Artikel über die Automatisierung von Handelssystemen in MQL5

Der FrAMA-Indikator und der Force Index Oscillator sind Trend- und Volumeninstrumente, die bei der Entwicklung eines Expert Advisors kombiniert werden können. Wir knüpfen an unseren letzten Artikel an, in dem dieses Paar vorgestellt wurde, und betrachten die Anwendbarkeit des maschinellen Lernens auf dieses Paar. Wir verwenden ein neuronales Faltungsnetzwerk, das den Punkt-Produkt-Kernel bei der Erstellung von Prognosen mit den Eingaben dieser Indikatoren verwendet. Dies geschieht in einer nutzerdefinierten Signalklassendatei, 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.

Obwohl die Module bereits ordnungsgemäß miteinander interagieren, tritt ein Fehler auf, wenn versucht wird, den Mauszeiger im Wiedergabedienst zu verwenden. Wir müssen dies beheben, bevor wir zum nächsten Schritt übergehen. Außerdem werden wir ein Problem im Code des Mausindikators beheben. Diese Version wird also endlich stabil und ordentlich poliert sein.

In diesem Artikel erfahren Sie, wie Sie einen Expert Advisor erstellen, der auf dem Chart eingezeichnete Unterstützungs- und Widerstandszonen erkennt und darauf basierend automatisch Handelsgeschäfte ausführt.

Der Stochastik-Oszillator und der Fractal Adaptive Moving Average sind ein Indikatorpaar, das aufgrund seiner Fähigkeit, sich gegenseitig zu ergänzen, in einem MQL5 Expert Advisor verwendet werden kann. Wir haben diese Paarung im letzten Artikel vorgestellt und wollen nun abschließend ihre 5 letzten Signalmuster betrachten. Dabei verwenden wir wie immer den MQL5-Assistenten, um deren Potenzial zu erkunden und zu testen.

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.

Wenn wir die unterschiedlichen Ideen richtig verstehen, können wir mit weniger Aufwand mehr erreichen. In diesem Artikel sehen wir uns an, warum es notwendig ist, eine Vorlage zu konfigurieren, bevor der Dienst mit dem Chart interagieren kann. Und was wäre, wenn wir den Mauszeiger verbessern würden, damit wir mehr damit machen können?

In diesem Artikel geht es um Algorithmen für die Verwendung von Aufmerksamkeitsmethoden zur Lösung von Problemen bei der Erkennung von Objekten in einer Punktwolke. Die Erkennung von Objekten in Punktwolken ist für viele reale Anwendungen wichtig.

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.

Schließlich beginnt unser Indikator Chart Trade mit dem EA zu interagieren, sodass die Informationen interaktiv übertragen werden können. Daher werden wir in diesem Artikel den Indikator verbessern, sodass er funktional genug ist, um zusammen mit jedem EA verwendet zu werden. Dadurch können wir auf den Indikator Chart Trade zugreifen und mit ihm arbeiten, als ob er tatsächlich mit einem EA verbunden wäre. Aber wir werden es auf eine viel interessantere Weise tun als bisher.

Wir haben eine Pipline für eine robuste Eigenschaftsentwicklung entwickelt, die geeignete tick-basierte Balken verwendet, um Datenverluste zu vermeiden, und das kritische Problem der Kennzeichnung der meta-gekennzeichneten Signale des Triple-Barrier gelöst. Dieser Teil behandelt die fortgeschrittene Technik der Kennzeichnung, dem Trend-Scanning, für adaptive Horizonte. Nach der Erläuterung der Theorie wird anhand eines Beispiels gezeigt, wie Kennzeichnungen des Trend-Scanning mit Meta-Kennzeichen verwendet werden können, um die klassische Kreuzungsstrategie mit gleitendem Durchschnitt zu verbessern.

Dieser Artikel ist der erste Teil einer zweiteiligen Serie, die praktische Fähigkeiten und Best Practices für das Schreiben von nutzerdefinierten Indikatoren in MQL5 vermitteln soll. Anhand des Heikin Ashi als Arbeitsbeispiel untersucht der Artikel die Theorie hinter den Heikin Ashi-Charts, erklärt, wie Heikin Ashi-Kerzen berechnet werden, und demonstriert ihre Anwendung in der technischen Analyse. Das Herzstück ist eine schrittweise Anleitung zur Entwicklung eines voll funktionsfähigen Heikin Ashi-Indikators von Grund auf, mit klaren Erklärungen, die dem Leser helfen zu verstehen, was zu programmieren ist und warum. Dieses Grundwissen bildet die Grundlage für den zweiten Teil, in dem wir einen Expert Advisor erstellen werden, der auf der Grundlage der Heikin Ashi-Logik handelt.

In Teil 38 bauen wir ein produktionsreifes MT5-Überwachungspanel, das rohe Ticks in umsetzbare Signale umwandelt. Der EA puffert Tick-Daten, um VWAP auf Tick-Ebene, eine Ungleichgewichtsmetrik (Flow) in einen kurzzeitigen Fenster und ATR-basierte Positionsgrößen zu berechnen. Anschließend werden Spread, ATR und Flow mit flimmerarmen Balken visualisiert. Das System berechnet eine vorgeschlagene Losgröße und einen 1R-Stopp und gibt konfigurierbare Warnungen bei engen Spreads, starkem Flow und Randbedingungen aus. Der automatische Handel ist absichtlich deaktiviert; der Schwerpunkt liegt weiterhin auf einer robusten Signalgenerierung und einer sauberen Nutzererfahrung.

