Artikel über die Automatisierung von Handelssystemen in MQL5

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.

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 stellen wir Python-MetaTrader 5-ähnliche Wege vor, um Handelsoperationen wie das Öffnen, Schließen und Ändern von Aufträgen im Simulator zu handhaben. Um sicherzustellen, dass sich die Simulation wie MetaTrader 5 verhält, ist eine strenge Validierungsschicht für Handelsanfragen implementiert, die die Parameter des Symbolhandels und die typischen Brokerage-Einschränkungen berücksichtigt.

Dies ist Teil 4 unserer Serie über Risikomanagement in MQL5, in der wir fortgeschrittene Methoden zum Schutz und zur Optimierung von Handelsstrategien erforschen. Nachdem wir in früheren Artikeln wichtige Grundlagen gelegt haben, werden wir uns nun darauf konzentrieren, alle verbleibenden, in Teil 3 verschobenen Methoden zu vervollständigen, einschließlich der Funktionen zur Überprüfung, ob bestimmte Gewinn- oder Verlustniveaus erreicht wurden. Ferner werden wir neue Schlüsselereignisse einführen, die ein genaueres und flexibleres Risikomanagement ermöglichen.

Dieser Artikel zeigt, wie ein Expert Advisor für den Ausbruch der Volatilität nach Larry Williams in MQL5 entworfen und implementiert werden kann, wobei die Messung der Swing-Range, die Prognose des Eröffnungsniveaus, die risikobasierte Positionsgrößenbestimmung und das Backtesten anhand realer Marktdaten behandelt werden.

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.

Das Attraos-Framework integriert die Chaostheorie in die langfristige Zeitreihenprognose und behandelt sie als Projektionen mehrdimensionaler chaotischer dynamischer Systeme. Unter Ausnutzung der Attraktorinvarianz nutzt das Modell die Phasenraumrekonstruktion und das dynamische Speicher-Modul mit mehreren Auflösungsebenen, um historische Strukturen zu erhalten.

Wir fahren fort, die von den Autoren des Attraos-Frameworks vorgeschlagenen Methoden in Handelsmodelle zu integrieren. Ich möchte Sie daran erinnern, dass dieses Framework Konzepte der Chaostheorie verwendet, um Probleme der Zeitreihenprognose zu lösen, indem es sie als Projektionen mehrdimensionaler chaotischer dynamischer Systeme interpretiert.

Dieser Artikel beschreibt die Verwendung von CSV-Dateien für das Backtesting von Aktualisierungen der Portfoliogewichte in einer auf der Rückkehr zum Mittelwert basierenden Strategie, die statistische Arbitrage durch kointegrierte Aktien nutzt. Sie reicht von der Einspeisung der Ergebnisse der Rolling Windows Eigenvektor Comparison (RWEC) in die Datenbank bis zum Vergleich der Backtest-Berichte. In der Zwischenzeit werden in dem Artikel die Rolle der einzelnen RWEC-Parameter und ihre Auswirkung auf das Gesamtergebnis des Backtests detailliert beschrieben und gezeigt, wie der Vergleich des relativen Drawdowns uns helfen kann, diese Parameter weiter zu verbessern.

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 laden Sie ein, sich mit dem DADA-Framework vertraut zu machen, das eine innovative Methode zur Erkennung von Anomalien in Zeitreihen darstellt. Es hilft, zufällige Schwankungen von verdächtigen Abweichungen zu unterscheiden. Im Gegensatz zu herkömmlichen Methoden ist DADA flexibel und passt sich an unterschiedliche Daten an. Anstelle einer festen Komprimierungsstufe werden mehrere Optionen verwendet und die jeweils am besten geeignete ausgewählt.

Wir implementieren weiterhin die von den Autoren des DUET-Frameworks vorgeschlagenen Ansätze, die einen innovativen Ansatz zur Analyse von Zeitreihen bieten, indem sie zeitliches und kanalbasiertes Clustering kombinieren, um versteckte Muster in den analysierten Daten aufzudecken.

Das DUET-Framework bietet einen innovativen Ansatz für die Zeitreihenanalyse, der temporales und kanalbasiertes Clustering kombiniert, um verborgene Muster in den analysierten Daten aufzudecken. Auf diese Weise können sich die Modelle an Veränderungen im Laufe der Zeit anpassen und die Qualität der Vorhersagen durch Reduktion von Rauschen verbessern.

Wir arbeiten weiter an der Entwicklung der Algorithmen, die dem DADA-Framework zugrunde liegen, ein fortschrittliches Instrument zur Erkennung von Anomalien in Zeitreihen. Dieser Ansatz ermöglicht eine zuverlässige Unterscheidung zwischen zufälligen Schwankungen und signifikanten Abweichungen. Im Gegensatz zu klassischen Methoden passt sich DADA dynamisch an verschiedene Datentypen an und wählt die jeweils optimale Komprimierungsstufe.

Das CATCH-Framework kombiniert Fourier-Transformation und Frequenz-Patching, um Marktanomalien genau zu erkennen, die mit herkömmlichen Methoden kaum oder gar nicht erkannt werden können. Im Folgenden untersuchen wir, wie dieser Ansatz verborgene Muster in Finanzdaten aufdeckt.

Bevor wir mit der Entwicklung von Mehrwährungs-EAs fortfahren, wollen wir versuchen, ein neues Projekt mit der entwickelten Bibliothek zu erstellen. In diesem Beispiel wird gezeigt, wie man die Speicherung von Quellcode am besten organisiert und wie das neue Code-Repository von MetaQuotes uns dabei helfen kann.