Artikel über Datenanalyse und Statistik in MQL5

Ich stelle Ihnen meinen neuen Algorithmus zur Populationsoptimierung vor – Blood Inheritance Optimization (BIO), inspiriert durch das menschliche Blutgruppenvererbungssystem. Bei diesem Algorithmus hat jede Lösung ihre eigene „Blutgruppe“, die bestimmt, wie sie sich weiterentwickelt. Wie in der Natur, wo die Blutgruppe eines Kindes nach bestimmten Regeln vererbt wird, erhalten neue Lösungen in BIO ihre Eigenschaften durch ein System von Vererbung und Mutationen.

In diesem Artikel beginnen wir mit der Erstellung der Klasse C_Orders, um Aufträge an den Handelsserver senden zu können. Wir werden dies nach und nach tun, denn unser Ziel ist es, im Detail zu erklären, wie dies über das Nachrichtensystem geschehen wird.

Der heutige Artikel ist eine Fortsetzung des vorangegangenen Artikels. Wir werden uns die Implementierung eines Expert Advisors ansehen und uns dabei vor allem darauf konzentrieren, wie der Servercode ausgeführt wird. Der im vorigen Artikel beschriebene Code reicht nicht aus, damit alles wie erwartet funktioniert. Daher ist es notwendig, beide Artikel zu lesen, um besser zu verstehen, was passieren wird.

Wir werden ein biologisch korrektes System von Neuronen für die Vorhersage von Zeitreihen aufbauen. Die Einführung einer plasmaähnlichen Umgebung in die Architektur des neuronalen Netzes schafft eine Art „kollektive Intelligenz“, bei der jedes Neuron den Betrieb des Systems nicht nur durch direkte Verbindungen, sondern auch durch weitreichende elektromagnetische Wechselwirkungen beeinflusst. Mal sehen, wie sich das neuronale Gehirnmodellierungssystem auf dem Markt schlagen wird.

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?

Der Artikel stellt den dialektischen Algorithmus (DA) vor, eine neue globale Optimierungsmethode, die vom philosophischen Konzept der Dialektik inspiriert ist. Der Algorithmus macht sich eine einzigartige Aufteilung der Bevölkerung in spekulative und praktische Denker (thinker) zunutze. Tests zeigen eine beeindruckende Leistung von bis zu 98 % bei niedrigdimensionalen Problemen und eine Gesamteffizienz von 57,95 %. Der Artikel erläutert diese Metriken und präsentiert eine detaillierte Beschreibung des Algorithmus sowie die Ergebnisse von Experimenten mit verschiedenen Arten von Funktionen.

In diesem Artikel prognostizieren wir die zukünftige extreme Volatilität anhand einer binären Klassifizierung. Außerdem werden wir mit Hilfe von maschinellem Lernen einen Indikator für extreme Volatilität entwickeln.

Dieser Artikel richtet sich an algorithmische Händler, quantitative Analysten und MQL5-Entwickler, die ihr Verständnis für die Erkennung von Kerzenmustern durch praktische Umsetzung verbessern möchten. Es bietet eine eingehende Untersuchung des CandlePatternSearch.mq5 Expert Advisor – ein komplettes Framework zur Erkennung, Visualisierung und Überwachung klassischer Kerzenmuster in MetaTrader 5. Neben einer Zeile-für-Zeile-Überprüfung des Codes erörtert der Artikel die Architektur, die Logik zur Mustererkennung, die Integration in die grafische Nutzeroberfläche und die Warnmechanismen und zeigt, wie die traditionelle Preis-Aktions-Analyse effizient automatisiert werden kann.

Erfahren Sie, wie Sie mit WebRequest und externen API-Aufrufen aktuelle Kerzendaten abrufen, jeden Wert in einen verwendbaren Typ umwandeln und die Informationen übersichtlich in einem Tabellenformat speichern können. Dieser Schritt bildet die Grundlage für die Erstellung eines Indikators, der die Daten im Kerzenformat visualisiert.

In diesem faszinierenden Artikel bauen wir unseren allerersten Handelsroboter im Simulator auf und führen eine Strategietest-Aktion durch, die der Funktionsweise des MetaTrader 5-Strategietesters ähnelt. Anschließend vergleichen wir die Ergebnisse einer nutzerdefinierten Simulation mit unserem bevorzugten Terminal.

