Artikel über die Automatisierung von Handelssystemen in MQL5

Die Lernrate ist eine Schrittgröße in Richtung eines Trainingsziels in den Trainingsprozessen vieler maschineller Lernalgorithmen. Wir untersuchen die Auswirkungen, die die vielen Zeitpläne und Formate auf die Leistung eines Generative Adversarial Network haben können, eine Art neuronales Netz, das wir in einem früheren Artikel untersucht haben.

In unserer Serie über die Integration von MQL5 mit Datenverarbeitungspaketen befassen wir uns mit der leistungsstarken Kombination aus maschinellem Lernen und prädiktiver Analyse. Wir werden untersuchen, wie MQL5 nahtlos mit gängigen Bibliotheken für maschinelles Lernen verbunden werden kann, um anspruchsvolle Vorhersagemodelle für Finanzmärkte zu ermöglichen.

In diesem Artikel erstellen wir ein Zone Recovery RSI EA System in MQL5, das RSI-Signale verwendet, um Handelsgeschäfte auszulösen und eine Recovery-Strategie, um auf Verluste zu reagieren. Wir implementieren die Klasse „ZoneRecovery“ zur Automatisierung von Handelseinträgen, Erholungslogik und Positionsmanagement. Der Artikel schließt mit Erkenntnissen zu den Backtests, um die Leistung zu optimieren und die Effektivität des EA zu erhöhen.

In den vorangegangenen Teilen konnte der in Entwicklung befindliche Expert Advisor (EA) nur eine feste Positionsgröße für den Handel verwenden. Dies ist für Testzwecke akzeptabel, aber für den Handel mit einem echten Konto nicht ratsam. Lassen Sie uns den Handel mit variablen Positionsgrößen ermöglichen.

Der Kalman-Filter ist ein rekursiver Algorithmus, der im algorithmischen Handel verwendet wird, um den wahren Zustand einer Finanzzeitreihe durch Herausfiltern von Rauschen aus den Preisbewegungen zu schätzen. Er aktualisiert die Vorhersagen dynamisch auf der Grundlage neuer Marktdaten, was ihn für adaptive Strategien wie Mean Reversion wertvoll macht. In diesem Artikel wird zunächst der Kalman-Filter vorgestellt und seine Berechnung und Anwendung erläutert. Als nächstes wenden wir den Filter auf eine klassische Devisenstrategie, der Rückkehr zur Mitte, als Beispiel an. Schließlich führen wir verschiedene statistische Analysen durch, indem wir den Filter mit einem gleitenden Durchschnitt für verschiedene Devisenpaare vergleichen.

Die Erkennung von Mustern auf den Finanzmärkten ist eine Herausforderung, denn dazu muss man sehen, was auf dem Chart zu sehen ist, und das ist in MQL5 aufgrund der Bildbeschränkungen schwierig zu bewerkstelligen. In diesem Artikel werden wir ein anständiges Modell in Python besprechen, das uns hilft, mit minimalem Aufwand Muster im Chart zu erkennen.

Der Artikel befasst sich mit einem metaheuristischen AEO-Algorithmus (Artificial Ecosystem-based Optimization), der Interaktionen zwischen Ökosystemkomponenten simuliert, indem er eine anfängliche Lösungspopulation erstellt und adaptive Aktualisierungsstrategien anwendet, und beschreibt im Detail die Phasen des AEO-Betriebs, einschließlich der Verbrauchs- und Zersetzungsphasen, sowie verschiedene Agentenverhaltensstrategien. Der Artikel stellt die Merkmale und Vorteile dieses Algorithmus vor.

Lernen Sie, wie Sie ein EX5-Modul mit exportierbaren Funktionen erstellen, die reibungslos Daten für den zuletzt ausgelösten, schwebenden Auftrag abfragen und speichern. In dieser umfassenden Schritt-für-Schritt-Anleitung werden wir die Bibliothek von History Management EX5 durch die Entwicklung dedizierter und unterteilter Funktionen erweitern, um wesentliche Eigenschaften des letzten ausgelösten, schwebenden Auftrags abzurufen. Zu diesen Eigenschaften gehören die Auftragsart, die Einrichtungszeit, die Ausführungszeit, die Art der Zuweisung und andere wichtige Details, die für eine effektive Verwaltung und Analyse des Handelsverlaufs ausstehender Aufträge erforderlich sind.

Als Beobachter und Händler von Preisaktionen habe ich festgestellt, dass sich ein Trend in der Regel in diese Richtung fortsetzt, wenn er von mehreren Zeitrahmen bestätigt wird. Wie lange der Trend anhält, hängt davon ab, welcher Art von Händler Sie sind, ob Sie Positionen langfristig halten oder Scalping betreiben. Die Zeiträume, die Sie für die Bestätigung wählen, spielen eine entscheidende Rolle. In diesem Artikel finden Sie ein schnelles, automatisiertes System, mit dem Sie den Gesamttrend über verschiedene Zeiträume hinweg mit nur einem Mausklick oder regelmäßigen Updates analysieren können.

