Artikel über die Automatisierung von Handelssystemen in MQL5

Das Verständnis des Agentenverhaltens ist in vielen verschiedenen Bereichen wichtig, aber die meisten Methoden konzentrieren sich nur auf eine der Aufgaben (Verstehen, Rauschunterdrückung oder Vorhersage), was ihre Effektivität in realen Szenarien verringert. In diesem Artikel werden wir uns mit einem Modell vertraut machen, das sich an die Lösung verschiedener Probleme anpassen lässt.

Das Deep-Q-Network ist ein Reinforcement-Learning-Algorithmus, der neuronale Netze bei der Projektion des nächsten Q-Wertes und der idealen Aktion während des Trainingsprozesses eines maschinellen Lernmoduls einsetzt. Wir haben bereits einen alternativen Verstärkungslernalgorithmus, Q-Learning, in Betracht gezogen. Dieser Artikel stellt daher ein weiteres Beispiel dafür vor, wie ein mit Reinforcement Learning trainierter MLP in einer nutzerdefinierten Signalklasse verwendet werden kann.

Long Short-Term Memory (LSTM) ist eine Art rekurrentes neuronales Netz (RNN), das für die Modellierung sequenzieller Daten entwickelt wurde, indem es langfristige Abhängigkeiten effektiv erfasst und das Problem des verschwindenden Gradienten löst. In diesem Artikel werden wir untersuchen, wie LSTM zur Vorhersage zukünftiger Trends eingesetzt werden kann, um die Leistung von Trendfolgestrategien zu verbessern. Der Artikel behandelt die Einführung von Schlüsselkonzepten und die Motivation hinter der Entwicklung, das Abrufen von Daten aus dem MetaTrader 5, die Verwendung dieser Daten zum Trainieren des Modells in Python, die Integration des maschinellen Lernmodells in MQL5 und die Reflexion der Ergebnisse und zukünftigen Bestrebungen auf der Grundlage von statistischem Backtesting.

In diesem Artikel werden wir uns eine nicht standardisierte Methode zur Erstellung eines Indikators in MQL5 ansehen. Anstatt sich auf einen Trend oder ein Chartmuster zu konzentrieren, wird unser Ziel sein, unsere eigenen Positionen zu verwalten, einschließlich partieller Ein- und Ausstiege. Wir werden ausgiebig Gebrauch von dynamischen Matrizen und einigen Handelsfunktionen machen, die sich auf die Handelshistorie und offene Positionen beziehen, um auf dem Chart anzuzeigen, wo diese Geschäfte getätigt wurden.

Die erste Stufe der automatischen Optimierung haben wir bereits umgesetzt. Wir führen die Optimierung für verschiedene Symbole und Zeiträume nach mehreren Kriterien durch und speichern Informationen über die Ergebnisse jedes Durchgangs in der Datenbank. Nun werden wir die besten Gruppen von Parametersätzen aus den in der ersten Stufe gefundenen auswählen.

Der RSI ist ein beliebter Momentum-Oszillator, der das Tempo und den Umfang der jüngsten Kursveränderungen eines Wertpapiers misst, um über- und unterbewertete Situationen im Kurs des Wertpapiers zu bewerten. Diese Erkenntnisse in Bezug auf Geschwindigkeit und Ausmaß sind der Schlüssel zur Festlegung von Umkehrpunkten. Wir setzen diesen Oszillator in einer anderen nutzerdefinierten Signalklasse ein und untersuchen die Eigenschaften einiger seiner Signale. Wir beginnen jedoch mit dem Abschluss dessen, was wir zuvor über Bollinger-Bänder begonnen haben.

Ein Hinweis: Obwohl der Code für einen Dienst in diesem Artikel nicht enthalten ist und erst im nächsten Artikel zur Verfügung gestellt wird, werde ich ihn erläutern, da wir denselben Code als Sprungbrett für unsere eigentliche Entwicklung verwenden werden. Seien Sie also aufmerksam und geduldig. Warten Sie auf den nächsten Artikel, denn jeden Tag wird es interessanter.

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.

In diesem Artikel wird das neue PSformer-Framework vorgestellt, das die Architektur des einfachen Transformers an die Lösung von Problemen im Zusammenhang mit multivariaten Zeitreihenprognosen anpasst. Der Rahmen basiert auf zwei wichtigen Innovationen: dem Parameter-Sharing-Mechanismus (PS) und der Segment Attention (SegAtt).

