Artikel über das Programmieren in MQL4 und MQL5

icon

Lernen Sie die Sprache von Handelsstrategien MQL5 nach den hier veröffentlichten Artikeln, die meisten von denen Sie - die Mitglieder der Community - geschrieben haben. Alle Artikel sind in drei Kategorien aufgeteilt, damit man eine Antwort auf unterschiedliche Fragen des Programmierens schnell finden könnte: "Integration", "Tester", "Handelsstrategien" und vieles mehr.

Verfolgen Sie neue Veröffentlichungen und diskutieren Sie über diese im Forum!

Neuer Artikel
letzte | beste
preview
Neuronale Netze im Handel: Zerlegen statt Skalieren – Entwicklung von Modulen

Neuronale Netze im Handel: Zerlegen statt Skalieren – Entwicklung von Modulen

In diesem Artikel setzen wir unsere praktische Auseinandersetzung mit SSCNN fort – einer Architektur der nächsten Generation, die fragmentierte Zeitreihen verarbeiten kann. Statt blinder Skalierung – intelligente Modularität, Liebe zum Detail und gezielte Normalisierung. Schritt für Schritt erstellen wir in der MQL5-Umgebung Berechnungsblöcke und legen damit den Grundstein für eine zuverlässige prädiktive Analyse.
preview
Neuronale Netze im Handel: Eine intelligente Prognosepipeline (Fazit)

Neuronale Netze im Handel: Eine intelligente Prognosepipeline (Fazit)

Der Artikel bietet einen faszinierenden Einblick darin, wie die SwiGLU-Einbettung verborgene Marktmuster aufdeckt und wie ein sparse Mixture-of-Experts-Modell innerhalb eines Decoder-only-Transformers die Prognosen bei vertretbarem Rechenaufwand genauer macht. Wir befassen uns eingehend mit der Integration von Time-MoE in MQL5 und OpenCL und bieten eine Schritt-für-Schritt-Anleitung zur Konfiguration und zum Training des Modells.
preview
Neuronale Netze im Handel: Zerlegen statt Skalieren (SSCNN)

Neuronale Netze im Handel: Zerlegen statt Skalieren (SSCNN)

In diesem Artikel beginnen wir mit der Untersuchung des SSCNN-Frameworks – einer modernen architektonischen Lösung für die Zeitreihenanalyse, die Genauigkeit, einen strukturierten Aufbau und hohe Recheneffizienz vereint. Wir werden die theoretischen Aspekte systematisch untersuchen, die wesentlichen Unterschiede zu den Vorgängerarchitekturen herausarbeiten und mit der praktischen Umsetzung der grundlegenden Komponenten in der MQL5-Umgebung beginnen.
preview
Neuronale Netze im Trading: Heterogenitätsbasiertes Lernen von Metaparametern (HimNet)

Neuronale Netze im Trading: Heterogenitätsbasiertes Lernen von Metaparametern (HimNet)

Wir laden Sie ein, das HimNet-Framework kennenzulernen, das die Flexibilität der räumlich-zeitlichen Anpassung mit hoher Recheneffizienz verbindet und so genaue und stabile Prognosen für finanzielle Zeitreihen ermöglicht. Der Artikel erläutert ausführlich, wie dessen wichtigste Komponenten miteinander interagieren und komplexe Algorithmen in eine handhabbare Architektur überführen.
preview
Marktsimulation: Positionsanzeige (VII)

Marktsimulation: Positionsanzeige (VII)

In diesem Artikel beginnen wir damit, den Positionsindikator zu verbessern, damit wir mit ihm interagieren und Preislinien ändern oder eine Position direkt über den Positionsindikator schließen können. Bevor wir zur Umsetzung übergehen, gibt es ein paar Dinge, die es zu klären gilt, insbesondere für diejenigen, die sich damit noch nicht auskennen. Der Indikator kann in keiner Weise dazu verwendet werden, irgendetwas auf dem Handelsserver zu ändern. Das liegt daran, dass MetaTrader 5 über ein Sicherheitssystem verfügt, das es ausschließlich Expert Advisors erlaubt, Aufträge (Orders) und Positionen zu ändern. Außer einem Expert Advisor kann keine andere Anwendung Aufträge oder Positionen ändern.
preview
Trauminspirierter Optimierungsalgorithmus (DOA)

