Artikel über das Programmieren und Anwenden von Handelsrobotern in MQL5

Es gibt eine mächtige und allgegenwärtige Kraft, die die kollektiven Bemühungen unserer Gemeinschaft, verlässliche Handelsstrategien zu entwickeln, die KI in irgendeiner Form einsetzen, leise untergräbt. In diesem Artikel wird festgestellt, dass ein Teil der Probleme, mit denen wir konfrontiert sind, auf das blinde Festhalten an „Best Practices“ zurückzuführen ist. Indem wir dem Leser einfache marktbasierte Beweise aus der realen Welt vorlegen, werden wir ihm erklären, warum wir von einem solchen Verhalten absehen und stattdessen bereichsgebundene „Best Practices“ anwenden müssen, wenn unsere Gemeinschaft eine Chance haben soll, das latente Potenzial der KI zu nutzen.

In diesem Artikel aktualisieren wir unser Handelsassistenten-Tool durch Hinzufügen von Drag-and-Drop-Funktionen und Hover-Effekten, um die Oberfläche intuitiver und reaktionsschneller zu gestalten. Wir verfeinern das Tool zur Validierung von Echtzeit-Auftrags-Setups, um präzise Handelskonfigurationen im Verhältnis zu den Marktpreisen sicherzustellen. Wir führen auch Backtests dieser Verbesserungen durch, um ihre Zuverlässigkeit zu bestätigen.

Die Verwendung anisotroper Diffusionsprozesse zur Kodierung der Ausgangsdaten in einem hyperbolischen latenten Raum, wie sie im HypDIff-Rahmen vorgeschlagen wird, trägt dazu bei, die topologischen Merkmale der aktuellen Marktsituation zu erhalten und verbessert die Qualität der Analyse. Im vorigen Artikel haben wir damit begonnen, die vorgeschlagenen Ansätze mit MQL5 zu implementieren. Heute werden wir die begonnene Arbeit fortsetzen und zu ihrem logischen Abschluss bringen.

Wir setzen unsere Untersuchung des hybriden Handelssystems StockFormer fort, das prädiktive Kodierungs- und Verstärkungslernalgorithmen für die Analyse von Finanzzeitreihen kombiniert. Das System basiert auf drei Transformer-Zweigen mit einem diversifizierten Mehrkopf-Aufmerksamkeitsmechanismus (DMH-Attn), der die Erfassung komplexer Muster und Abhängigkeiten zwischen Assets ermöglicht. Zuvor haben wir uns mit den theoretischen Aspekten des Frameworks vertraut gemacht und die DMH-Attn-Mechanismus implementiert. Heute werden wir über die Modellarchitektur und das Training sprechen.

Der Artikel geht der Frage nach, warum die Handelsergebnisse bei verschiedenen Brokern selbst bei Verwendung derselben Strategie und desselben Finanzsymbols aufgrund dezentraler Preisfestsetzung und Datenabweichungen erheblich voneinander abweichen können. Der Artikel hilft MQL5-Entwicklern zu verstehen, warum ihre Produkte auf dem MQL5-Marktplatz gemischte Bewertungen erhalten können, und fordert die Entwickler auf, ihre Ansätze auf bestimmte Makler zuzuschneiden, um transparente und reproduzierbare Ergebnisse zu gewährleisten. Dies könnte sich zu einer wichtigen bereichsgebundenen Best Practice entwickeln, die unserer Gemeinschaft gute Dienste leisten würde, wenn sie auf breiter Ebene übernommen würde.

Der Fractal Adaptive Moving Average (FrAMA) und der Oszillator Force Index sind ein weiteres Paar von Indikatoren, die in Verbindung mit einem MQL5 Expert Advisor verwendet werden können. Diese beiden Indikatoren ergänzen sich ein wenig, denn der FrAMA ist ein Trendfolgeindikator, während der Force Index ein volumenbasierter Oszillator ist. Wie immer verwenden wir den MQL5-Assistenten, um das Potenzial der beiden schnell zu erkunden.

Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorpaar MACD und OBV vorgestellt haben, und untersuchen, wie dieses Paar durch maschinelles Lernen verbessert werden kann. MACD und OBV ergänzen sich in Bezug auf Trend und Volumen. Unser Ansatz des maschinellen Lernens verwendet ein neuronales Faltungsnetzwerk, das bei der Feinabstimmung der Prognosen dieses Indikatorpaares den Exponential-Kernel bei der Dimensionierung seiner Kerne und Kanäle einsetzt. Wie immer wird dies in einer nutzerdefinierten Signalklassendatei durchgeführt, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.

Dieser Artikel erklärt, wie man das harmonische Muster 5-0 in MQL5 erkennt und handelt, es mit Hilfe von Fibonacci-Levels validiert und auf dem Chart anzeigt.

Die Regularisierung ist eine Form der Bestrafung der Verlustfunktion im Verhältnis zur diskreten Gewichtung, die in den verschiedenen Schichten eines neuronalen Netzes angewendet wird. Wir sehen uns an, welche Bedeutung dies für einige der verschiedenen Regularisierungsformen in Testläufen mit einem vom Assistenten zusammengestellten Expert Advisor haben kann.

