Artikel über das Programmieren und Anwenden von Handelsrobotern in MQL5
Expert Advisors erfüllen unterschiedliche Funktionen auf der Plattform MetaTrader. Handelroboter können Finanzinstrumente rund um die Uhr verfolgen, Trades kopieren, Berichte erstellen und abschicken, sogar dem Händler eine speizielle auf seine Bestellung entwickelte grafische Benutzeroberfläche bieten.
In den Artikeln sind Programmierverfahren, mathematische Ideen für Datenverarbeitung, Ratschläge für Erstellung und Bestellung von Handelsrobotern.
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
Neuronale Netze im Handel: Ein Ensemble von Agenten mit Aufmerksamkeitsmechanismen (MASAAT)
Wir stellen das Multi-Agent Self-Adaptive Portfolio Optimization Framework (MASAAT) vor, das Aufmerksamkeitsmechanismen und Zeitreihenanalyse kombiniert. MASAAT generiert eine Reihe von Agenten, die Preisreihen und Richtungsänderungen analysieren und so die Identifizierung signifikanter Fluktuationen in Vermögenspreisen auf verschiedenen Detailebenen ermöglichen.
Automatisieren von Handelsstrategien in MQL5 (Teil 37): Regelmäßige RSI-Divergenz-Konvergenz mit visuellen Indikatoren
In diesem Artikel bauen wir einen MQL5 EA, der regelmäßige RSI-Divergenzen anhand von Umkehrpunkten mit Stärke, Balken-Limits und Toleranzprüfungen erkennt. Er führt Handelsgeschäfte auf Auf- oder Abwärtssignale mit festen Losgröße, SL/TP in Pips und optionalen Trailing Stops aus. Zu den visuellen Elementen gehören farbige Linien in den Charts und beschriftete Schwankungen für einen besseren Einblick in die Strategie.
Der MQL5 Standard Library Explorer (Teil 5): Experte für mehrere Signale
In dieser Sitzung werden wir einen ausgeklügelten Multi-Signal-Expert Advisor unter Verwendung der MQL5-Standardbibliothek erstellen. Dieser Ansatz ermöglicht es uns, integrierte Signale nahtlos mit unserer eigenen Logik zu kombinieren und so einen leistungsstarken und flexiblen Handelsalgorithmus zu entwickeln. Klicken Sie hier, um mehr zu erfahren.
Senden von Nachrichten von MQL5 an Discord, Erstellen eines Discord-Bots für MetaTrader 5
Ähnlich wie Telegram ist Discord in der Lage, Informationen und Nachrichten im JSON-Format über seine Kommunikations-APIs zu empfangen. In diesem Artikel werden wir untersuchen, wie Sie Discord-APIs verwenden können, um Handelssignale und Updates von MetaTrader 5 an Ihre Discord-Handelsgemeinschaft zu senden.
Neuronale Netze im Handel: Hierarchisches Lernen der Merkmale von Punktwolken
Wir untersuchen weiterhin Algorithmen zur Extraktion von Merkmalen aus einer Punktwolke. In diesem Artikel werden wir uns mit den Mechanismen zur Steigerung der Effizienz der PointNet-Methode vertraut machen.
Automatisieren von Handelsstrategien in MQL5 (Teil 29): Erstellung eines Preisaktionssystems mit dem harmonischen Muster von Gartley
In diesem Artikel entwickeln wir ein System des Gartley-Musters in MQL5, das harmonische Auf- und Abwärtsmuster von Gartley mit Hilfe von Umkehrpunkten und Fibonacci-Verhältnissen identifiziert und Handelsgeschäfte mit präzisen Einstiegs-, Stop-Loss- und Take-Profit-Levels ausführt. Wir verbessern den Einblick des Händlers mit visuellem Feedback durch Chart-Objekte wie Dreiecke, Trendlinien und Beschriftungen, um die XABCD-Musterstruktur klar darzustellen.
Automatisieren von Handelsstrategien in MQL5 (Teil 33): Erstellung des Preisaktions-Systems des harmonischen Musters Shark
In diesem Artikel entwickeln wir das System des Shark-Musters in MQL5, das steigende und fallende harmonische Shark-Muster unter Verwendung von Umkehrpunkten und Fibonacci-Ratios identifiziert und Handelsgeschäfte mit anpassbaren Einstiegs-, Stop-Loss- und Take-Profit-Levels basierend auf vom Nutzer ausgewählten Optionen ausführt. Wir verbessern den Einblick des Händlers mit visuellem Feedback durch Chart-Objekte wie Dreiecke, Trendlinien und Kennzeichnungen, um die X-A-B-C-D-Musterstruktur klar darzustellen.