Trauminspirierter Optimierungsalgorithmus (DOA)

Ein populationsbasierter Optimierungsalgorithmus, der von einem umstrittenen und bislang kaum erforschten Phänomen inspiriert ist – dem Mechanismus menschlicher Träume. Agentengruppen mit unterschiedlichem „Gedächtnis“, Kosinusmodulation der Bewegung und einer ungewöhnlichen Phasenverteilung von 99/1 – erfahren Sie, wie sich diese Merkmale auf die Effizienz bei der Optimierung Ihrer Handelsstrategien auswirken.
preview
Neuronale Netze im Trading: Das Temporal-Query-Modell (Fazit)

Neuronale Netze im Trading: Das Temporal-Query-Modell (Fazit)

Wir freuen uns, Ihnen die abschließende Phase der Entwicklung und des Testens des TQNet-Frameworks vorstellen zu dürfen, in der die Theorie auf die reale Trading-Praxis trifft. Wir werden vom historischen Training zu einem Stresstest mit aktuellen Marktdaten übergehen, um die Robustheit und Genauigkeit des Modells zu bewerten. Die Endergebnisse sind nicht nur trockene Statistiken, sondern auch eine klare Demonstration des praktischen Nutzens des vorgeschlagenen Ansatzes.
preview
Neuronale Netze im Trading: Das Temporal-Query-Modell (TQNet)

Neuronale Netze im Trading: Das Temporal-Query-Modell (TQNet)

Das TQNet-Framework eröffnet durch die Kombination von Modularität, Flexibilität und hoher Leistungsfähigkeit neue Möglichkeiten für die Modellierung und Prognose von Finanzzeitreihen. Der Artikel untersucht die Möglichkeit, komplexe Mechanismen zur Verarbeitung globaler Korrelationen zu implementieren, darunter auch fortgeschrittene Methoden zur Parameterinitialisierung.
preview
Duellanten-Algorithmus

Duellanten-Algorithmus

Was wäre, wenn Ihre Handelsstrategien voneinander lernen könnten, so wie echte Kämpfer? Der Duellanten-Algorithmus ist eine neue Optimierungsmethode, bei der die Parameter von Handelssystemen buchstäblich gegeneinander antreten, um als die besten ausgezeichnet zu werden.
preview
Marktsimulation: Positionsanzeige (VI)

Marktsimulation: Positionsanzeige (VI)

In diesem Artikel werden wir eine Reihe von Verbesserungen vornehmen, um sicherzustellen, dass der Positionsindikator den tatsächlichen Zustand auf dem Handelsserver in Bezug auf offene Positionen und ihren aktuellen Zustand genau widerspiegelt. Ich möchte darauf hinweisen, dass die hier gezeigten Anwendungen keineswegs dazu gedacht sind, eines der in MetaTrader 5 verfügbaren Elemente zu ersetzen. Sie sollten zudem nicht ohne die gebotene Vorsicht und ohne Augenmaß verwendet werden, da ihr Zweck darin besteht, Lehrcode bereitzustellen – also Code, der ausschließlich dazu dient, die Funktionsweise des Systems zu erlernen. Ich bezeichne diesen Code als „Lehrcode“, weil die Verwendung von Nachrichten in manchen Fällen nicht die beste Methode ist, um bestimmte Funktionen zu implementieren.
preview
Neuronale Netze im Trading: Zerlegen statt Skalieren (Fazit)

Neuronale Netze im Trading: Zerlegen statt Skalieren (Fazit)

Wir laden Sie ein, einen Algorithmus kennenzulernen, mit dem eine Zeitreihe in aussagekräftige Schichten zerlegt und daraus ein sparsames Modell aufgebaut wird. Wir stellen systematisch die Architektur, die praktische Umsetzung in MQL5/OpenCL sowie Praxistests unter Verwendung historischer Marktdaten vor.
preview
Neuronale Netze im Trading: Zerlegung strukturierter Komponenten (Fazit)

Neuronale Netze im Trading: Zerlegung strukturierter Komponenten (Fazit)

