke in Ihre Marktdaten zu gewinnen.

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.

In diesem Artikel untersuchen wir einen datengestützten Ansatz zur Ermittlung und Validierung von nicht standardmäßigen Fibonacci-Retracement-Levels, die von den Märkten möglicherweise respektiert werden. Wir stellen einen kompletten Arbeitsablauf vor, der auf die Implementierung in MQL5 zugeschnitten ist, beginnend mit der Datenerfassung und der Balken- oder Swing-Erkennung, bis hin zum Clustering, statistischen Hypothesentests, Backtesting und der Integration in ein MetaTrader 5 Fibonacci-Tool. Das Ziel ist es, eine reproduzierbare Pipeline zu erstellen, die anekdotische Beobachtungen in statistisch vertretbare Handelssignale umwandelt.

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.

Number Walls oder Zahlenwände sind eine Variante der Linear Shift Back Registers, die Sequenzen auf ihre Vorhersagbarkeit hin überprüfen, indem sie auf Konvergenz prüfen. Wir sehen uns an, wie diese Ideen in MQL5 von Nutzen sein könnten.

Im letzten Artikel dieser Reihe haben wir uns mit dem Atom-Motif Contrastive Transformer (AMCT) beschäftigt, der kontrastives Lernen zur Entdeckung von Schlüsselmustern auf allen Ebenen einsetzt, von grundlegenden Elementen bis hin zu komplexen Strukturen. In diesem Artikel setzen wir die Implementierung von AMCT-Ansätzen mit MQL5 fort.