Artikel über Datenanalyse und Statistik in MQL5

Die Suche nach neuronaler Architektur, ein automatischer Ansatz zur Bestimmung der idealen Einstellungen für neuronale Netze, kann bei vielen Optionen und großen Testdatensätzen von Vorteil sein. Wir untersuchen, wie dieser Prozess bei gepaarten Eigenvektoren noch effizienter gestaltet werden kann.

In diesem Artikel machen wir uns mit dem Algorithmus Anarchic Society Optimization (Anarchischen Gesellschaftsoptimierung, ASO) vertraut und erörtern, wie ein Algorithmus, der auf dem irrationalen und abenteuerlichen Verhalten von Teilnehmern in einer anarchischen Gesellschaft (einem anomalen System sozialer Interaktion, das frei von zentraler Macht und verschiedenen Arten von Hierarchien ist) basiert, in der Lage ist, den Lösungsraum zu erkunden und die Fallen des lokalen Optimums zu vermeiden. Der Artikel stellt eine einheitliche ASO-Struktur vor, die sowohl auf kontinuierliche als auch auf diskrete Probleme anwendbar ist.

Die Support-Vektor-Regression ist eine idealistische Methode, um eine Funktion oder „Hyperebene“ zu finden, die die Beziehung zwischen zwei Datensätzen am besten beschreibt. Wir versuchen, dies bei der Zeitreihenprognose innerhalb der nutzerdefinierten Klassen des MQL5-Assistenten auszunutzen.

In dieser Diskussion gehen wir einen Schritt weiter, um die zugrundeliegende Preisaktion aufzudecken, die in den Dochten der Kerzen versteckt ist. Durch die Integration einer Docht-Visualisierungsfunktion in den Market Periods Synchronizer verbessern wir das Tool mit größerer analytischer Tiefe und Interaktivität. Dieses aktualisierte System ermöglicht es Händlern, Preisverwerfungen auf höheren Zeitrahmen direkt auf Charts mit niedrigerem Zeitrahmen zu visualisieren und so detaillierte Strukturen zu erkennen, die früher im Schatten verborgen waren.

Jede Marktperiode hat einen Anfang und ein Ende und schließt jeweils mit einem Preis, der die Stimmung definiert – ähnlich wie bei Kerzen. Anhand dieser Bezugspunkte können wir die vorherrschende Marktstimmung einschätzen und erkennen, ob Auf- oder Abwärtskräfte die Kontrolle haben. In dieser Diskussion machen wir einen wichtigen Schritt nach vorn, indem wir eine neue Funktion innerhalb des Market Periods Synchronizer entwickeln – eine Funktion, die Forex-Marktsitzungen visualisiert, um fundiertere Handelsentscheidungen zu unterstützen. Dieses Tool kann besonders hilfreich sein, um in Echtzeit festzustellen, welche Seite – Bullen oder Bären – die Sitzung dominiert. Erforschen wir dieses Konzept und entdecken wir die Erkenntnisse, die es bietet.

In diesem Artikel werden wir uns ansehen, was mit ein wenig Code-Verfeinerung erreicht werden kann. Diese Verfeinerung zielt darauf ab, unseren Code zu vereinfachen, mehr Gebrauch von MQL5-Bibliotheksaufrufen zu machen und ihn vor allem viel stabiler, sicherer und einfacher in anderen Projekten zu verwenden, die wir in Zukunft entwickeln werden.

In diesem Artikel setzen wir unsere Erforschung der Erstellung eines Ensembles von Handelsstrategien und der Verwendung des MT5 genetischen Optimierers zur Abstimmung der Strategieparameter fort. Heute haben wir die Daten in Python analysiert. Dabei hat sich gezeigt, dass unser Modell besser vorhersagen kann, welche Strategie besser abschneiden wird, und eine höhere Genauigkeit erreicht als die direkte Vorhersage der Marktrenditen. Als wir unsere Anwendung jedoch mit ihren statistischen Modellen testeten, fielen unsere Leistungswerte drastisch ab. In der Folge stellten wir fest, dass der genetische Optimierer leider stark korrelierte Strategien bevorzugte, was uns dazu veranlasste, unsere Methode zu überarbeiten, um die Stimmgewichte fest zu halten und die Optimierung stattdessen auf Indikatoreinstellungen zu konzentrieren.