Schließen Sie sich unserer heutigen Diskussion an, wenn wir nach einem algorithmischen Verfahren suchen, mit dem wir die Gesamtzahl der Ausstiege aus Gewinngeschäften minimieren können. Das Problem, mit dem wir konfrontiert waren, ist sehr schwierig, und die meisten Lösungen, die in den Diskussionen in der Gemeinschaft genannt wurden, haben keine festen Regeln. Unser algorithmischer Ansatz zur Lösung des Problems erhöhte die Rentabilität unserer Handelsgeschäft und reduzierte den durchschnittlichen Verlust pro Handelsgeschäft. Es müssen jedoch noch weitere Fortschritte gemacht werden, um alle Handelsgeschäfte, die ausgestoppt werden, vollständig herauszufiltern, aber unsere Lösung ist ein guter erster Schritt, den jeder ausprobieren kann.

In diesem Artikel bauen wir einen MQL5 Expert Advisor, um harmonische Schmetterlingsmuster zu erkennen. Wir identifizieren Umkehrpunkte und validieren Fibonacci-Levels, um das Muster zu bestätigen. Wir visualisieren dann das Muster auf dem Chart und führen automatisch Handelsgeschäfte aus, wenn es bestätigt wird.

In diesem Artikel befassen wir uns mit der Automatisierung des harmonischen Cypher-Musters in MQL5 und erläutern seine Erkennung und Visualisierung auf MetaTrader 5-Charts. Wir implementieren einen Expert Advisor, der Umkehrpunkte identifiziert, Fibonacci-basierte Muster validiert und Handelsgeschäfte mit klaren grafischen Kommentaren ausführt. Der Artikel schließt mit einer Anleitung zu den Backtests und zur Optimierung des Programms für einen effektiven Handel.

Die Finanzmärkte werden in der Regel entweder in eine Handelsspanne oder in einen Trendmodus eingeteilt. Diese statische Sichtweise des Marktes kann es uns leichter machen, kurzfristig zu handeln. Sie ist jedoch von der Realität des Marktes abgekoppelt. In diesem Artikel geht es darum, besser zu verstehen, wie genau sich die Finanzmärkte zwischen diesen beiden möglichen Modi bewegen und wie wir unser neues Verständnis des Marktverhaltens nutzen können, um Vertrauen in unsere algorithmischen Handelsstrategien zu gewinnen.

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.

Nichtlineare Regressionsmodelle an der Börse: Ist es möglich, die Finanzmärkte vorherzusagen? Betrachten wir die Erstellung eines Modells für die Vorhersage der Preise für EURUSD, und machen zwei Roboter auf der Grundlage - in Python und MQL5.

Die „Proximal Policy Optimization“ ist ein weiterer Algorithmus des Reinforcement Learning, der die „Policy“, oft in Form eines Netzwerks, in sehr kleinen inkrementellen Schritten aktualisiert, um die Stabilität des Modells zu gewährleisten. Wir untersuchen, wie dies in einem von einem Assistenten zusammengestellten Expert Advisor von Nutzen sein könnte, wie wir es in früheren Artikeln getan haben.

Lernen Sie, wie Sie geschlossene Positionen, Aufträge und Deals mit MQL5 abrufen, verarbeiten, klassifizieren, sortieren, analysieren und verwalten können, indem Sie in einer detaillierten Schritt-für-Schritt-Anleitung eine umfangreiche History Management EX5 Library erstellen.

In diesem Artikel werden wir den Mauszeiger ändern, um die Interaktion mit dem Kontrollindikator zu ermöglichen und einen zuverlässigen und stabilen Betrieb zu gewährleisten.

Die von Nicolas Darvas entwickelte Darvas-Box-Breakout-Strategie ist ein technischer Handelsansatz, der potenzielle Kaufsignale erkennt, wenn der Kurs einer Aktie über einen festgelegten Bereich der „Box“ ansteigt, was auf eine starke Aufwärtsdynamik hindeutet. In diesem Artikel werden wir dieses Strategiekonzept als Beispiel anwenden, um drei fortgeschrittene Techniken des maschinellen Lernens zu untersuchen. Dazu gehören die Verwendung eines maschinellen Lernmodells zur Generierung von Signalen anstelle von Handelsfiltern, die Verwendung von kontinuierlichen Signalen anstelle von diskreten Signalen und die Verwendung von Modellen, die auf verschiedenen Zeitrahmen trainiert wurden, um Handelsgeschäfte zu bestätigen.

