Artikel über die Automatisierung von Handelssystemen in 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.

Im Einklang mit unserer Vision, das Preisgeschehen zu vereinfachen, freuen wir uns, Ihnen ein weiteres Tool vorstellen zu können, das Ihre Marktanalyse erheblich verbessern und Ihnen helfen kann, gut informierte Entscheidungen zu treffen. Dieses Tool zeigt wichtige technische Indikatoren an, wie z. B. die Kurse des Vortags, wichtige Unterstützungs- und Widerstandsniveaus und das Handelsvolumen, und generiert automatisch visuelle Hinweise auf dem Chart.

Temporal Difference ist ein weiterer Algorithmus des Reinforcement Learning, der Q-Werte auf der Grundlage der Differenz zwischen vorhergesagten und tatsächlichen Belohnungen während des Agententrainings aktualisiert. Sie befasst sich speziell mit der Aktualisierung von Q-Werten, ohne sich um die Verknüpfung von Zustand und Aktion zu kümmern. Daher wollen wir sehen, wie wir dies, wie in früheren Artikeln, in einem mit einem Assistenten zusammengestellten Expert Advisor anwenden können.

In diesem Artikel implementieren wir Filter in das MQL5-Wirtschaftskalender-Dashboard, um die Anzeige von Nachrichtenereignissen nach Währung, Bedeutung und Zeit zu verfeinern. Wir erstellen zunächst Filterkriterien für jede Kategorie und integrieren diese dann in das Dashboard, um nur relevante Ereignisse anzuzeigen. Schließlich stellen wir sicher, dass jeder Filter dynamisch aktualisiert wird, um Händlern gezielte wirtschaftliche Erkenntnisse in Echtzeit zu liefern.

Der Alligator-Indikator, der von Bill Williams entwickelt wurde, ist ein vielseitiger Indikator zur Trenderkennung, der klare Signale liefert und häufig mit anderen Indikatoren kombiniert wird. Die MQL5-Assistenten-Klassen und die Assemblierung ermöglichen es uns, eine Vielzahl von Signalen auf der Basis von Mustern zu testen, und so betrachten wir auch diesen Indikator.

Die gleitenden Durchschnitte und der Stochastik-Oszillator können verwendet werden, um trendfolgende Handelssignale zu generieren. Diese Signale werden jedoch erst nach dem Eintreten der Preisaktion beobachtet. Diese den technischen Indikatoren innewohnende Verzögerung können wir mit Hilfe von KI wirksam überwinden. In diesem Artikel erfahren Sie, wie Sie einen vollständig autonomen KI-gesteuerten Expert Advisor erstellen, der Ihre bestehenden Handelsstrategien verbessern kann. Selbst die älteste mögliche Handelsstrategie kann verbessert werden.

Der Ichimuko Kinko Hyo ist ein bekannter japanischer Indikator, der als Trenderkennungssystem dient. Wir untersuchen dies, wie schon in früheren ähnlichen Artikeln, Muster für Muster und bewerten auch die Strategien und Testberichte mit Hilfe der MQL5-Assistentenbibliothek Klassen und Assembly.

In diesem Artikel möchte ich Ihnen eine interessante Methode zur Vorhersage von Trajektorien vorstellen, die zur Lösung von Problemen im Bereich der autonomen Fahrzeugbewegungen entwickelt wurde. Die Autoren der Methode haben die besten Elemente verschiedener architektonischer Lösungen kombiniert.

Ein Großteil der bisher untersuchten Modelle basiert auf der Transformer-Architektur. Bei langen Sequenzen können sie jedoch ineffizient sein. In diesem Artikel werden wir uns mit einer alternativen Richtung der Zeitreihenprognose auf der Grundlage von Zustandsraummodellen vertraut machen.

Wir werden einen Indikator erstellen, der auf dem Gann‘schen 9er-Quadrat basiert, das durch Quadrieren von Zeit und Preis gebildet wird. Wir werden den Code vorbereiten und den Indikator in der Plattform in verschiedenen Zeitintervallen testen.

Die meisten modernen Methoden zur multimodalen Zeitreihenprognose verwenden den Ansatz unabhängiger Kanäle. Dabei wird die natürliche Abhängigkeit verschiedener Kanäle derselben Zeitreihe ignoriert. Der intelligente Einsatz zweier Ansätze (unabhängige und gemischte Kanäle) ist der Schlüssel zur Verbesserung der Leistung der Modelle.

Wir beschäftigen uns weiter mit TEMPO. In diesem Artikel werden wir die tatsächliche Wirksamkeit der vorgeschlagenen Ansätze anhand realer historischer Daten bewerten.

Wenn wir die unterschiedlichen Ideen richtig verstehen, können wir mit weniger Aufwand mehr erreichen. In diesem Artikel sehen wir uns an, warum es notwendig ist, eine Vorlage zu konfigurieren, bevor der Dienst mit dem Chart interagieren kann. Und was wäre, wenn wir den Mauszeiger verbessern würden, damit wir mehr damit machen können?

