Artikel über das Programmieren in MQL4 und MQL5

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.

Der Artikel präsentiert eine detaillierte Analyse des Exchange Market Algorithm (EMA), der vom Verhalten von Börsenhändlern inspiriert ist. Der Algorithmus simuliert den Aktienhandel, bei dem Marktteilnehmer mit unterschiedlichem Erfolg verschiedene Strategien anwenden, um ihre Gewinne zu maximieren.

In diesem Artikel untersuchen wir das HiSSD-Framework, das hierarchisches Lernen und Multi-Agenten-Ansätze kombiniert, um adaptive Systeme zu schaffen. Wir untersuchen im Detail, wie diese innovative Methodik dabei hilft, verborgene Muster in Finanzmärkten aufzudecken und Handelsstrategien in dezentralen Umgebungen zu optimieren.

Der Artikel erklärt, wie man ein nützliches Werkzeug zur Analyse wiederkehrender Kursmuster an den Finanzmärkten entwickelt – nach Kalendertag des Monats (1-31), Wochentag (Montag-Sonntag) oder Stunde des Tages (0-23). Der Indikator analysiert historische Daten, berechnet die durchschnittliche Rendite für jeden Zeitraum und zeigt die Ergebnisse als Histogramm mit einer Prognose an. Er enthält anpassbare Parameter: Saisonalitätstyp, Anzahl der analysierten Bars, Anzeige als Prozentsatz oder absolute Werte sowie Chartfarben.

Der Artikel untersucht die Möglichkeit, Regressionsmodelle im algorithmischen Handel einzusetzen. Regressionsmodelle ermöglichen im Gegensatz zur binären Klassifizierung die Erstellung flexiblerer Handelsstrategien durch die Quantifizierung vorhergesagter Kursänderungen.

Dieser Artikel zeigt, wie man die Marktstruktur in MQL5 als Graph darstellt, indem Swing-Highs/-Lows in Knoten mit Merkmalen umgewandelt und durch Kanten miteinander verbunden werden. Es wird ein Graph Neural Network trainiert, um potenzielle Liquiditätszonen zu bewerten, das Modell nach ONNX exportiert und für die Echtzeit-Inferenz in einem Expert Advisor verwendet. Die Leser lernen, wie man die Daten-Pipeline aufbaut, das Modell integriert, Zonen im Chart visualisiert und die Signale für eine regelbasierte Handelsausführung nutzt.

Bei Seitwärtsbewegungen des Kurses sehen sich Händler mit übermäßigen Signalen aus mehreren Kreuzungen gleitender Durchschnitte konfrontiert. Heute besprechen wir, wie ALGLIB ungefilterte Kursdaten vorverarbeitet, um gefilterte Crossover-Ebenen bzw. -Darstellungen zu erzeugen, die bei ihrem Auftreten auch Alarme oder Benachrichtigungen auslösen können. Nehmen Sie an dieser Diskussion teil, um zu erfahren, wie eine mathematische Bibliothek in MQL5-Programmen genutzt werden kann.

Dieser Artikel entwickelt einen praktischen MQL5-Indikator, der Hidden-Smash-Day-Bars anhand strenger numerischer Kriterien und einer optionalen Bestätigung in der folgenden Sitzung identifiziert. Wir behandeln Erkennungsroutinen, das Einrichten der Puffer und die Plot-Einstellungen, um Pfeile an gültigen Bars zu platzieren. Der Ansatz liefert stabile, nicht nachträglich neu gezeichnete Signale für historische Tests und Echtzeitüberwachung.

GridSearchCV und RandomizedSearchCV teilen eine grundlegende Einschränkung im finanziellen ML: Jeder Versuch ist unabhängig, sodass sich die Suchqualität durch zusätzliche Rechenleistung nicht verbessert. Dieser Artikel integriert Optuna – unter Verwendung des Tree-structured Parzen Estimator – mit PurgedKFold-Kreuzvalidierung, HyperbandPruner-Frühstopp und einer Dual-Weight-Konvention, die Trainingsgewichte von Bewertungsgewichten trennt. Das Ergebnis ist ein System aus fünf Komponenten: eine Zielfunktion mit Fold-Level-Pruning, eine Vorschlagsebene, die das Gewichtungsschema gemeinsam mit den Modell-Hyperparametern optimiert, ein finanziell kalibrierter Pruner, ein fortsetzbarer, SQLite-basierter Orchestrator und ein Konverter für das scikit-learn cv_results_-Format. Der Artikel zieht zudem die Grenze – basierend auf Timothy Masters – zwischen statistischen Zielen, bei denen eine gezielte Suche vorteilhaft ist, und finanziellen Zielen, bei denen sie schädlich ist.