In diesem Artikel erforschen wir die Grid-Mart Scalping Strategie und automatisieren sie in MQL5 mit einem dynamischen Dashboard für Echtzeit-Handelseinblicke. Wir erläutern die gitterbasierte Martingale-Logik und die Risikomanagement-Funktionen. Wir begleiten auch die Backtests und den Einsatz für eine solide Performance.

Selbst bei einem System mit positiver Erwartungshaltung entscheidet die Positionsgröße darüber, ob Sie Erfolg haben oder zusammenbrechen. Das ist der Dreh- und Angelpunkt des Risikomanagements – die Umsetzung statistischer Erkenntnisse in reale Ergebnisse bei gleichzeitigem Schutz Ihres Kapitals.

Im vorherigen Artikel habe ich erklärt, wie Sie Vorlagedaten zur Verwendung in OBJ_CHART manipulieren können. In diesem Artikel habe ich das Thema nur umrissen, ohne auf Einzelheiten einzugehen, da die Arbeit in dieser Version sehr vereinfacht war. Dies geschah, um die Erklärung des Inhalts zu erleichtern, denn trotz der scheinbaren Einfachheit vieler Dinge waren einige davon nicht so offensichtlich, und ohne das Verständnis des einfachsten und grundlegendsten Teils wäre man nicht in der Lage, das gesamte Bild wirklich zu verstehen.

In diesem Artikel werden wir uns mit einem der schwierigsten Probleme im Bereich der MQL5-Programmierung befassen: wie man eine Chart-ID korrekt erhält und warum Objekte manchmal nicht im Chart gezeichnet werden. Die hier vorgestellten Materialien sind ausschließlich für didaktische Zwecke bestimmt. Die Anwendung sollte unter keinen Umständen zu einem anderen Zweck als zum Erlernen und Beherrschen der vorgestellten Konzepte verwendet werden.

Die Finanzmärkte sind nicht vollkommen ausgeglichen. Einige Märkte steigen, andere fallen, und wieder andere zeigen ein gewisses Schwankungsverhalten, das auf Unsicherheit in beide Richtungen hindeutet. Diese unausgewogenen Informationen können beim Trainieren von Machine-Learning-Modellen irreführend sein, da sich die Märkte häufig ändern. In diesem Artikel werden wir verschiedene Möglichkeiten erörtern, dieses Problem zu lösen.

Der Parabolic-SAR (SAR) und der Relative Vigour Index (RVI) sind ein weiteres Paar von Indikatoren, die in Verbindung mit einem MQL5 Expert Advisor verwendet werden können. Auch dieses Indikatorpaar ist, wie die anderen, die wir in der Vergangenheit behandelt haben, komplementär, da der SAR den Trend definiert, während der RVI das Momentum überprüft. Wie üblich verwenden wir den MQL5-Assistenten, um das Potenzial dieser Indikatorenkombination zu ermitteln und zu testen.

Dieser Artikel erweitert unser Wirtschaftskalender-Dashboard durch die Implementierung von Echtzeit-Nachrichten-Updates, um Marktinformationen aktuell und umsetzbar zu halten. Wir integrieren Techniken zum Abrufen von Live-Daten in MQL5, um Ereignisse auf dem Dashboard kontinuierlich zu aktualisieren und die Reaktionsfähigkeit der Schnittstelle zu verbessern. Dieses Update stellt sicher, dass wir direkt über das Dashboard auf die neuesten Wirtschaftsnachrichten zugreifen können, um unsere Handelsentscheidungen auf der Grundlage der aktuellsten Daten zu optimieren.

Im letzten Artikel dieser Serie erfahren Sie, wie Sie die EX5-Bibliothek History Manager mühelos in Ihren MQL5-Quellcode importieren und nutzen können, um Handelshistorien in Ihrem MetaTrader 5-Konto zu verarbeiten. Mit einfachen einzeiligen Funktionsaufrufen in MQL5 können Sie Ihre Handelsdaten effizient verwalten und analysieren. Darüber hinaus werden Sie lernen, wie Sie verschiedene Skripte zur Analyse der Handelshistorie erstellen und einen preisbasierten Expert Advisor als praktisches Anwendungsbeispiel entwickeln können. Der Beispiel-EA nutzt Kursdaten und die EX5-Bibliothek History Manager, um fundierte Handelsentscheidungen zu treffen, Handelsvolumina anzupassen und Wiederherstellungsstrategien auf der Grundlage zuvor abgeschlossener Handelsgeschäfte zu implementieren.