Leichtgewichtige Modelle zur Zeitreihenprognose erzielen eine hohe Leistung mit einer minimalen Anzahl von Parametern. Dies wiederum reduziert den Rechenaufwand und beschleunigt die Entscheidungsfindung. Trotz ihrer Einfachheit erreichen solche Modelle eine mit komplexeren Modellen vergleichbare Prognosequalität.

Wir setzen unsere Untersuchung der Chaostheorie auf den Finanzmärkten fort. Dieses Mal werde ich seine Anwendbarkeit auf die Analyse von Währungen und anderen Vermögenswerten untersuchen.

Nach einer Pause in der Entwicklung und Verbesserung des Dienstes für Replay/Simulator nehmen wir die Arbeit daran wieder auf. Da wir nun die Verwendung von Ressourcen wie Terminalglobals aufgegeben haben, müssen wir einige Teile des Systems komplett umstrukturieren. Keine Sorge, dieser Prozess wird im Detail erklärt, sodass jeder die Entwicklung unseres Dienstes verfolgen kann.

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.

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.

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 werden wir über die Verwendung von Raum-Zeit-Transformationen zur effektiven Vorhersage bevorstehender Kursbewegungen sprechen. Um die numerische Vorhersagegenauigkeit in STNN zu verbessern, wird ein kontinuierlicher Aufmerksamkeitsmechanismus vorgeschlagen, der es dem Modell ermöglicht, wichtige Aspekte der Daten besser zu berücksichtigen.

Wir setzen die Diskussion über die Verwendung der stückweisen, linearen Darstellung von Zeitreihen fort, die im vorherigen Artikel begonnen wurde. Heute werden wir sehen, wie diese Methode mit anderen Ansätzen der Zeitreihenanalyse kombiniert werden kann, um die Qualität der Vorhersage des Preistrend zu verbessern.

Dieser Artikel unterscheidet sich etwas von meinen früheren Veröffentlichungen. In diesem Artikel werden wir über eine alternative Darstellung von Zeitreihen sprechen. Die stückweise, lineare Darstellung von Zeitreihen ist eine Methode zur Annäherung einer Zeitreihe durch lineare Funktionen über kleine Intervalle.

Bei der Erforschung verschiedener Modellarchitekturen wird dem Prozess des Modelltrainings oft nicht genügend Aufmerksamkeit geschenkt. In diesem Artikel möchte ich diese Lücke schließen.

Der zuvor entwickelte Risikomanager enthielt nur grundlegende Funktionen. Versuchen wir, mögliche Wege zu seiner Entwicklung zu betrachten, die es uns ermöglichen, die Handelsergebnisse zu verbessern, ohne die Logik der Handelsstrategien zu beeinträchtigen.

Obwohl die Module bereits ordnungsgemäß miteinander interagieren, tritt ein Fehler auf, wenn versucht wird, den Mauszeiger im Wiedergabedienst zu verwenden. Wir müssen dies beheben, bevor wir zum nächsten Schritt übergehen. Außerdem werden wir ein Problem im Code des Mausindikators beheben. Diese Version wird also endlich stabil und ordentlich poliert sein.

In diesem Artikel werden wir einen Kontrollindikator implementieren, damit er in das von uns entwickelte Nachrichtensystem integriert werden kann. Obwohl es nicht sehr schwierig ist, gibt es einige Details, die bei der Initialisierung dieses Moduls beachtet werden müssen. Das hier vorgestellte Material dient ausschließlich zu Bildungszwecken. Es sollte auf keinen Fall als Anwendung für einen anderen Zweck als das Lernen und Beherrschen der gezeigten Konzepte betrachtet werden.

Kann die Chaostheorie auf die Finanzmärkte angewendet werden? In diesem Artikel werden wir untersuchen, wie sich die herkömmliche Chaostheorie und chaotische Systeme von dem von Bill Williams vorgeschlagenen Konzept unterscheiden.

Monte-Carlo ist der vierte, alternative Algorithmus des Reinforcement Learning, den wir mit dem Ziel betrachten, seine Implementierung in assistentengestützte Expert Advisors zu untersuchen. Obwohl sie auf Zufallsstichproben beruht, bietet sie umfangreiche Simulationsmöglichkeiten, die wir ausnutzen können.

In diesem Artikel konzentrieren wir uns darauf, unser statisches MQL5-Dashboard-Panel in ein interaktives Tool zu verwandeln, indem wir die Reaktionsfähigkeit von Schaltflächen aktivieren. Wir untersuchen, wie die Funktionalität der GUI-Komponenten automatisiert werden kann, um sicherzustellen, dass sie angemessen auf Nutzerklicks reagieren. Am Ende des Artikels haben wir eine dynamische Schnittstelle eingerichtet, die das Engagement der Nutzer und die Handelserfahrung verbessert.

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.

In diesem Artikel erstellen wir einen MQL5 Expert Advisor auf Basis der Daily Range Breakout Strategie. Wir behandeln die wichtigsten Konzepte der Strategie, entwerfen den EA-Blaupause, und implementieren die Breakout-Logik in MQL5. Schließlich werden Techniken für das Backtesting und die Optimierung des EA erforscht, um seine Effektivität zu maximieren.

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.