Wir fahren fort mit der Untersuchung der Methode der hierarchischen Vektortransformation. In diesem Artikel werden wir die Konstruktion des Modells abschließen. Wir werden es auch anhand echter historischer Daten trainieren und testen.

Dieser Artikel befasst sich mit der Rademacher- und der Walsh-Funktion. Wir werden untersuchen, wie diese Funktionen auf die Analyse von Finanzzeitreihen angewendet werden können, und auch verschiedene Anwendungen für den Handel in Betracht ziehen.

Der Artikel geht der Frage nach, warum die Handelsergebnisse bei verschiedenen Brokern selbst bei Verwendung derselben Strategie und desselben Finanzsymbols aufgrund dezentraler Preisfestsetzung und Datenabweichungen erheblich voneinander abweichen können. Der Artikel hilft MQL5-Entwicklern zu verstehen, warum ihre Produkte auf dem MQL5-Marktplatz gemischte Bewertungen erhalten können, und fordert die Entwickler auf, ihre Ansätze auf bestimmte Makler zuzuschneiden, um transparente und reproduzierbare Ergebnisse zu gewährleisten. Dies könnte sich zu einer wichtigen bereichsgebundenen Best Practice entwickeln, die unserer Gemeinschaft gute Dienste leisten würde, wenn sie auf breiter Ebene übernommen würde.

Wir erforschen weiterhin hybride Graphsequenzmodelle (GSM++), die die Vorteile verschiedener Architekturen vereinen und eine hohe Analysegenauigkeit sowie eine effiziente Verteilung der Rechenressourcen bieten. Diese Modelle erkennen verborgene Muster, verringern die Auswirkungen von Marktstörungen und verbessern die Prognosequalität.

Der zuvor entwickelte Risikomanager enthielt nur grundlegende Funktionen. Versuchen wir, mögliche Wege zu seiner Entwicklung zu betrachten, die es uns ermöglichen, die Handelsergebnisse zu verbessern, ohne die Logik der Handelsstrategien zu beeinträchtigen.

Wir erforschen weiterhin hybride Graphsequenzmodelle (GSM++), die die Vorteile verschiedener Architekturen vereinen und eine hohe Analysegenauigkeit sowie eine effiziente Verteilung der Rechenressourcen bieten. Diese Modelle erkennen verborgene Muster, verringern die Auswirkungen von Marktstörungen und verbessern die Prognosequalität.

In dieser Artikelserie überprüfen wir klassische Strategien, um herauszufinden, ob wir die Strategie mithilfe von KI verbessern können. Im heutigen Artikel werden wir eine beliebte Strategie der Mehrfachsymbolanalyse anhand eines Korbs korrelierter Wertpapiere untersuchen, wobei wir uns auf das exotische Währungspaar USDZAR konzentrieren werden.

Mehrschichtige Speicher, die die kognitiven Prozesse des Menschen nachahmen, ermöglichen die Verarbeitung komplexer Finanzdaten und die Anpassung an neue Signale, wodurch die Wirksamkeit von Anlageentscheidungen auf dynamischen Märkten verbessert wird.

In diesem Artikel implementieren wir einen automatischen Handelseinstieg mit dem MQL5-Wirtschaftskalender, indem wir nutzerdefinierte Filter und Zeitverschiebungen anwenden, um qualifizierte Nachrichtenereignisse zu identifizieren. Wir vergleichen die prognostizierten und die vorherigen Werte, um zu entscheiden, ob ein KAUF oder VERKAUF eröffnet werden soll. Dynamische Countdown-Timer zeigen die verbleibende Zeit bis zur Veröffentlichung von Nachrichten an und werden nach einem Handel automatisch zurückgesetzt.

Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorenpaar Ichimoku und ADX vorstellten, und untersuchen, wie dieses Duo durch überwachtes Lernen verbessert werden kann. Ichimoku und ADX sind ein Unterstützungs-/Widerstands- und komplementäres Paar bezüglich eines Trends. Unser überwachter Lernansatz verwendet ein neuronales Netzwerk, das den Deep Spectral Mixture Kernel einsetzt, um die Prognosen dieses Indikatorpaares zu verfeinern. Wie üblich erfolgt dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten zur Zusammenstellung eines Expert Advisors arbeitet.

Wir setzen die Diskussion über die Verwendung der stückweisen, linearen Darstellung von Zeitreihen fort, die im vorherigen Artikel begonnen wurde. Heute werden wir sehen, wie diese Methode mit anderen Ansätzen der Zeitreihenanalyse kombiniert werden kann, um die Qualität der Vorhersage des Preistrend zu verbessern.