Der Artikel enthält eine ausführliche Erläuterung der SCNN-Architektur und zeigt eine Möglichkeit auf, diese mit MQL5 zu implementieren. Wir werden zeigen, wie sich die Zerlegung von Zeitreihen mit Methoden neuronaler Netze und Attention-Mechanismen kombinieren lässt.
preview
Neuronale Netze im Trading: Zerlegung strukturierter Komponenten (Encoder)

Neuronale Netze im Trading: Zerlegung strukturierter Komponenten (Encoder)

Wir laden Sie ein, die nächste Stufe bei der Implementierung des SCNN-Frameworks zu erkunden, das Flexibilität und Interpretierbarkeit vereint und es ermöglicht, strukturelle Komponenten einer Zeitreihe präzise zu identifizieren. Der Artikel enthält eine ausführliche Erläuterung der Mechanismen der adaptiven Normalisierung und des Attention-Mechanismus, die die Robustheit des Modells gegenüber sich ändernden Marktbedingungen gewährleisten.
preview
Neuronale Netze im Trading: Zerlegung strukturierter Komponenten (SCNN)

Neuronale Netze im Trading: Zerlegung strukturierter Komponenten (SCNN)

Wir laden Sie ein, das innovative SCNN-Framework kennenzulernen, das die Zeitreihenanalyse auf eine neue Ebene hebt, indem es die Daten klar in langfristige, saisonale, kurzfristige und Residualkomponenten unterteilt. Dieser Ansatz verbessert die Prognosegenauigkeit erheblich, da er es dem Modell ermöglicht, sich an komplexe und sich verändernde Marktdynamiken anzupassen.
preview
Marktsimulation: Erste Schritte mit SQL in MQL5 (V)

Marktsimulation: Erste Schritte mit SQL in MQL5 (V)

Im vorherigen Artikel habe ich gezeigt, wie vorzugehen ist, um einen Abfragemechanismus hinzuzufügen. Dies war erforderlich, damit Sie innerhalb des MQL5-Codes SQL in vollem Umfang nutzen und Ergebnisse mithilfe einer SQL-SELECT-Abfrage abrufen können. Aber es gibt noch eine letzte Funktion, die wir implementieren müssen. Dabei handelt es sich um die Funktion DatabaseReadBind. Da ein korrektes Verständnis dieser Funktion eine etwas ausführlichere Erläuterung erfordert, wurde beschlossen, dieses Thema nicht im vorherigen Artikel, sondern im heutigen Artikel zu behandeln. Da das Thema also recht umfangreich ist, gehen wir direkt zum nächsten Abschnitt über.
preview
Marktsimulation: Erste Schritte mit SQL in MQL5 (I)

Marktsimulation: Erste Schritte mit SQL in MQL5 (I)

Im heutigen Artikel beginnen wir, uns mit der Verwendung von SQL im MQL5-Code zu beschäftigen. Außerdem werden wir uns damit befassen, wie man eine Datenbank erstellt. Oder, genauer gesagt: wie man mithilfe der in MQL5 integrierten Funktionen eine SQLite-Datenbankdatei erstellt. Außerdem werden wir sehen, wie man eine Tabelle erstellt und anschließend mithilfe von Primär- und Fremdschlüsseln eine Beziehung zwischen Tabellen herstellt. All dies wird wiederum mit MQL5 umgesetzt. Wir werden sehen, wie einfach es ist, Code zu erstellen, der später auf andere SQL-Implementierungen migriert werden kann, indem wir eine Klasse verwenden, die dabei hilft, die jeweilige Implementierung zu verbergen. Und vor allem werden wir sehen, dass wir an verschiedenen Stellen mit dem Risiko konfrontiert sein können, dass bei der Verwendung von SQL etwas schiefgeht. Das liegt daran, dass SQL-Code im MQL5-Code immer in Form eines Strings platziert wird.
preview
Vom Anfänger zum Fortgeschrittenen: Objekte (I)

Vom Anfänger zum Fortgeschrittenen: Objekte (I)

In diesem Artikel werden wir uns zunächst damit befassen, wie man direkt im Chart mit Objekten arbeitet. Dies geschieht mithilfe von Code, der speziell zu Demonstrationszwecken entwickelt wurde. Die Arbeit mit Objekten ist sehr interessant und kann viel Spaß machen. Da dies unsere erste Begegnung mit diesem Thema sein wird, fangen wir mit etwas ganz Einfachem an.
preview
Neuronale Netze im Handel: Ein End-to-End-Modell zur multivariaten Zeitreihenprognose (Fazit)

