Artikel über die Automatisierung von Handelssystemen in MQL5

Breadth First Search (BFS) verwendet Level-Order-Traversierung, um die Marktstruktur als einen gerichteten Graphen von Swings zu modellieren, der sich im Zeitverlauf entwickelt. Durch die schichtweise Analyse historischer Bars oder Sitzungen priorisiert BFS das jüngste Kursverhalten und berücksichtigt gleichzeitig die historische Marktprägung.

In diesem Teil werden wir uns auf die Entwicklung einer intelligenten Ausführungsschicht konzentrieren, die die Spread-Bedingungen in Echtzeit über mehrere Symbole hinweg kontinuierlich überwacht und auswertet. Der EA passt seine Symbolauswahl dynamisch an, indem er den Handel auf der Grundlage der Spread-Effizienz und nicht nach festen Regeln aktiviert oder deaktiviert. Dieser Ansatz ermöglicht es Hochfrequenz-Multi-Pair-Systemen, kostengünstige Symbole zu priorisieren.

Heute decken wir die oft übersehene statistische Grundlage hinter den Handelsstrategien für Angebot und Nachfrage auf. Durch die Kombination von MQL5 mit Python über einen Jupyter-Notebook-Workflow führen wir eine strukturierte, datengesteuerte Untersuchung durch, die darauf abzielt, visuelle Marktannahmen in messbare Erkenntnisse zu verwandeln. Dieser Artikel behandelt den gesamten Forschungsprozess, einschließlich der Datenerfassung, der Python-basierten statistischen Analyse, des Algorithmusentwurfs, der Tests und der endgültigen Schlussfolgerungen. Um die Methodik und die Ergebnisse im Detail nachzuvollziehen, lesen Sie den vollständigen Artikel.

Eine empirische Studie von Larry Williams' kurzfristigen Handelsmustern, die zeigt, wie klassische Setups in MQL5 automatisiert, an realen Marktdaten getestet und auf Konsistenz, Rentabilität und praktischen Handelswert bewertet werden können.

In diesem Artikel verbessern wir das Canvas-basierte Kurs-Dashboard in MQL5, indem wir ein pixelgenaues, scrollbares Textpanel für Bedienhinweise hinzufügen und die Einschränkungen des nativen Scrollens mithilfe von benutzerdefiniertem Anti-Aliasing sowie einer abgerundeten, sich bei Hover verbreiternden Scrollleiste umgehen. Das Textpanel unterstützt themenabhängige Hintergründe mit einstellbarer Transparenz, dynamischen Zeilenumbruch für Inhalte wie Anleitungen und Kontaktinformationen sowie eine interaktive Navigation über Schaltflächen zum Hoch- und Herunterscrollen, Ziehen von Schiebereglern und Scrollen mit dem Mausrad innerhalb des Textpanels.

In diesem Artikel entwickeln wir in MQL5 ein Canvas-basiertes Kurs-Dashboard auf Basis der CCanvas-Klasse. Es erstellt interaktive Panels zur Visualisierung jüngster Kursverläufe und Kontostatistiken und unterstützt Hintergrundbilder, Nebeleffekte sowie Farbverlaufsfüllungen. Das System unterstützt das Verschieben und die Größenänderung per Mausereignisbehandlung sowie das Umschalten zwischen einem dunklen und einem hellen Design mit dynamischen Farbanpassungen sowie Bedienelemente zum Minimieren und Maximieren für eine effiziente Verwaltung des Charts.

Dieser Artikel befasst sich mit der Anwendung eines Break-Even-Mechanismus in automatisierten Strategien, die die Sprache MQL5 verwenden. Wir beginnen mit einer einfachen Erklärung, was der Break-Even-Modus ist, wie er umgesetzt wird und welche Varianten möglich sind. Als Nächstes wird diese Funktionalität in den Expert Advisor Order Blocks integriert, den wir in unserem letzten Artikel über Risikomanagement erstellt haben. Um seine Wirksamkeit zu bewerten, werden wir zwei Backtests unter bestimmten Bedingungen durchführen: einen mit und einen ohne Break-Even-Mechanismus.