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 79): Verwendung von Gator-Oszillator und Akkumulations-/Distributions-Oszillator mit überwachtem Lernen
Im letzten Beitrag haben wir die Paarung von Gator-Oszillator und Akkumulations-/Distributions-Oszillator in ihrer typischen Einstellung der von ihnen erzeugten Rohsignale betrachtet. Diese beiden Indikatoren sind als Trend- bzw. Volumenindikatoren zu verstehen. Im Anschluss an diesen Teil untersuchen wir die Auswirkungen, die das überwachte Lernen auf die Verbesserung einiger der von uns untersuchten Merkmalsmuster haben kann. Unser überwachter Lernansatz ist ein CNN, der mit Kernelregression und Skalarproduktähnlichkeit arbeitet, um seine Kernel und Kanäle zu dimensionieren. Wie immer tun wir dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.
Selbstoptimierende Expert Advisors in MQL5 (Teil 16): Überwachte lineare Systemidentifikation
Die lineare Systemidentifikation kann mit dem Lernen gekoppelt werden, um den Fehler in einem überwachten Lernalgorithmus zu korrigieren. So können wir Anwendungen entwickeln, die von statistischen Modellierungstechniken abhängen, ohne zwangsläufig die Anfälligkeit der restriktiven Annahmen des Modells zu übernehmen. Klassische überwachte Lernalgorithmen haben viele Bedürfnisse, die durch die Kombination dieser Modelle mit einem Feedback-Controller ergänzt werden können, der das Modell korrigieren kann, um mit den aktuellen Marktbedingungen Schritt zu halten.
Codex-Pipelines: Von Python zu MQL5 für die Indikatorauswahl – eine Multi-Quartal-Analyse des FXI ETF
Wir setzen unseren Blick darauf fort, wie MetaTrader außerhalb seiner „Komfortzone“ für den Devisenhandel eingesetzt werden kann, indem wir einen weiteren handelbaren Vermögenswert in Form des FXI ETFs betrachten. Im Gegensatz zum letzten Artikel, in dem wir versucht haben, „zu viel“ zu tun, indem wir uns nicht nur mit der Auswahl von Indikatoren, sondern auch mit der Kombination von Indikatormustern beschäftigt haben, werden wir in diesem Artikel etwas flussaufwärts schwimmen und uns mehr auf die Auswahl von Indikatoren konzentrieren. Unser Endprodukt ist als eine Art Pipeline gedacht, die dabei helfen kann, Indikatoren für verschiedene Vermögenswerte zu empfehlen, vorausgesetzt, wir verfügen über einen angemessenen Teil ihrer Kurshistorie.
Anfragen in Connexus (Teil 6): Erstellen einer HTTP-Anfrage und -Antwort
In diesem sechsten Artikel der Connexus-Bibliotheksreihe befassen wir uns mit einer vollständigen HTTP-Anfrage, wobei jede Komponente, aus der eine Anfrage besteht, behandelt wird. Wir werden eine Klasse erstellen, die den Anfrage als Ganzes repräsentiert, was uns helfen wird, die zuvor erstellten Klassen zusammenzuführen.
Neuronale Netze im Handel: Modelle mit Wavelet-Transformation und Multitasking-Aufmerksamkeit
Wir laden Sie ein, einen Rahmen zu erkunden, der Wavelet-Transformationen und ein Multitasking-Selbstaufmerksamkeitsmodell kombiniert, um die Reaktionsfähigkeit und Genauigkeit von Prognosen unter volatilen Marktbedingungen zu verbessern. Die Wavelet-Transformation ermöglicht die Zerlegung der Renditen von Vermögenswerten in hohe und niedrige Frequenzen, wodurch langfristige Markttrends und kurzfristige Schwankungen sorgfältig erfasst werden.
Marktpositionierungskodex für den VGT mit Kendall’schen Tau und Distanzkorrelation
In diesem Artikel wollen wir untersuchen, wie ein komplementäres Indikatorpaar zur Analyse der jüngsten 5-Jahres-Historie des Vanguard Information Technology Index Fund ETF verwendet werden kann. Durch die Betrachtung von zwei Algorithmen, dem Kendall’schen Tau und der Distance-Korrelation, versuchen wir nicht nur ein ideales Indikatorpaar für den Handel mit dem VGT auszuwählen, sondern auch geeignete Signalmuster-Paarungen dieser beiden Indikatoren.