In diesem Artikel verbessern wir eine Handelsstrategie mit neuronalen Netzen in MQL5 mit einer adaptiven Lernrate, um die Genauigkeit zu erhöhen. Wir entwerfen und implementieren diesen Mechanismus und testen anschließend seine Leistungsfähigkeit. Der Artikel schließt mit Optimierungserkenntnissen für den algorithmischen Handel.

SARSA, eine Abkürzung für State-Action-Reward-State-Action, ist ein weiterer Algorithmus, der bei der Implementierung von Reinforcement Learning verwendet werden kann. Wie bei Q-Learning und DQN haben wir also untersucht, wie dies als unabhängiges Modell und nicht nur als Trainingsmechanismus in assistentengestützten Expert Advisors implementiert werden kann.

Dieser Artikel beschreibt die Grundlagen der statistischen Arbitrage auf Portfolioebene. Sein Ziel ist es, das Verständnis der Prinzipien der statistischen Arbitrage für Leser ohne tiefgreifende mathematische Kenntnisse zu erleichtern und einen konzeptionellen Rahmen für den Ausgangspunkt vorzuschlagen. Der Artikel enthält einen funktionierenden Expert Advisor, einige Anmerkungen zu seinem einjährigen Backtest und die entsprechenden Backtest-Konfigurationseinstellungen (.ini-Datei) für die Reproduktion des Experiments.

In diesem Artikel werden wir eine andere Art von Modellen erörtern, die auf die Untersuchung der Dynamik des Umgebungszustands abzielen.

Entdecken Sie praktische Techniken zur Optimierung der Speichernutzung in MQL5-Handelssystemen. Lernen Sie, effiziente, stabile und schnell arbeitende Expert Advisors und Indikatoren zu erstellen. Wir werden untersuchen, wie der Speicher in MQL5 wirklich funktioniert, die häufigsten Fallen, die Ihre Systeme verlangsamen oder zum Ausfall führen, und - was am wichtigsten ist - wie man sie beheben kann.

Im letzten Artikel dieser Reihe haben wir uns mit dem Atom-Motif Contrastive Transformer (AMCT) beschäftigt, der kontrastives Lernen zur Entdeckung von Schlüsselmustern auf allen Ebenen einsetzt, von grundlegenden Elementen bis hin zu komplexen Strukturen. In diesem Artikel setzen wir die Implementierung von AMCT-Ansätzen mit MQL5 fort.

Wenn wir mit Zeitreihen arbeiten, verwenden wir die Quelldaten immer in ihrer historischen Reihenfolge. Aber ist das die beste Option? Es besteht die Meinung, dass eine Änderung der Reihenfolge der Eingabedaten die Effizienz der trainierten Modelle verbessern wird. In diesem Artikel lade ich Sie ein, sich mit einer der Methoden zur Optimierung der Eingabereihenfolge vertraut zu machen.

Wenn wir uns allmählich einem fertigen EA nähern, müssen wir auf Aspekte achten, die in der Phase des Testens einer Handelsstrategie zweitrangig erscheinen, aber wichtig werden, wenn wir zum echten Handel übergehen.

In diesem Artikel befassen wir uns mit der Entwicklung eines vollständig anpassbaren Skripts für den Preisdatenexport mit MQL5, das einen neuen Fortschritt in der Simulation des CGI-Modells Price Man darstellt. Wir haben fortschrittliche Verfeinerungstechniken implementiert, um sicherzustellen, dass die Daten nutzerfreundlich und für Animationszwecke optimiert sind. Außerdem werden wir die Möglichkeiten von Blender 3D bei der effektiven Arbeit mit und der Visualisierung von Preisdaten kennenlernen und sein Potenzial für die Erstellung dynamischer und ansprechender Animationen demonstrieren.

Die Fraktale von Bill Williams sind ein wirkungsvoller Indikator, der leicht übersehen wird, wenn man ihn zum ersten Mal auf einem Kurschart entdeckt. Er wirkt zu ereignisreich und wahrscheinlich nicht prägnant genug. Wir wollen den Vorhang über diesen Indikator lüften, indem wir untersuchen, was seine verschiedenen Muster bewirken könnten, wenn sie mit Vorwärtstests auf allen mit dem Assistenten zusammengestellten Expert Advisor untersucht werden.

Larry Connors ist ein renommierter Händler und Autor, der vor allem für seine Arbeit im Bereich des quantitativen Handels und für Strategien wie den 2-Perioden-RSI (RSI2) bekannt ist, der dabei hilft, kurzfristig überkaufte und überverkaufte Marktbedingungen zu erkennen. In diesem Artikel werden wir zunächst die Motivation für unsere Forschung erläutern, dann drei von Connors' berühmtesten Strategien in MQL5 nachbilden und sie auf den Intraday-Handel mit dem S&P 500 Index CFD anwenden.