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 stellen wir eine MQL5-Bibliothek für die Modellierung von Volatilität vor, die ähnlich wie das Arch-Paket von Python funktioniert. Die Bibliothek unterstützt derzeit die Spezifikation gängiger bedingter Mittelwert- (HAR, AR, Constant Mean, Zero Mean) und bedingter Volatilitätsmodelle (Constant Variance, ARCH, GARCH).

In diesem Artikel entwickeln wir einen RSI-Indikator in MQL5, der die Werte des Relative-Strength-Index auf einer kreisförmigen Skalierung mit einer dynamischen Nadel, farbcodierten Bereichen für überkaufte und überverkaufte Niveaus und einer anpassbaren Legende visualisiert. Wir verwenden die Canvas-Klasse zum Zeichnen von Elementen wie Bögen, Skalenstrichen und Tortendiagrammen, um eine reibungslose Aktualisierung bei neuen RSI-Daten zu gewährleisten.

In diesem Artikel bauen wir ein Korrelationsmatrix-Dashboard in MQL5 auf, um die Beziehungen zwischen den Vermögenswerten mit den Methoden von Pearson, Spearman und Kendall über einen bestimmten Zeitraum und Balken zu berechnen. Das System bietet einen Standardmodus mit farbigen Schwellenwerten und p-Wert-Sternen sowie einen Heatmap-Modus mit Farbverlaufsdarstellungen für Korrelationsstärken. Es enthält eine interaktive Nutzeroberfläche mit Zeitrahmenauswahl, Modusumschaltungen und einer dynamischen Legende zur effizienten Analyse von Symbolinterdependenzen.

Eine empirische Untersuchung des Konzepts „Trade Day of the Week“ von Larry Williams, die zeigt, wie zeitbasierte Marktverzerrungen mit MQL5 gemessen, getestet und angewendet werden können. In diesem Artikel wird ein praktischer Rahmen für die Analyse von Gewinnquoten und Performance über Handelstage hinweg vorgestellt, um kurzfristige Handelssysteme zu verbessern.

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.

Wie verwendet man Renko-Bars mit KI? Schauen wir uns den Renko-Handel im Forex-Markt mit einer Prognosegenauigkeit von bis zu 59,27 % an. Wir werden die Vorteile von Renko-Bars zum Herausfiltern von Marktrauschen untersuchen, erfahren, warum das Volumen wichtiger ist als die Kursmuster, und wie man die optimale Renko-Blockgröße für EURUSD festlegt. Dies ist eine Schritt-für-Schritt-Anleitung zur Integration von CatBoost, Python und MetaTrader 5, um Ihr eigenes Renko Forex-Prognosesystem zu erstellen. Es ist ideal für Händler, die über die traditionelle technische Analyse hinausgehen wollen.

In diesem Artikel verbessern wir den Indikator Smart WaveTrend Crossover in MQL5 durch die Integration von Canvas-basiertem Zeichnen für Überlagerung mit Nebelverläufen, Signalkästchen, die Ausbrüche erkennen, und anpassbaren Kauf-/Verkaufsblasen oder Dreiecken für visuelle Warnungen. Wir integrieren Funktionen für das Risikomanagement mit dynamischen Take-Profit- und Stop-Loss-Niveaus, die über Kerzenmultiplikatoren oder Prozentsätze berechnet und in Form von Linien und einer Tabelle angezeigt werden, sowie Optionen für Trendfilterung und Box-Erweiterungen.

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 sind kurz davor, diese Herausforderung abzuschließen. Bevor wir jedoch beginnen, möchte ich, dass Sie versuchen, diese beiden Artikel zu verstehen – diesen und den vorherigen. Auf diese Weise werden Sie den nächsten Artikel wirklich verstehen, in dem ich ausschließlich den Teil behandeln werde, der mit der MQL5-Programmierung zusammenhängt. Aber ich werde auch versuchen, es verständlich zu machen. Wenn Sie diese beiden letzten Artikel nicht verstehen, wird es Ihnen schwer fallen, den nächsten zu verstehen, denn der Stoff häuft sich. Je mehr Dinge es zu tun gibt, desto mehr muss man schaffen und verstehen, um das Ziel zu erreichen.

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).

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.

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.