Artikel über Datenanalyse und Statistik in MQL5

Haben Sie sich jemals das Horoskop angesehen und das seltsame Gefühl gehabt, dass sich unter der Oberfläche ein Muster verbirgt? Ein Geheimcode, der Ihnen verrät, wohin sich die Preise entwickeln werden, wenn Sie ihn nur knacken könnten? Darf ich vorstellen: LGMM, Erkennen verborgener Muster im Markt. Ein maschinelles Lernmodell, das dabei hilft, diese verborgenen Muster im Markt zu erkennen.

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 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.

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 entwickeln wir ein Erkennungssystem für Change of Character (CHoCH) in MQL5, das hohe und tiefe Umkehrpunkte über eine nutzerdefinierte Balkenanzahl identifiziert, sie als HH/LH für Hochs oder LL/HL für Tiefs kennzeichnet, um die Trendrichtung zu bestimmen, und Handelsgeschäfte bei Durchbrüchen dieser Umkehrpunkte auslöst, was eine potenzielle Umkehr anzeigt, und die Durchbrüche handelt, wenn sich die Struktur ändert.

Heute konzentrieren wir uns auf die Verbesserung der Messaging-Schnittstelle des Kommunikationspanels, um sie an die Standards moderner, leistungsstarker Kommunikationsanwendungen anzupassen. Diese Verbesserung wird durch eine Aktualisierung der Klasse CommunicationsDialog erreicht. Begleiten Sie uns in diesem Artikel und in der Diskussion, wenn wir die wichtigsten Erkenntnisse erkunden und die nächsten Schritte bei der Weiterentwicklung der Schnittstellenprogrammierung mit MQL5 skizzieren.

In diesem Artikel entwickeln wir ein erweitertes Informations-Dashboard, das den vorigen Teil durch die Hinzufügung von verschiebbaren und minimierbaren Funktionen für eine verbesserte Nutzerinteraktion aufwertet, während die Echtzeitüberwachung von Multi-Symbol-Positionen und Kontometrien beibehalten wird.

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.