MQL5-Werkzeuge für den Handel (Teil 12): Erweiterung des Korrelationsmatrix-Dashboards um interaktive Funktionen
In diesem Artikel erweitern wir das Dashboard für die Korrelationsmatrix in MQL5 um interaktive Funktionen wie das Ziehen des Panels, Minimieren/Maximieren, Hover-Effekte auf Schaltflächen und Zeitrahmen sowie die Behandlung von Mausereignissen für ein verbessertes Nutzungserlebnis. Wir ergänzen eine Sortierung der Symbole nach durchschnittlicher Korrelationsstärke in auf- und absteigender Reihenfolge, schalten zwischen der Matrixdarstellung der Korrelationen und den p-Werten um und integrieren einen Wechsel zwischen hellen und dunklen Farbschemen mit dynamischen Farbaktualisierungen.
Neuronale Netze im Handel: Hyperbolisches latentes Diffusionsmodell (HypDiff)
Der Artikel befasst sich mit Methoden zur Kodierung von Ausgangsdaten im hyperbolischen latenten Raum durch anisotrope Diffusionsprozesse. Dies trägt dazu bei, die topologischen Merkmale der aktuellen Marktsituation genauer zu erfassen und die Qualität der Analyse zu verbessern.
Entwicklung eines Expert Advisors für mehrere Währungen (Teil 22): Beginn des Übergangs zum Hot-Swapping von Einstellungen
Wenn wir die periodische Optimierung automatisieren wollen, müssen wir über automatische Aktualisierungen der Einstellungen der bereits auf dem Handelskonto laufenden EAs nachdenken. Dies sollte es uns auch ermöglichen, den EA im Strategietester laufen zu lassen und seine Einstellungen in einem einzigen Durchgang zu ändern.
Neuronale Netze im Handel: Ein Multi-Agent Self-Adaptive Modell (letzter Teil)
Im vorangegangenen Artikel haben wir das adaptive Multi-Agenten-System MASA vorgestellt, das Reinforcement-Learning-Ansätze und selbstanpassende Strategien kombiniert und so ein harmonisches Gleichgewicht zwischen Rentabilität und Risiko unter turbulenten Marktbedingungen ermöglicht. Wir haben die Funktionalität der einzelnen Agenten in diesem Rahmen aufgebaut. In diesem Artikel setzen wir die begonnene Arbeit fort und bringen sie zu einem logischen Abschluss.
Entwicklung eines Expert Advisors für mehrere Währungen (Teil 23): Ordnung in den Ablauf automatischer Projektoptimierungsstufe bringen (II)
Unser Ziel ist es, ein System zur automatischen periodischen Optimierung von Handelsstrategien zu schaffen, die in einem endgültigen EA verwendet werden. Im Laufe der Entwicklung wird das System immer komplexer, sodass es von Zeit zu Zeit in seiner Gesamtheit betrachtet werden muss, um Engpässe und suboptimale Lösungen zu ermitteln.
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 78): Gator- und AD-Oszillator-Strategien für Marktresilienz
Der Artikel stellt die zweite Hälfte eines strukturierten Ansatzes für den Handel mit dem Gator Oscillator und der Akkumulation/Distribution vor. Durch die Einführung von fünf neuen Mustern zeigt der Autor, wie man falsche Bewegungen herausfiltert, frühe Kehrtwendungen erkennt und Signale über verschiedene Zeitrahmen hinweg abgleicht. Mit klaren Programmierbeispielen und Leistungstests verbindet das Material Theorie und Praxis für MQL5-Entwickler.
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 80): Verwendung von Ichimoku-Muster und des ADX-Wilder mit TD3 Reinforcement Learning
Dieser Artikel schließt an Teil 74 an, in dem wir die Paarung von Ichimoku und ADX im Rahmen des überwachten Lernens untersuchten, und verlagert den Schwerpunkt auf das Bestärkende Lernen. Ichimoku und ADX bilden eine komplementäre Kombination von Unterstützungs-/Widerstandskartierung und Trendstärkemessung. In dieser Folge wird gezeigt, wie der Twin Delayed Deep Deterministic Policy Gradient (TD3) Algorithmus mit diesem Indikatorensatz verwendet werden kann. Wie bei früheren Teilen der Serie erfolgt die Implementierung in einer nutzerdefinierten Signalklasse, die für die Integration mit dem MQL5-Assistenten entwickelt wurde, was eine problemlose Zusammenstellung von Expert Advisors ermöglicht.
