Artikel über die Integration des MetaTrader 5 mithilfe von MQL5

Ein populationsbasierter Optimierungsalgorithmus, der von einem umstrittenen und bislang kaum erforschten Phänomen inspiriert ist – dem Mechanismus menschlicher Träume. Agentengruppen mit unterschiedlichem „Gedächtnis“, Kosinusmodulation der Bewegung und einer ungewöhnlichen Phasenverteilung von 99/1 – erfahren Sie, wie sich diese Merkmale auf die Effizienz bei der Optimierung Ihrer Handelsstrategien auswirken.

In diesem Artikel werden wir eine Reihe von Verbesserungen vornehmen, um sicherzustellen, dass der Positionsindikator den tatsächlichen Zustand auf dem Handelsserver in Bezug auf offene Positionen und ihren aktuellen Zustand genau widerspiegelt. Ich möchte darauf hinweisen, dass die hier gezeigten Anwendungen keineswegs dazu gedacht sind, eines der in MetaTrader 5 verfügbaren Elemente zu ersetzen. Sie sollten zudem nicht ohne die gebotene Vorsicht und ohne Augenmaß verwendet werden, da ihr Zweck darin besteht, Lehrcode bereitzustellen – also Code, der ausschließlich dazu dient, die Funktionsweise des Systems zu erlernen. Ich bezeichne diesen Code als „Lehrcode“, weil die Verwendung von Nachrichten in manchen Fällen nicht die beste Methode ist, um bestimmte Funktionen zu implementieren.

Im vorherigen Artikel habe ich gezeigt, wie vorzugehen ist, um einen Abfragemechanismus hinzuzufügen. Dies war erforderlich, damit Sie innerhalb des MQL5-Codes SQL in vollem Umfang nutzen und Ergebnisse mithilfe einer SQL-SELECT-Abfrage abrufen können. Aber es gibt noch eine letzte Funktion, die wir implementieren müssen. Dabei handelt es sich um die Funktion DatabaseReadBind. Da ein korrektes Verständnis dieser Funktion eine etwas ausführlichere Erläuterung erfordert, wurde beschlossen, dieses Thema nicht im vorherigen Artikel, sondern im heutigen Artikel zu behandeln. Da das Thema also recht umfangreich ist, gehen wir direkt zum nächsten Abschnitt über.

Im heutigen Artikel beginnen wir, uns mit der Verwendung von SQL im MQL5-Code zu beschäftigen. Außerdem werden wir uns damit befassen, wie man eine Datenbank erstellt. Oder, genauer gesagt: wie man mithilfe der in MQL5 integrierten Funktionen eine SQLite-Datenbankdatei erstellt. Außerdem werden wir sehen, wie man eine Tabelle erstellt und anschließend mithilfe von Primär- und Fremdschlüsseln eine Beziehung zwischen Tabellen herstellt. All dies wird wiederum mit MQL5 umgesetzt. Wir werden sehen, wie einfach es ist, Code zu erstellen, der später auf andere SQL-Implementierungen migriert werden kann, indem wir eine Klasse verwenden, die dabei hilft, die jeweilige Implementierung zu verbergen. Und vor allem werden wir sehen, dass wir an verschiedenen Stellen mit dem Risiko konfrontiert sein können, dass bei der Verwendung von SQL etwas schiefgeht. Das liegt daran, dass SQL-Code im MQL5-Code immer in Form eines Strings platziert wird.

Debugging ist ein wesentlicher Bestandteil des Programmierzyklus. In diesem Artikel werden gängige Techniken für das Debugging jeder Anwendung behandelt, die in der MetaTrader-5-Umgebung ausgeführt wird.

Hier werden wir beginnen, verschiedene Komponenten oder Anwendungen zusammenzuführen, die zuvor völlig voneinander isoliert waren. Chart Trade, der Mausindikator und der Expert Advisor waren bereits miteinander verknüpft, aber es gab immer noch keine Möglichkeit, die auf dem Handelsserver offenen Positionen, die oft über ein Cross-Order-System verwaltet werden, direkt im Chart anzuzeigen. Ab diesem Punkt wird dies möglich, was den Weg für verschiedene Ideen und zukünftige Implementierungen ebnet. Obwohl wir erst am Anfang stehen, diese Komponenten in Betrieb zu nehmen, haben wir bereits eine Richtung für die weitere Entwicklung.

Der Artikel beschreibt die Implementierung des A3-Algorithmus – eines metaheuristischen Optimierungsalgorithmus, der von chemischen Prozessen inspiriert ist – in MQL5. Nur zwei einstellbare Parameter und eine kleine Population gewährleisten eine hohe Arbeitsgeschwindigkeit bei ausreichender Qualität der Lösungen.

Der Artikel stellt den kompetitiven Lernalgorithmus (Competitive Learning Algorithm, CLA) vor, eine neue metaheuristische Optimierungsmethode, die auf der Simulation des Bildungsprozesses basiert. Der Algorithmus organisiert die Population von Lösungen in Klassen mit Schülern und Lehrern, wobei Agenten durch drei Mechanismen lernen: Lernen vom Besten der Klasse, Lernen aus eigener Erfahrung und Wissensaustausch zwischen Klassen

Der Inhalt, den wir ab diesem Punkt behandeln werden, ist in Bezug auf Theorie und Konzepte weitaus komplexer. Ich werde versuchen, den Stoff so einfach wie möglich zu gestalten. Der Programmierteil selbst ist recht einfach und unkompliziert. Aber wenn Sie die Theorie dahinter nicht verstehen, werden Sie überhaupt keine praktische Grundlage haben, um das Replay-/Simulationssystem für andere Aufgaben als die, die ich zeigen werde, zu verfeinern oder anzupassen. Ich möchte nicht, dass Sie den von mir präsentierten Code lediglich kompilieren und verwenden. Ich möchte, dass Sie lernen, verstehen und, wenn möglich, in der Lage sind, etwas noch Besseres zu schaffen.