In diesem Artikel werden wir die Reaktionsfähigkeit des Admin Panels verbessern, das wir zuvor erstellt haben. Darüber hinaus werden wir die Bedeutung der schnellen Nachrichtenübermittlung im Zusammenhang mit Handelssignalen untersuchen.

Heute werden wir die Möglichkeiten der Einbindung mehrerer Strategien in einen Expert Advisor (EA) mit MQL5 untersuchen. Expert Advisors bieten umfassendere Funktionen als nur Indikatoren und Skripte und ermöglichen anspruchsvollere Handelsansätze, die sich an veränderte Marktbedingungen anpassen können. Mehr dazu finden Sie in der Erörterung dieses Artikels.

Dieser Artikel enthält eine umfassende Anleitung zur Implementierung eines ausgeklügelten Handelssystems unter Verwendung der Kausalitätsnetzwerkanalyse (Causality Network Analysis, CNA) und der Vektorautoregression (VAR) in MQL5. Es deckt den theoretischen Hintergrund dieser Methoden ab, bietet detaillierte Erklärungen der Schlüsselfunktionen im Handelsalgorithmus und enthält Beispielcode für die Implementierung.

Reinforcement Learning ist neben dem überwachten und dem unüberwachten Lernen eine der drei Hauptrichtungen des maschinellen Lernens. Es geht also um die optimale Steuerung oder das Erlernen der besten langfristigen Strategie, die der Zielfunktion am besten entspricht. Vor diesem Hintergrund untersuchen wir die mögliche Rolle, die ein MLP für den Lernprozess eines von einem Assistenten zusammengestellten Expertenberaters spielt.

Bei der Analyse der Marktsituation unterteilen wir den Markt in einzelne Segmente und ermitteln die wichtigsten Trends. Herkömmliche Analysemethoden konzentrieren sich jedoch oft auf einen Aspekt und schränken so die richtige Wahrnehmung ein. In diesem Artikel lernen wir eine Methode kennen, die die Auswahl mehrerer Objekte ermöglicht, um ein umfassenderes und vielschichtigeres Verständnis der Situation zu gewährleisten.

Lineare Kernel sind die einfachste Matrix ihrer Art, die beim maschinellen Lernen für lineare Regression und Support Vector Machines verwendet wird. Der Matérn-Kernel hingegen ist eine vielseitigere Version der Radialbasisfunktion, die wir in einem früheren Artikel besprochen haben, und er eignet sich für die Abbildung von Funktionen, die nicht so glatt sind, wie es die RBF annehmen würde. Wir erstellen eine nutzerdefinierte Signalklasse, die beide Kernel für die Vorhersage von Long- und Short-Bedingungen verwendet.

Die Kursentwicklung kann durch die Identifizierung von Divergenzen effektiv analysiert werden, wobei technische Indikatoren wie der RSI wichtige Bestätigungssignale liefern. Im folgenden Artikel erläutern wir, wie eine automatisierte RSI-Divergenzanalyse Trendfortsetzungen und -umkehrungen erkennen kann und damit wertvolle Einblicke in die Marktstimmung bietet.

Denken wir über einen unabhängigen Expert Advisor nach. Zuvor haben wir einen indikatorbasierten Expert Advisor besprochen, der auch mit einem unabhängigen Skript zum Zeichnen der Risiko- und Ertragsgeometrie zusammenarbeitet. Heute werden wir die Architektur eines MQL5 Expert Advisors besprechen, der alle Funktionen in einem Programm integriert.

Bisher haben wir die Automatisierung des Starts von sequentiellen Verfahren zur Optimierung von EAs ausschließlich im Standard-Strategietester betrachtet. Was aber, wenn wir zwischen diesen Starts die gewonnenen Daten mit anderen Mitteln bearbeiten wollen? Wir werden versuchen, die Möglichkeit hinzuzufügen, neue Optimierungsstufen zu erstellen, die von in Python geschriebenen Programmen ausgeführt werden.

In diesem Artikel werden wir einen volumenbasierten Indikator, den Chaikin Money Flow (CMF), vorstellen, nachdem wir erläutert haben, wie er konstruiert, berechnet und verwendet werden kann. Wir werden verstehen, wie man einen nutzerdefinierten Indikator erstellt. Wir werden einige einfache Strategien vorstellen, die verwendet werden können, und sie dann testen, um zu verstehen, welche davon besser ist.

Der Artikel stellt den Algorithmus der Afrikanische Büffel-Optimierung (ABO) vor, einen metaheuristischen Ansatz, der 2015 auf der Grundlage des einzigartigen Verhaltens dieser Tiere entwickelt wurde. Der Artikel beschreibt im Detail die Phasen der Implementierung des Algorithmus und seine Effizienz bei der Lösung komplexer Probleme, was ihn zu einem wertvollen Werkzeug im Bereich der Optimierung macht.