Artikel über Datenanalyse und Statistik in MQL5

Der Artikel zeigt, wie man SQLite (OLTP) mit DuckDB (OLAP) für die Datenverarbeitung im Bereich der statistischen Arbitrage kombinieren kann. Die spaltenorientierte Engine von DuckDB, ASOF JOIN und die Array-Funktionen beschleunigen Kernaufgaben wie die zeitliche Zuordnung von Kursen zu Trades sowie RWEC, wobei bei größeren Eingabedaten im Vergleich zu SQLite Geschwindigkeitssteigerungen von 2- bis 23-fach gemessen wurden. Das ermöglicht einfachere Abfragen und schnellere Analysen, während die Handelsausführung weiterhin in SQLite erfolgt.

Viele Menschen neigen dazu, SQL zu unterschätzen oder es gar nicht zu verwenden, weil sie nicht vollständig verstehen, wie es tatsächlich funktioniert. Wenn wir Abfragen an eine SQL-Datenbank richten, suchen wir nicht immer nach einer universellen Antwort; in einigen Fällen benötigen wir eine sehr spezifische und praktische Antwort. Wenn eine Datenbank mit einer geeigneten Struktur und einem geeigneten Datenmodell erstellt wird, kann fast jede Art von Information darin integriert werden.

Der Artikel diskutiert den Algorithmus der Extremaloptimierung (EO), eine Optimierungsmethode, die vom Bak-Sneppen-Modell der selbstorganisierten Kritikalität inspiriert ist, bei dem Evolution durch die Eliminierung der schlechtesten Komponenten des Systems erfolgt. Die modifizierte Populationsversion des Algorithmus zeigt eine Abkehr von theoretischen Prinzipien zugunsten praktischer Effizienz, was zur Schaffung leistungsfähiger Optimierungswerkzeuge führt.

In diesem Artikel wird ein interaktives MQL5-Diagramm zur Binomialverteilung erstellt, das ein Histogramm der simulierten Ergebnisse mit der theoretischen Wahrscheinlichkeitsfunktion (PMF) kombiniert. Es bietet Funktionen für Mittelwert, Standardabweichung, Schiefe, Kurtosis, Perzentile und Konfidenzintervalle, sowie konfigurierbare Farbschemata und Beschriftungen und unterstützt das Ziehen, die Größenänderung und Live-Parameteränderungen. Nutzen Sie es, um bei der Validierung von Handelsstrategien erwartete Gewinn-Trades, wahrscheinliche Drawdown-Phasen und Konfidenzbereiche zu bewerten.

In diesem Artikel haben wir DirectX-3D in den MQL5-Viewer für die Binomialverteilung integriert. Damit ermöglichen wir umschaltbare 2D-/3D-Modi mit kameragesteuerter Drehung, Zoom und automatischer Anpassung für eine anschaulichere Analyse. Wir stellen 3D-Histogrammbalken, Bodenebenen und Achsen neben der Kurve der theoretischen Wahrscheinlichkeitsmassfunktion dar und behalten dabei 2D-Elemente wie Statistikpanel, Legenden sowie anpassbare Designs, Farbverläufe und Beschriftungen bei.

Der Artikel präsentiert eine innovative Architektur für ein quantenneuronales Netz für den algorithmischen Handel, die die Prinzipien der Quantenmechanik mit modernen Methoden des maschinellen Lernens kombiniert. Das System umfasst Quanteneffekte (Resonanz, Interferenz, Dekohärenz), mehrstufiges Gedächtnis verschiedener Zeitskalen, Markov-Ketten mit der ALGLIB-Bibliothek und adaptive Parametersteuerung. Die vollständige Implementierung erfolgt in MQL5 unter Verwendung der integrierten Matrix-/Vektortypen, was Implementierungshürden in MetaTrader 5 beseitigt.

In diesem Artikel werden wir eine Reihe von Verbesserungen vornehmen, um sicherzustellen, dass der Positionsindikator den tatsächlichen Zustand auf dem Handelsserver in Bezug auf offene Positionen und ihren aktuellen Zustand genau widerspiegelt. Ich möchte darauf hinweisen, dass die hier gezeigten Anwendungen keineswegs dazu gedacht sind, eines der in MetaTrader 5 verfügbaren Elemente zu ersetzen. Sie sollten zudem nicht ohne die gebotene Vorsicht und ohne Augenmaß verwendet werden, da ihr Zweck darin besteht, Lehrcode bereitzustellen – also Code, der ausschließlich dazu dient, die Funktionsweise des Systems zu erlernen. Ich bezeichne diesen Code als „Lehrcode“, weil die Verwendung von Nachrichten in manchen Fällen nicht die beste Methode ist, um bestimmte Funktionen zu implementieren.

Ein populationsbasierter Optimierungsalgorithmus, der von einem umstrittenen und bislang kaum erforschten Phänomen inspiriert ist – dem Mechanismus menschlicher Träume. Agentengruppen mit unterschiedlichem „Gedächtnis“, Kosinusmodulation der Bewegung und einer ungewöhnlichen Phasenverteilung von 99/1 – erfahren Sie, wie sich diese Merkmale auf die Effizienz bei der Optimierung Ihrer Handelsstrategien auswirken.

Im vorherigen Artikel habe ich gezeigt, wie vorzugehen ist, um einen Abfragemechanismus hinzuzufügen. Dies war erforderlich, damit Sie innerhalb des MQL5-Codes SQL in vollem Umfang nutzen und Ergebnisse mithilfe einer SQL-SELECT-Abfrage abrufen können. Aber es gibt noch eine letzte Funktion, die wir implementieren müssen. Dabei handelt es sich um die Funktion DatabaseReadBind. Da ein korrektes Verständnis dieser Funktion eine etwas ausführlichere Erläuterung erfordert, wurde beschlossen, dieses Thema nicht im vorherigen Artikel, sondern im heutigen Artikel zu behandeln. Da das Thema also recht umfangreich ist, gehen wir direkt zum nächsten Abschnitt über.

Im heutigen Artikel beginnen wir, uns mit der Verwendung von SQL im MQL5-Code zu beschäftigen. Außerdem werden wir uns damit befassen, wie man eine Datenbank erstellt. Oder, genauer gesagt: wie man mithilfe der in MQL5 integrierten Funktionen eine SQLite-Datenbankdatei erstellt. Außerdem werden wir sehen, wie man eine Tabelle erstellt und anschließend mithilfe von Primär- und Fremdschlüsseln eine Beziehung zwischen Tabellen herstellt. All dies wird wiederum mit MQL5 umgesetzt. Wir werden sehen, wie einfach es ist, Code zu erstellen, der später auf andere SQL-Implementierungen migriert werden kann, indem wir eine Klasse verwenden, die dabei hilft, die jeweilige Implementierung zu verbergen. Und vor allem werden wir sehen, dass wir an verschiedenen Stellen mit dem Risiko konfrontiert sein können, dass bei der Verwendung von SQL etwas schiefgeht. Das liegt daran, dass SQL-Code im MQL5-Code immer in Form eines Strings platziert wird.