Der Awesome Oscillator von Bill Williams und der Envelopes-Kanal sind ein Paar, das komplementär in einem MQL5 Expert Advisor verwendet werden kann. Wir verwenden den Awesome Oscillator wegen seiner Fähigkeit, Trends zu erkennen, während der Envelope-Kanal zur Definition unserer Unterstützungs-/Widerstandsniveaus herangezogen wird. Bei der Erkundung dieser Indikatorpaarung verwenden wir den MQL5-Assistenten, um das Potenzial dieser beiden Indikatoren zu ermitteln und zu testen.

In dieser Diskussion stellen wir ein Synchronisierungsinstrument der Zeitrahmen von länger zu kürzer vor, das das Problem der Analyse von Marktmustern lösen soll, die sich über höhere Zeitrahmen bilden. Die eingebauten Periodenmarker in MetaTrader 5 sind oft begrenzt, starr und lassen sich nicht ohne weiteres an nicht standardisierte Zeitrahmen anpassen. Unsere Lösung nutzt die MQL5-Sprache, um einen Indikator zu entwickeln, der eine dynamische und visuelle Möglichkeit bietet, Strukturen mit höherem Zeitrahmen in Charts mit niedrigerem Zeitrahmen auszurichten. Dieses Instrument kann für eine detaillierte Marktanalyse sehr wertvoll sein. Um mehr über die Funktionen und die Umsetzung zu erfahren, lade ich Sie ein, sich an der Diskussion zu beteiligen.

Temporal Difference ist ein weiterer Algorithmus des Reinforcement Learning, der Q-Werte auf der Grundlage der Differenz zwischen vorhergesagten und tatsächlichen Belohnungen während des Agententrainings aktualisiert. Sie befasst sich speziell mit der Aktualisierung von Q-Werten, ohne sich um die Verknüpfung von Zustand und Aktion zu kümmern. Daher wollen wir sehen, wie wir dies, wie in früheren Artikeln, in einem mit einem Assistenten zusammengestellten Expert Advisor anwenden können.

In der vorangegangenen Arbeit haben wir die theoretischen Aspekte des PSformer-Rahmens erörtert, der zwei wichtige Neuerungen in der klassischen Transformer-Architektur beinhaltet: den Parameter-Shared (PS)-Mechanismus und die Berücksichtigung von räumlich-zeitlichen Segmenten (SegAtt). In diesem Artikel setzen wir die Arbeit fort, die wir bei der Implementierung der vorgeschlagenen Ansätze mit MQL5 begonnen haben.

Für viele Händler ist die Lücke zwischen der Kenntnis einer Risikoregel und deren konsequenter Befolgung der Punkt, an dem die Konten sterben. Emotionale Übertreibungen, Kompensationshandel und einfaches Versehen können selbst die beste Strategie zunichte machen. Heute werden wir die MetaTrader 5-Plattform in einen unnachgiebigen Vollstrecker Ihrer Handelsregeln verwandeln, indem wir einen Risk Enforcement Expert Advisor entwickeln. Nehmen Sie an dieser Diskussion teil und erfahren Sie mehr.

In diesem Artikel erstellen wir Schaltflächen für die Filter von Währungspaar, Wichtigkeitsstufen, Zeitspannen und eine Abbruchoption, um die Kontrolle über das Dashboard zu verbessern. Diese Tasten sind so programmiert, dass sie dynamisch auf Nutzeraktionen reagieren und eine nahtlose Interaktion ermöglichen. Außerdem automatisieren wir ihr Verhalten, um Änderungen in Echtzeit auf dem Dashboard anzuzeigen. Dies verbessert die allgemeine Funktionsweise, Mobilität und Reaktionsfähigkeit des Panels.

Wir setzen unseren letzten Artikel über DDPG mit MA und stochastischen Indikatoren fort, indem wir andere Schlüsselklassen des Reinforcement Learning untersuchen, die für die Implementierung von DDPG entscheidend sind. Obwohl wir hauptsächlich in Python kodieren, wird das Endprodukt, ein trainiertes Netzwerk, als ONNX nach MQL5 exportiert, wo wir es als Ressource in einen von einem Assistenten zusammengestellten Expert Advisor integrieren.

Der DeMarker-Oszillator und der Envelopes-Indikator sind Momentum- und Unterstützungs-/Widerstands-Tools, die bei der Entwicklung eines Expert Advisors kombiniert werden können. Wir knüpfen an unseren letzten Artikel an, in dem diese beiden Indikatoren vorgestellt wurden, indem wir das maschinelle Lernen in den Mix aufnehmen. Wir verwenden ein rekurrentes neuronales Netz, das den Kernel des weißen Rauschens nutzt, um die vektorisierten Signale dieser beiden Indikatoren zu verarbeiten. Dies geschieht in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.

Soft Actor Critic ist ein Reinforcement Learning-Algorithmus, den wir bereits in einem früheren Artikel vorgestellt haben, in dem wir auch Python und ONNX als effiziente Ansätze für das Training von Netzwerken vorgestellt haben. Wir überarbeiten den Algorithmus mit dem Ziel, Tensoren, Berechnungsgraphen, die häufig in Python verwendet werden, zu nutzen.