Artikel über das Programmieren und Anwenden von Handelsrobotern in MQL5

In diesem Artikel wird untersucht, wie die Bestimmung der optimalen Anzahl von Strategien in einem Ensemble eine komplexe Aufgabe sein kann, die durch den Einsatz des genetischen Optimierers von MetaTrader 5 leichter zu lösen ist. Die MQL5 Cloud wird auch als Schlüsselressource zur Beschleunigung von Backtests und Optimierung eingesetzt. Alles in allem schafft unsere Diskussion hier die Grundlage für die Entwicklung statistischer Modelle zur Bewertung und Verbesserung von Handelsstrategien auf der Grundlage unserer ersten Ensemble-Ergebnisse.

Wir laden Sie ein, einen neuen Ansatz zur Erkennung von Objekten mit Hilfe von Hypernetzwerken kennen zu lernen. Ein Hypernetwork generiert Gewichte für das Hauptmodell, wodurch die Besonderheiten der aktuellen Marktsituation berücksichtigt werden können. Dieser Ansatz ermöglicht es uns, die Vorhersagegenauigkeit zu verbessern, indem wir das Modell an unterschiedliche Handelsbedingungen anpassen.

Der Market Facilitation Index ist ein weiterer Bill-Williams-Indikator, der die Effizienz der Preisbewegung in Verbindung mit dem Volumen messen soll. Wie immer betrachten wir die verschiedenen Muster dieses Indikators im Rahmen einer Assistentensignalklasse und präsentieren eine Vielzahl von Testberichten und Analysen zu den verschiedenen Mustern.

In diesem Artikel aktualisieren wir das in ChatGPT integrierte Programm in MQL5 zu einer scrollbaren, auf einen einzelnen Chat ausgerichteten Nutzeroberfläche und verbessern die Anzeige des Gesprächsverlaufs mit Zeitstempeln und dynamischem Scrollen. Das System basiert auf JSON-Parsing, um Multi-Turn-Meldungen zu verwalten, und unterstützt anpassbare Modi der Schieberegler und Hover-Effekte für eine verbesserte Nutzerinteraktion.

In diesem Artikel setzen wir unsere Erforschung der Erstellung eines Ensembles von Handelsstrategien und der Verwendung des MT5 genetischen Optimierers zur Abstimmung der Strategieparameter fort. Heute haben wir die Daten in Python analysiert. Dabei hat sich gezeigt, dass unser Modell besser vorhersagen kann, welche Strategie besser abschneiden wird, und eine höhere Genauigkeit erreicht als die direkte Vorhersage der Marktrenditen. Als wir unsere Anwendung jedoch mit ihren statistischen Modellen testeten, fielen unsere Leistungswerte drastisch ab. In der Folge stellten wir fest, dass der genetische Optimierer leider stark korrelierte Strategien bevorzugte, was uns dazu veranlasste, unsere Methode zu überarbeiten, um die Stimmgewichte fest zu halten und die Optimierung stattdessen auf Indikatoreinstellungen zu konzentrieren.

In diesem Artikel bauen wir einen MQL5 EA, der versteckte RSI-Divergenzen über Umkehrpunkte mit Stärke, Balkenbereiche, Toleranz und Steigungswinkel-Filter für Preis und RSI-Linien erkennt. Es führt Kauf-/Verkaufstransaktionen auf validierte Signale mit festen Lots, SL/TP in Pips und optionalen Trailing-Stops zur Risikokontrolle aus.

Der ADX-Oszillator und der CCI-Oszillator sind Trendfolge- und Momentum-Indikatoren, die bei der Entwicklung eines Expert Advisors miteinander kombiniert werden können. Wir machen dort weiter, wo wir im letzten Artikel aufgehört haben, indem wir untersuchen, wie das Training in der Praxis und die Aktualisierung unseres entwickelten Modells dank des Verstärkungslernens erfolgen kann. Wir verwenden einen Algorithmus, den wir in dieser Serie noch behandeln werden, die sogenannte Trusted Region Policy Optimization (Optimierung vertrauenswürdiger Regionen). Und wie immer erlaubt uns die Zusammenstellung von Expert Advisors durch den MQL5-Assistenten, unser(e) Modell(e) zum Testen viel schneller und auch so einzurichten, dass es mit verschiedenen Signaltypen verteilt und getestet werden kann.

Heute konzentrieren wir uns auf die Verbesserung der Messaging-Schnittstelle des Kommunikationspanels, um sie an die Standards moderner, leistungsstarker Kommunikationsanwendungen anzupassen. Diese Verbesserung wird durch eine Aktualisierung der Klasse CommunicationsDialog erreicht. Begleiten Sie uns in diesem Artikel und in der Diskussion, wenn wir die wichtigsten Erkenntnisse erkunden und die nächsten Schritte bei der Weiterentwicklung der Schnittstellenprogrammierung mit MQL5 skizzieren.

In diesem Artikel befassen wir uns mit den Grundlagen des Risikomanagements beim Handel und lernen, wie man erste Funktionen zur Berechnung der geeigneten Losgröße für einen Handel sowie eines Stop-Loss erstellt. Außerdem werden wir die Funktionsweise dieser Funktionen im Detail erläutern und jeden Schritt erklären. Unser Ziel ist es, ein klares Verständnis dafür zu vermitteln, wie diese Konzepte im automatisierten Handel angewendet werden können. Schließlich werden wir alles in die Praxis umsetzen, indem wir ein einfaches Skript mit einer Include-Datei erstellen.

In diesem Artikel erweitern wir unser Zone Recovery System durch die Einführung von Trailing-Stops und Multi-Basket-Handelsfunktionen. Wir untersuchen, wie die verbesserte Architektur dynamische Trailing-Stops verwendet, um Gewinne zu sichern, und ein Basket-Management-System, um mehrere Handelssignale effizient zu verarbeiten. Durch Implementierung und Backtests demonstrieren wir ein robusteres Handelssystem, das auf eine adaptive Marktperformance zugeschnitten ist.

In diesem Artikel werde ich mich mit dem GTGAN-Algorithmus vertraut machen, der im Januar 2024 eingeführt wurde, um komplexe Probleme der Generierung von Architekturlayouts mit Graphenbeschränkungen zu lösen.