In diesem Abschnitt werden wir eine Echtzeit-Korrelationsmatrix in einen Expert Advisor für mehrere Symbole integrieren, um redundante oder risikobehaftete Trades zu vermeiden. Durch die dynamische Messung der Wechselbeziehungen zwischen Symbolen filtert der EA Einstiegssignale heraus, die im Widerspruch zur bestehenden Exposition stehen, wodurch die Ausgewogenheit des Portfolios verbessert, das systemische Risiko verringert und die Qualität der Trades insgesamt verbessert wird.

Entwickeln Sie einen MQL5-Expert Advisor, der die Umkehrmuster nach Larry Williams’ Hidden-Smash-Day automatisiert. Er liest bestätigte Signale eines benutzerdefinierten Indikators aus, wendet Kontextfilter an (Supertrend-Ausrichtung und optionale Handelstag-Regeln) und steuert das Risiko mithilfe von Stop-Loss-Modellen, die auf der Smash-Bar-Struktur oder dem ATR sowie einer festen oder risikobasierten Positionsgröße basieren. Das Ergebnis ist ein reproduzierbares Framework, das für Tests und Erweiterungen bereit ist.

Dieser Artikel befasst sich mit einem spezialisierten, trendfolgenden EA, der deutlich machen soll, wie sich Setups, die sich aus Ungleichgewichten in Premium-/Discount-Bereichen (PD-Arrays) ergeben, definieren und nutzen lassen. In diesem Artikel wird ein EA ausführlich vorgestellt, der speziell für Trader entwickelt wurde, die PD-Arrays und Ungleichgewichte als Einstiegskriterien für ihre Trades und Handelsentscheidungen optimieren und nutzen möchten. Außerdem wird untersucht, wie sich Premium- und Discount-Zonen korrekt ermitteln und charakterisieren lassen und wie man sie jeweils validieren und nutzen kann, wenn sie unter den entsprechenden Marktbedingungen auftreten, um so die sich aus solchen Szenarien ergebenden Chancen bestmöglich zu nutzen.

In diesem Teil der Reihe Entwicklung des Price-Action-Analyse-Toolkits entwickeln wir einen MQL5-Indikator, der steigende und fallende Keilformationen automatisch in Echtzeit erkennt. Das System überprüft Pivot-Strukturen, validiert die Konvergenz der Begrenzungslinien mathematisch, verhindert überlappende Formationen und überwacht die Bedingungen für Ausbruch und Scheitern mit präziser visueller Rückmeldung. Diese auf einer klaren, objektorientierten Architektur basierende Implementierung wandelt die subjektive Erkennung von Keilformationen in eine strukturierte, zustandsabhängige Analysekomponente um, die darauf ausgelegt ist, eine disziplinierte Price-Action-Analyse zu unterstützen.

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.

Dieser Artikel implementiert einen Truncated-Newton-Conjugate-Gradient (TNC) Optimierer mit Box-Beschränkungen in MQL5 und beschreibt detailliert seine Kernkomponenten: Skalierung, Projektion auf Grenzen, Liniensuche und Hessematrix-Vektor-Produkte mittels finiter Differenzen. Es stellt eine Zielfunktions-Wrapperklasse bereit, die analytische oder numerische Ableitungen unterstützt, und validiert die Implementierung am Rosenbrock-Benchmark. Ein Beispiel für eine logistische Regression veranschaulicht, wie TNC als weitgehend austauschbare Alternative zu LBFGS eingesetzt werden kann.

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.

Dieser Artikel stellt ein adaptives System zur Erkennung paralleler Kanäle und den Ausbrüchen daraus in MQL5 vor. Darin wird erläutert, wie Swing-Punkte ermittelt, Kanäle konstruiert und dynamisch neu berechnet werden und wie Ausbrüche durch persistente Signale bestätigt und visualisiert werden. Das Framework vereint Trendliniengeometrie, ATR-basierte Filterung und Retest-Validierung, um eine zuverlässige Kursanalyse in Echtzeit für professionelle Chartanalysen und Handelsentscheidungen zu ermöglichen.

Erfahren Sie, wie Sie eine CSV-Datei in MQL5 einlesen und deren Handelsdaten in dynamischen Arrays organisieren. Dieser Artikel zeigt Schritt für Schritt, wie man Dateielemente zählt, alle Daten in einem einzigen Array speichert und jede Spalte in eigene Arrays aufteilt, wodurch die Grundlage für fortgeschrittene Analysen und die Visualisierung der Handelsperformanz geschaffen wird.

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.