Selbstlernende EA mit einem neuronalen Netz auf der Grundlage einer Zustandsmatrix. Wir kombinieren Markov-Ketten mit einem mehrschichtigen neuronalen Netz MLP, das mit der ALGLIB MQL5-Bibliothek entwickelt wurde. Wie können Markov-Ketten und neuronale Netze für Prognosen im Devisenhandel kombiniert werden?

Hidden-Markov-Modelle (HMMs) sind eine leistungsstarke Klasse probabilistischer Modelle, die für die Analyse sequenzieller Daten entwickelt wurden, bei denen beobachtete Ereignisse von einer Sequenz unbeobachteter (versteckter) Zustände abhängen, die einen Markov-Prozess bilden. Zu den wichtigsten Annahmen des HMM gehören die Markov-Eigenschaft für verborgene Zustände, was bedeutet, dass die Wahrscheinlichkeit des Übergangs zum nächsten Zustand nur vom aktuellen Zustand abhängt, und die Unabhängigkeit der Beobachtungen bei Kenntnis des aktuellen verborgenen Zustands.

Computer Vision für den Handel: Wie es funktioniert und wie man es Schritt für Schritt entwickelt. Wir entwickeln einen Algorithmus zur Erkennung von RGB-Bildern von Kurscharts unter Verwendung des Aufmerksamkeitsmechanismus und einer bidirektionalen LSTM-Schicht. Als Ergebnis erhalten wir ein funktionierendes Modell für die Vorhersage des EURUSD-Kurses mit einer Genauigkeit von bis zu 55 % im Validierungsteil.

Die Vorhersage der Bewegungen von Währungspaaren ist ein wichtiger Faktor für den Handelserfolg. Dieser Artikel befasst sich mit verschiedenen Kursbewegungsmodellen, analysiert ihre Vor- und Nachteile und untersucht ihre praktische Anwendung in Handelsstrategien. Wir werden uns mit Ansätzen beschäftigen, die es uns ermöglichen, verborgene Muster zu erkennen und die Genauigkeit der Prognosen zu verbessern.

Wir entwickeln einen adaptiven, selbstlernenden Expert Advisor für den algorithmischen Handel, der auf Deep-Q-Learning (DQN) mit mehrdimensionaler kausaler Inferenz basiert. Der EA kann erfolgreich mit 7 Währungspaaren gleichzeitig handeln, und die Agenten verschiedener Paare tauschen untereinander Informationen aus.

In diesem Artikel wird die Entwicklung eines Arbitrage-Analyse-Panels in MQL5 vorgestellt. Wie kann man auf verschiedene Weise faire Devisenkurse auf dem Forex erhalten? Erstellung eines Indikators zur Ermittlung von Abweichungen der Marktpreise von den fairen Wechselkursen sowie zur Bewertung der Vorteile von Arbitragemöglichkeiten beim Umtausch einer Währung in eine andere (wie bei der Dreiecksarbitrage).

Der Artikel stellt eine neue metaheuristische Methode vor, die auf einem fraktalen Ansatz zur Partitionierung des Suchraums für die Lösung von Optimierungsproblemen basiert. Der Algorithmus identifiziert nacheinander vielversprechende Bereiche und trennt sie voneinander ab, wodurch eine selbstähnliche fraktale Struktur entsteht, die die Rechenressourcen auf die vielversprechendsten Bereiche konzentriert. Ein einzigartiger Mutationsmechanismus, der auf bessere Lösungen abzielt, sorgt für ein optimales Gleichgewicht zwischen globaler Erkundung und lokaler Nutzung des Suchraums, wodurch die Effizienz des Algorithmus erheblich gesteigert wird.