Wir werden das Problem der Chart-ID lösen und gleichzeitig dem Nutzer die Möglichkeit geben, eine persönliche Vorlage für die Analyse und Simulation des gewünschten Assets zu verwenden. Das hier vorgestellte Material dient ausschließlich didaktischen Zwecken und sollte in keiner Weise als Anwendung für einen anderen Zweck als das Studium und die Beherrschung der vorgestellten Konzepte betrachtet werden.

Wie wäre es, etwas Neues zu lernen? In diesem Artikel erfahren Sie, wie Sie Skripte in Dienste umwandeln können und warum dies sinnvoll ist.

Die Verwendung anisotroper Diffusionsprozesse zur Kodierung der Ausgangsdaten in einem hyperbolischen latenten Raum, wie sie im HypDIff-Rahmen vorgeschlagen wird, trägt dazu bei, die topologischen Merkmale der aktuellen Marktsituation zu erhalten und verbessert die Qualität der Analyse. Im vorigen Artikel haben wir damit begonnen, die vorgeschlagenen Ansätze mit MQL5 zu implementieren. Heute werden wir die begonnene Arbeit fortsetzen und zu ihrem logischen Abschluss bringen.

Angesichts der rasanten Entwicklung der künstlichen Intelligenz sind Sprachmodelle (language models, LLMs) heute ein wichtiger Bestandteil der künstlichen Intelligenz, sodass wir darüber nachdenken sollten, wie wir leistungsstarke LLMs in unseren algorithmischen Handel integrieren können. Für die meisten Menschen ist es schwierig, diese leistungsstarken Modelle auf ihre Bedürfnisse abzustimmen, sie lokal einzusetzen und sie dann auf den algorithmischen Handel anzuwenden. In dieser Artikelserie werden wir Schritt für Schritt vorgehen, um dieses Ziel zu erreichen.

Die Regularisierung ist eine Form der Bestrafung der Verlustfunktion im Verhältnis zur diskreten Gewichtung, die in den verschiedenen Schichten eines neuronalen Netzes angewendet wird. Wir sehen uns an, welche Bedeutung dies für einige der verschiedenen Regularisierungsformen in Testläufen mit einem vom Assistenten zusammengestellten Expert Advisor haben kann.

In diesem Artikel entwickeln wir einen Rapid-Fire Trading Expert Advisor in MQL5, der die Indikatoren Parabolic SAR und Simple Moving Average (SMA) nutzt, um eine reaktionsfähige Handelsstrategie zu erstellen. Wir gehen detailliert auf die Umsetzung der Strategie ein, einschließlich der Verwendung von Indikatoren, der Signalerzeugung sowie des Test- und Optimierungsprozesses.

Wenn wir Modelle zur Analyse der Marktsituation verwenden, konzentrieren wir uns hauptsächlich auf Kerzen. Es ist doch seit langem bekannt, dass Kerzen-Muster bei der Vorhersage künftiger Kursbewegungen helfen können. In diesem Artikel werden wir uns mit einer Methode vertraut machen, die es uns ermöglicht, diese beiden Ansätze zu integrieren.

Stellen Sie sich vor, ein bösartiger Akteur dringt in den Raum des Handelsadministrator ein und verschafft sich Zugang zu den Computern und dem Admin-Panel, über das Millionen von Händlern weltweit wertvolle Informationen erhalten. Ein solches Eindringen könnte katastrophale Folgen haben, z. B. das unbefugte Versenden irreführender Nachrichten oder zufällige Klicks auf Schaltflächen, die unbeabsichtigte Aktionen auslösen. In dieser Diskussion werden wir die Sicherheitsmaßnahmen in MQL5 und die neuen Sicherheitsfunktionen, die wir in unserem Admin-Panel zum Schutz vor diesen Bedrohungen implementiert haben, untersuchen. Durch die Verbesserung unserer Sicherheitsprotokolle wollen wir unsere Kommunikationskanäle schützen und das Vertrauen unserer weltweiten Handelsgemeinschaft erhalten. Weitere Informationen finden Sie in diesem Artikel.

Soft Actor Critic ist ein Reinforcement Learning Algorithmus, der 3 neuronale Netze verwendet. Ein Netzwerk für den Actor und 2 Critic-Netze. Diese maschinellen Lernmodelle werden in einer Master-Slave-Partnerschaft gepaart, in der die Kritiker modelliert werden, um die Prognosegenauigkeit des Akteursnetzwerks zu verbessern. Während wir in dieser Serie auch ONNX vorstellen, untersuchen wir, wie diese Ideen als nutzerdefiniertes Signal eines von einem Assistenten zusammengestellten Expert Advisors getestet werden können.