Markets Positioning Codex in MQL5 (Teil 2): Bitweises Lernen, mit Multi-Patterns für Nvidia
Wir setzen unsere neue Serie zur Marktpositionierung fort, in der wir bestimmte Vermögenswerte mit spezifischen Handelsrichtungen in überschaubaren Testfenstern untersuchen. Wir begannen mit der Betrachtung der Aktie von Nvidia Corp. im letzten Artikel, in dem wir 5 Signalmuster aus der komplementären Paarung von RSI und DeMarker-Oszillator behandelten. In diesem Artikel befassen wir uns mit den verbleibenden 5 Mustern und gehen auch auf die Optionen mit mehreren Mustern ein, die nicht nur ungebundene Kombinationen aller zehn Muster, sondern auch spezielle Kombinationen von nur einem Paar umfassen.
Neuronale Netze im Handel: Verwenden von Sprachmodellen für die Zeitreihenprognose
Wir untersuchen weiterhin Modelle zur Zeitreihenprognose. In diesem Artikel machen wir uns mit einem komplexen Algorithmus vertraut, der auf der Verwendung eines vortrainierten Sprachmodells basiert.
Neuronale Netze leicht gemacht (Teil 96): Mehrskalige Merkmalsextraktion (MSFformer)
Die effiziente Extraktion und Integration von langfristigen Abhängigkeiten und kurzfristigen Merkmalen ist nach wie vor eine wichtige Aufgabe bei der Zeitreihenanalyse. Ihr richtiges Verständnis und ihre Integration sind notwendig, um genaue und zuverlässige Prognosemodelle zu erstellen.
Neuronale Netze im Handel: Kontrollierte Segmentierung
In diesem Artikel wird eine Methode zur Analyse komplexer multimodaler Interaktionen und zum Verstehen von Merkmalen erörtert.
Neuronale Netze im Handel: Punktwolkenanalyse (PointNet)
Die direkte Analyse von Punktwolken vermeidet unnötiges Datenwachstum und verbessert die Leistung von Modellen bei Klassifizierungs- und Segmentierungsaufgaben. Solche Ansätze zeigen eine hohe Leistungsfähigkeit und Robustheit gegenüber Störungen in den Originaldaten.
Neuronale Netze im Handel: Optimierung des Transformers für Zeitreihenprognosen (LSEAttention)
Der LSEAttention-Rahmen bietet Verbesserungen der Transformer-Architektur. Es wurde speziell für langfristige multivariate Zeitreihenprognosen entwickelt. Die von den Autoren der Methode vorgeschlagenen Ansätze können angewandt werden, um Probleme des Entropiekollapses und der Lerninstabilität zu lösen, die bei einem einfachen Transformer häufig auftreten.
Neuronale Netze im Handel: Modelle mit Wavelet-Transformation und Multitasking-Aufmerksamkeit (letzter Teil)
Im vorangegangenen Artikel haben wir die theoretischen Grundlagen erforscht und mit der Umsetzung der Ansätze des Systems Multitask-Stockformer begonnen, das die Wavelet-Transformation und das Self-Attention-Multitask-Modell kombiniert. Wir fahren fort, die Algorithmen dieses Rahmens zu implementieren und ihre Effektivität anhand realer historischer Daten zu bewerten.
Klassische Strategien neu interpretieren (Teil 18): Suche nach Kerzenmustern
Dieser Artikel hilft neuen Community-Mitgliedern, ihre eigenen Kerzenmuster zu suchen und zu entdecken. Die Beschreibung dieser Muster kann entmutigend sein, da sie eine manuelle Suche und kreative Identifizierung von Verbesserungen erfordert. Hier stellen wir die Engulfing-Kerzen vor und zeigen, wie es für profitablere Handelsanwendungen verbessert werden kann.
Neuronale Netze im Handel: Multi-Task-Lernen auf der Grundlage des ResNeXt-Modells (letzter Teil)
Wir erforschen weiterhin ein auf ResNeXt basierendes Multitasking-Lernsystem, das sich durch Modularität, hohe Recheneffizienz und die Fähigkeit, stabile Muster in Daten zu erkennen, auszeichnet. Die Verwendung eines einzigen Encoders und spezieller „Köpfe“ verringert das Risiko einer Überanpassung des Modells und verbessert die Qualität der Prognosen.
Entwicklung einer Handelsstrategie: Die Methode der Butterfly-Oszillation
In diesem Artikel zeigen wir, wie das faszinierende mathematische Konzept der Butterfly-Kurve in ein praktisches Handelsinstrument umgewandelt werden kann. Wir haben den Butterfly-Oszillator konstruiert und um ihn herum eine grundlegende Handelsstrategie entwickelt. Die Strategie kombiniert effektiv die einzigartigen zyklischen Signale des Oszillators mit der traditionellen Trendbestätigung durch gleitende Durchschnitte und schafft so einen systematischen Ansatz zur Identifizierung potenzieller Einstiege in den Markt.