Hierbei handelt es sich um einen verbesserten chaotischen Optimierungsalgorithmus (COA), der die Effekte des Chaos mit adaptiven Suchmechanismen kombiniert. Der Algorithmus verwendet eine Reihe von chaotischen Abbildungen und Trägheitskomponenten, um den Suchraum zu erkunden. Der Artikel erläutert die theoretischen Grundlagen chaotischer Verfahren zur Finanzoptimierung.

Das CATCH-Framework kombiniert Fourier-Transformation und Frequenz-Patching, um Marktanomalien genau zu erkennen, die mit herkömmlichen Methoden kaum oder gar nicht erkannt werden können. Im Folgenden untersuchen wir, wie dieser Ansatz verborgene Muster in Finanzdaten aufdeckt.

Bevor wir mit der Entwicklung von Mehrwährungs-EAs fortfahren, wollen wir versuchen, ein neues Projekt mit der entwickelten Bibliothek zu erstellen. In diesem Beispiel wird gezeigt, wie man die Speicherung von Quellcode am besten organisiert und wie das neue Code-Repository von MetaQuotes uns dabei helfen kann.

Wir arbeiten weiter an der Entwicklung der Algorithmen, die dem DADA-Framework zugrunde liegen, ein fortschrittliches Instrument zur Erkennung von Anomalien in Zeitreihen. Dieser Ansatz ermöglicht eine zuverlässige Unterscheidung zwischen zufälligen Schwankungen und signifikanten Abweichungen. Im Gegensatz zu klassischen Methoden passt sich DADA dynamisch an verschiedene Datentypen an und wählt die jeweils optimale Komprimierungsstufe.

Wir laden Sie ein, sich mit dem DADA-Framework vertraut zu machen, das eine innovative Methode zur Erkennung von Anomalien in Zeitreihen darstellt. Es hilft, zufällige Schwankungen von verdächtigen Abweichungen zu unterscheiden. Im Gegensatz zu herkömmlichen Methoden ist DADA flexibel und passt sich an unterschiedliche Daten an. Anstelle einer festen Komprimierungsstufe werden mehrere Optionen verwendet und die jeweils am besten geeignete ausgewählt.

In diesem Artikel werden wir untersuchen, was Pair-Trading ist und wie der Korrelationshandel funktioniert. Wir werden auch einen EA für die Automatisierung des Pair-Tradings erstellen und die Fähigkeit hinzufügen, diesen Handelsalgorithmus automatisch auf der Grundlage historischer Daten zu optimieren. Darüber hinaus werden wir im Rahmen des Projekts lernen, wie man mithilfe des Z-Scores die Abweichung zwischen zwei Paaren berechnet.

Wir implementieren weiterhin die von den Autoren des DUET-Frameworks vorgeschlagenen Ansätze, die einen innovativen Ansatz zur Analyse von Zeitreihen bieten, indem sie zeitliches und kanalbasiertes Clustering kombinieren, um versteckte Muster in den analysierten Daten aufzudecken.

Das DUET-Framework bietet einen innovativen Ansatz für die Zeitreihenanalyse, der temporales und kanalbasiertes Clustering kombiniert, um verborgene Muster in den analysierten Daten aufzudecken. Auf diese Weise können sich die Modelle an Veränderungen im Laufe der Zeit anpassen und die Qualität der Vorhersagen durch Reduktion von Rauschen verbessern.

In diesem Artikel werden wir das in früheren Veröffentlichungen entwickelte Risikomanagementsystem implementieren und den in anderen Artikeln beschriebenen Order-Block-Indikator hinzufügen. Darüber hinaus werden wir einen Backtest durchführen, um die Ergebnisse mit dem aktivierten Risikomanagementsystem zu vergleichen und die Auswirkungen des dynamischen Risikos zu bewerten.