Für viele Händler ist es ein vertrauter Schmerzpunkt: zu sehen, wie ein Handel bis auf einen Hauch an Ihr Gewinnziel herankommt, nur um dann umzukehren und ihren Stop-Loss zu treffen. Oder noch schlimmer: Sie sehen, dass ein Trailing-Stop Sie an der Gewinnschwelle stoppt, bevor der Markt auf Ihr ursprüngliches Ziel zusteuert. Dieser Artikel befasst sich mit dem Einsatz mehrerer Einstiege zu unterschiedlichen Rendite-Risiko-Verhältnissen, um systematisch Gewinne zu sichern und das Gesamtrisiko zu reduzieren.

Heute beginnen wir mit der zweiten Phase, in der wir uns mit dem Replay-/Simulationssystem beschäftigen werden. Zunächst zeigen wir eine mögliche Lösung für Kreuzaufträge. Ich werde Ihnen die Lösung zeigen, aber sie ist noch nicht endgültig. Es wird eine mögliche Lösung für ein Problem sein, das wir in naher Zukunft lösen müssen.

Das EURUSD-Prognosesystem mit Hilfe von Computer Vision und Deep Learning. Erfahren Sie, wie Faltungsneuronale Netze komplexe Kursmuster auf dem Devisenmarkt erkennen und Wechselkursbewegungen mit einer Genauigkeit von bis zu 54 % vorhersagen können. Der Artikel beschreibt die Methodik zur Entwicklung eines Algorithmus, der Technologien der künstlichen Intelligenz für die visuelle Analyse von Charts anstelle von traditionellen technischen Indikatoren verwendet. Der Autor demonstriert den Prozess der Umwandlung von Preisdaten in „Bilder“, ihre Verarbeitung durch ein neuronales Netz und die einzigartige Möglichkeit, anhand von Aktivierungskarten und Aufmerksamkeits-Heatmaps einen Blick in das „Bewusstsein“ der KI zu werfen. Praktischer Python-Code, der die MetaTrader 5-Bibliothek nutzt, ermöglicht es den Lesern, das System zu reproduzieren und für den eigenen Handel anzuwenden.

In diesem Artikel entwickeln wir ein 3 Drives Pattern System in MQL5, das steigende und fallende harmonische Muster der 3 Drives mit Umkehrpunkten und Fibonacci-Verhältnissen 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.

Wir laden Sie ein, sich mit der NAFS-Methode (Node-Adaptive Feature Smoothing) vertraut zu machen, einem nicht-parametrischen Ansatz zur Erstellung von Knotenrepräsentationen, der kein Parametertraining erfordert. NAFS extrahiert Merkmale jedes Knotens anhand seiner Nachbarn und kombiniert diese Merkmale dann adaptiv, um eine endgültige Darstellung zu erstellen.

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.

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.

In diesem Artikel werden wir die Dinge ein wenig komplizierter machen. Anhand der in den vorangegangenen Artikeln gezeigten Vorgehensweise werden wir die Vorlagendatei öffnen, damit der Nutzer seine eigene Vorlage verwenden kann. Ich werde jedoch nach und nach Änderungen vornehmen, da ich auch den Indikator verfeinern werde, um die Belastung des MetaTrader 5 zu verringern.

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.

Die Marktstimmung ist eine der am meisten übersehenen, aber dennoch mächtigen Kräfte, die die Kursentwicklung beeinflussen. Während sich die meisten Händler auf nachlaufende Indikatoren oder Vermutungen verlassen, verwandelt der Sentiment Tilt Meter (STM) EA rohe Marktdaten in klare, visuelle Hinweise, die in Echtzeit anzeigen, ob der Markt nach oben oder unten tendiert oder neutral bleibt. Dies erleichtert die Bestätigung von Geschäften, die Vermeidung von Fehleinstiegen und eine bessere Zeitplanung der Marktteilnahme.

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.

In diesem Artikel wird eine Methode zur Analyse komplexer multimodaler Interaktionen und zum Verstehen von Merkmalen erörtert.

In diesem Artikel verbessern wir den MQL5-Wirtschaftskalender, indem wir ein bewegliches Dashboard einführen, mit dem wir die Schnittstelle für eine bessere Sichtbarkeit der Charts neu positionieren können. Wir implementieren Hover-Effekte für Schaltflächen, um die Interaktivität zu verbessern und eine nahtlose Navigation mit einer dynamisch positionierten Bildlaufleiste zu gewährleisten.

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.

In diesem Artikel wird die einzigartige Identität der einzelnen Währungspaare anhand ihrer historischen Kursentwicklung untersucht. Inspiriert vom Konzept der genetischen DNA, die den individuellen Bauplan eines jeden Lebewesens kodiert, wenden wir einen ähnlichen Rahmen auf die Märkte an, indem wir die Kursentwicklung als „DNA“ eines jeden Paares betrachten. Durch die Aufschlüsselung struktureller Verhaltensweisen wie Volatilität, Schwankungen, Rückschritte, Ausschläge und Sitzungsmerkmale zeigt das Tool das zugrunde liegende Profil, das ein Paar von einem anderen unterscheidet. Dieser Ansatz bietet einen tieferen Einblick in das Marktverhalten und gibt Händlern eine strukturierte Methode an die Hand, um ihre Strategien auf die natürlichen Tendenzen der einzelnen Instrumente abzustimmen.

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.

In diesem Artikel wird ein VWMA-Crossover-Signal für den MetaTrader 5 vorgestellt, das Händlern helfen soll, potenzielle Aufwärts- und Abwärtsbewegungen zu erkennen, indem es Preisbewegungen mit dem Handelsvolumen kombiniert. Der EA generiert klare Kauf- und Verkaufssignale direkt auf dem Chart, verfügt über ein informatives Panel und lässt sich vollständig an den Nutzer anpassen, was ihn zu einer praktischen Ergänzung Ihrer Handelsstrategie macht.