Neuronale Netze im Handel: Hierarchische Vektortransformer (HiVT)
Wir laden Sie ein, die Methode Hierarchical Vector Transformer (HiVT) kennenzulernen, die für die schnelle und genaue Vorhersage von multimodalen Zeitreihen entwickelt wurde.
Neuronale Netze im Handel: Hierarchischer Dual-Tower-Transformer (Hidformer)
Wir laden Sie ein, sich mit dem Hierarchical Double-Tower Transformer (Hidformer) vertraut zu machen, der für Zeitreihenprognosen und Datenanalysen entwickelt wurde. Die Autoren des Rahmenwerks schlugen mehrere Verbesserungen an der Transformer-Architektur vor, die zu einer höheren Vorhersagegenauigkeit und einem geringeren Verbrauch an Rechenressourcen führten.
Neuronale Netze im Handel: Zweidimensionale Verbindungsraummodelle (letzter Teil)
Wir erforschen weiterhin den innovativen Chimera-Rahmen – ein zweidimensionales Zustandsraummodell, das neuronale Netzwerktechnologien zur Analyse mehrdimensionaler Zeitreihen nutzt. Diese Methode bietet eine hohe Vorhersagegenauigkeit bei geringen Rechenkosten.
Vom Neuling zum Experten: Navigieren durch die Unregelmäßigkeiten des Marktes
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.
Einführung in MQL5 (Teil 28): Beherrschung der API- und WebRequest-Funktion in MQL5 (II)
In diesem Artikel erfahren Sie, wie Sie mit Hilfe von APIs und der Funktion WebRequest in MQL5 Preisdaten von externen Plattformen abrufen und extrahieren können. Sie lernen, wie URLs strukturiert sind, wie API-Antworten formatiert werden, wie man Serverdaten in lesbare Strings umwandelt und wie man bestimmte Werte aus JSON-Antworten identifiziert und extrahiert.
Selbstoptimierende Expert Advisors in MQL5 (Teil 15): Identifizierung linearer Systeme
Es kann schwierig sein, Handelsstrategien zu verbessern, weil wir oft nicht ganz verstehen, was die Strategie falsch macht. In dieser Diskussion führen wir die lineare Systemidentifikation ein, ein Teilgebiet der Kontrolltheorie. Lineare Rückkopplungssysteme können aus Daten lernen, um die Fehler eines Systems zu erkennen und sein Verhalten auf die gewünschten Ergebnisse auszurichten. Auch wenn diese Methoden keine vollständig interpretierbaren Erklärungen liefern, sind sie doch weitaus wertvoller, als überhaupt kein Kontrollsystem zu haben. Lassen Sie uns die Identifizierung linearer Systeme untersuchen und beobachten, wie sie uns als algorithmische Händler helfen kann, die Kontrolle über unsere Handelsanwendungen zu behalten.
Entwicklung eines Expertenberaters für mehrere Währungen (Teil 24): Hinzufügen einer neuen Strategie (II)
In diesem Artikel werden wir die neue Strategie mit dem erstellten automatischen Optimierungssystem verbinden. Schauen wir uns an, welche Änderungen am EA für die Erstellung des Optimierungsprojekts sowie an den EAs der zweiten und dritten Stufe vorgenommen werden müssen.
Wiederverwendung von ungültig gemachten Orderblöcken als Mitigation Blocks (SMC)
In diesem Artikel untersuchen wir, wie zuvor für ungültig erklärte Orderblöcke als Mitigation Blocks innerhalb von Smart Money Concepts (SMC) wiederverwendet werden können. Diese Zonen zeigen, wo institutionelle Händler nach einer fehlgeschlagenen Auftragssperre wieder in den Markt einsteigen, und bieten Bereiche mit hoher Wahrscheinlichkeit für eine Fortsetzung des Handels im vorherrschenden Trend.
Neuronale Netze im Handel: Ein multimodaler, werkzeuggestützter Agent für Finanzmärkte (FinAgent)
Wir laden Sie ein, FinAgent kennenzulernen, ein multimodales Finanzhandelsagenten-Framework zur Analyse verschiedener Datentypen, die die Marktdynamik und historische Handelsmuster widerspiegeln.
Neuronale Netze im Handel: Hybride Graphsequenzmodelle (GSM++)
Hybride Graphsequenzmodelle (GSM++) kombinieren die Vorteile verschiedener Architekturen, um eine realitätsnahe Datenanalyse und optimierte Rechenkosten zu ermöglichen. Diese Modelle passen sich effektiv an dynamische Marktdaten an und verbessern die Darstellung und Verarbeitung von Finanzinformationen.