Wir fahren fort, die von den Autoren des Attraos-Frameworks vorgeschlagenen Methoden in Handelsmodelle zu integrieren. Ich möchte Sie daran erinnern, dass dieses Framework Konzepte der Chaostheorie verwendet, um Probleme der Zeitreihenprognose zu lösen, indem es sie als Projektionen mehrdimensionaler chaotischer dynamischer Systeme interpretiert.

Dies ist Teil 4 unserer Serie über Risikomanagement in MQL5, in der wir fortgeschrittene Methoden zum Schutz und zur Optimierung von Handelsstrategien erforschen. Nachdem wir in früheren Artikeln wichtige Grundlagen gelegt haben, werden wir uns nun darauf konzentrieren, alle verbleibenden, in Teil 3 verschobenen Methoden zu vervollständigen, einschließlich der Funktionen zur Überprüfung, ob bestimmte Gewinn- oder Verlustniveaus erreicht wurden. Ferner werden wir neue Schlüsselereignisse einführen, die ein genaueres und flexibleres Risikomanagement ermöglichen.

Das Attraos-Framework integriert die Chaostheorie in die langfristige Zeitreihenprognose und behandelt sie als Projektionen mehrdimensionaler chaotischer dynamischer Systeme. Unter Ausnutzung der Attraktorinvarianz nutzt das Modell die Phasenraumrekonstruktion und das dynamische Speicher-Modul mit mehreren Auflösungsebenen, um historische Strukturen zu erhalten.

In diesem Artikel werden wir uns mit den Besonderheiten der Anwendung einiger Trendkriterien in der Praxis befassen. Wir werden auch versuchen, mehrere neue Kriterien zu entwickeln. Der Schwerpunkt wird auf der Effizienz der Anwendung dieser Kriterien auf die Analyse von Marktdaten und den Handel liegen.

Dieser Artikel befasst sich mit der Entwicklung einer algorithmischen Handelsstrategie für den EURUSD-Markt, die die Bollinger-Bänder und den Relative Strength Indicator (RSI) kombiniert. Die ersten regelbasierten Strategien lieferten zwar hochwertige Signale, litten aber unter einer geringen Handelsfrequenz und begrenzter Rentabilität. Mehrere Iterationen der Strategie wurden evaluiert, wobei sich herausstellte, dass unser Verständnis des Marktes unzureichend war, das Rauschen zunahm und die Leistung sich verschlechterte. Durch den angemessenen Einsatz statistischer Lernalgorithmen, die Verlagerung des Modellierungsziels auf technische Indikatoren, die Anwendung einer angemessenen Skalierung und die Kombination von maschinellen Lernprognosen mit klassischen Handelsregeln erzielte die endgültige Strategie eine deutlich verbesserte Rentabilität und Handelshäufigkeit bei gleichzeitig akzeptabler Signalqualität.

In diesem Artikel wird eine Methode untersucht, die Heikin-Ashi-Glättung mit EMA20-Hoch- und -Tiefgrenzen und einem EMA50-Trendfilter kombiniert, um die Klarheit und das Timing des Handels zu verbessern. Es wird aufgezeigt, wie diese Tools Händlern dabei helfen können, echte Impulse zu erkennen, Rauschen herauszufiltern und sich besser auf volatilen Märkten oder in Trends zurechtzufinden.

Dies ist ein spezieller Trendfolge-EA, der sowohl kurz- als auch langfristige Analysen, Handelsentscheidungen und Ausführungen auf der Grundlage des Gesamttrends und seiner Stärke vornimmt. In diesem Artikel wird ein EA ausführlich vorgestellt, der speziell für Trader entwickelt wurde, die geduldig, diszipliniert und zielstrebig genug sind, um Trades nur dann auszuführen und ihre Positionen nur dann zu halten, wenn sie mit starker Marktdynamik und in Trendrichtung handeln, ohne ihre Ausrichtung häufig zu ändern – insbesondere nicht gegen den Trend –, bis die Gewinnziele erreicht sind.