Der Artikel präsentiert eine detaillierte Analyse des Exchange Market Algorithm (EMA), der vom Verhalten von Börsenhändlern inspiriert ist. Der Algorithmus simuliert den Aktienhandel, bei dem Marktteilnehmer mit unterschiedlichem Erfolg verschiedene Strategien anwenden, um ihre Gewinne zu maximieren.

Der Artikel untersucht die Möglichkeit, Regressionsmodelle im algorithmischen Handel einzusetzen. Regressionsmodelle ermöglichen im Gegensatz zur binären Klassifizierung die Erstellung flexiblerer Handelsstrategien durch die Quantifizierung vorhergesagter Kursänderungen.

Dieser Artikel zeigt, wie man die Marktstruktur in MQL5 als Graph darstellt, indem Swing-Highs/-Lows in Knoten mit Merkmalen umgewandelt und durch Kanten miteinander verbunden werden. Es wird ein Graph Neural Network trainiert, um potenzielle Liquiditätszonen zu bewerten, das Modell nach ONNX exportiert und für die Echtzeit-Inferenz in einem Expert Advisor verwendet. Die Leser lernen, wie man die Daten-Pipeline aufbaut, das Modell integriert, Zonen im Chart visualisiert und die Signale für eine regelbasierte Handelsausführung nutzt.

GridSearchCV und RandomizedSearchCV teilen eine grundlegende Einschränkung im finanziellen ML: Jeder Versuch ist unabhängig, sodass sich die Suchqualität durch zusätzliche Rechenleistung nicht verbessert. Dieser Artikel integriert Optuna – unter Verwendung des Tree-structured Parzen Estimator – mit PurgedKFold-Kreuzvalidierung, HyperbandPruner-Frühstopp und einer Dual-Weight-Konvention, die Trainingsgewichte von Bewertungsgewichten trennt. Das Ergebnis ist ein System aus fünf Komponenten: eine Zielfunktion mit Fold-Level-Pruning, eine Vorschlagsebene, die das Gewichtungsschema gemeinsam mit den Modell-Hyperparametern optimiert, ein finanziell kalibrierter Pruner, ein fortsetzbarer, SQLite-basierter Orchestrator und ein Konverter für das scikit-learn cv_results_-Format. Der Artikel zieht zudem die Grenze – basierend auf Timothy Masters – zwischen statistischen Zielen, bei denen eine gezielte Suche vorteilhaft ist, und finanziellen Zielen, bei denen sie schädlich ist.

Dieser Artikel beschreibt die Systemarchitektur für eine algorithmische Handelslösung mit mehreren Konten, die Kryptowährungs-CFDs auf MetaTrader 5 handelt und dabei die Vorgaben für Prop-Firmen berücksichtigt. Er definiert drei Kernprinzipien – festes Dollar-Risiko, ein Skript pro Konto und zentralisierte Konfiguration – und erläutert anschließend die Aufteilung zwischen Python und MQL5, die 60-Sekunden-Verarbeitungsschleife sowie die JSON-basierte Signalübermittlung. Die Leser erhalten praktische Anleitungen zur Berechnung der Lot-Größe, zu Sicherheitsprüfungen und zu praxisnahen Mustern für das Positionsmanagement und für einen zuverlässigen Live-Einsatz.

Im neuesten Teil dieser Reihe gehen wir über einzelne Techniken des maschinellen Lernens hinaus und befassen uns mit dem Forschungschaos, unter dem viele quantitative Trader leiden. Im Mittelpunkt dieses Artikels steht der Übergang von Ad-hoc-Experimenten in Notebooks zu einer klar strukturierten, produktionsreifen Pipeline, die Reproduzierbarkeit, Nachvollziehbarkeit und Effizienz gewährleistet.

In diesem Artikel werden wir uns mit dem spannenden Thema der fraktalen Analyse und der Marktprognose mithilfe von maschinellem Lernen befassen. Dies sind nur die ersten Schritte auf dem Weg zur Erforschung der vielfältigen fraktalen Strukturen, die sich in Finanzkurscharts bilden. Wir werden die Korrelation nutzen, um Muster zu erkennen, und den CatBoost-Algorithmus, um diese Muster zu klassifizieren.

Was wäre, wenn sich ein Optimierungsalgorithmus an seine bisherigen Durchläufe erinnern und diese Erinnerungen nutzen könnte, um bessere Lösungen zu finden? Genau das macht die BSA – sie schafft einen Ausgleich zwischen dem Entdecken von Neuem und dem Zurückgreifen auf das Bewährte. In diesem Artikel lüften wir die Geheimnisse des Algorithmus. Eine einfache Idee, wenige Parameter und ein zuverlässiges Ergebnis.

Entwicklung eines Python-Systems zur Wechselkursanalyse auf Basis der Kaufkraftparität (KKP). Der Autor entwickelte einen Algorithmus mit fünf Methoden zur Berechnung fairer Wechselkurse auf Basis von IWF-Daten. Ein praktischer Leitfaden zur fundamentalen Währungsanalyse, zur Auswertung wirtschaftlicher Daten und zur Integration in Handelssysteme. Der vollständige Code ist als Open Source verfügbar.