Neuronale Netze im Handel: Ein End-to-End-Modell zur multivariaten Zeitreihenprognose (Fazit)

Wir freuen uns, Ihnen den letzten Teil unserer Serie über GinAR vorstellen zu dürfen – ein neuronales Netzwerk-Framework zur Zeitreihenprognose. In diesem Artikel analysieren wir die Ergebnisse der Modelltests mit neuen Daten und bewerten seine Robustheit unter realen Marktbedingungen.
preview
Neuronale Netze im Trading: Ein Ende-zu-Ende-Modell für multivariate Zeitreihenprognose (Kernkomponenten)

Neuronale Netze im Trading: Ein Ende-zu-Ende-Modell für multivariate Zeitreihenprognose (Kernkomponenten)

Wir laden Sie ein, eine neue Implementierung der Schlüsselkomponenten des GinAR-Frameworks kennenzulernen – einen adaptiven Algorithmus für die Arbeit mit graphstrukturierten Zeitreihen. Dieser Artikel enthält eine schrittweise Erläuterung der Architektur sowie der Algorithmen für den Vorwärtsdurchlauf und die Backpropagation.
preview
Neuronale Netze im Trading: Ein Ende-zu-Ende-Modell für die multivariate Zeitreihenprognose (GinAR)

Neuronale Netze im Trading: Ein Ende-zu-Ende-Modell für die multivariate Zeitreihenprognose (GinAR)

Wir laden Sie ein, einen innovativen Ansatz zur Prognose von Zeitreihen mit fehlenden Daten mithilfe des GinAR-Frameworks kennenzulernen. Der Artikel veranschaulicht die Implementierung wichtiger Komponenten mithilfe von OpenCL, wodurch eine hohe Leistung gewährleistet wird. In unserer nächsten Veröffentlichung werden wir uns eingehend damit befassen, wie diese Lösungen in MQL5 integriert werden können. Dies wird helfen, zu verstehen, wie sich die Methode in der Praxis im Trading anwenden lässt.
preview
Neuronale Netze im Handel: Probabilistische Zeitreihenprognose (Fazit)

Neuronale Netze im Handel: Probabilistische Zeitreihenprognose (Fazit)

Wir laden Sie ein, mehr über das K²VAE-Framework zu erfahren und zu entdecken, wie die vorgeschlagenen Ansätze in ein Handelssystem integriert werden können. Sie erfahren, wie der hybride Koopman–Kalman–VAE-Ansatz dazu beiträgt, adaptive und interpretierbare Modelle zu erstellen. Der Artikel schließt mit praktischen Ergebnissen aus der Anwendung der implementierten Lösungen.
preview
Analyse der stündlichen Kursentwicklung von Symbolen und ihrer Spreads in MetaTrader 5

Analyse der stündlichen Kursentwicklung von Symbolen und ihrer Spreads in MetaTrader 5

Der Indikator ProSpread-Saisonalitätsindex mit gleitendem Durchschnitt ist ein Werkzeug der technischen Analyse, das saisonale Muster in Kursbewegungen erkennt, das Kursverhalten während bestimmter Handelszeiten analysiert und sowohl mit einem einzelnen Instrument als auch mit einem Spread zwischen zwei Vermögenswerten arbeiten kann. Außerdem visualisiert er die statistische Wahrscheinlichkeit gerichteter Bewegungen.
preview
Neuronale Netze im Handel: Probabilistische Zeitreihenprognose (Encoder)

Neuronale Netze im Handel: Probabilistische Zeitreihenprognose (Encoder)

Wir laden Sie ein, einen neuen Ansatz kennenzulernen, der klassische Methoden und moderne neuronale Netze für die Zeitreihenanalyse kombiniert. Der Artikel enthält eine ausführliche Erläuterung der Architektur und der Funktionsweise des K²VAE-Modells.
preview
Training eines nichtlinearen U-Transformers anhand der Residuen eines linearen autoregressiven Modells

Training eines nichtlinearen U-Transformers anhand der Residuen eines linearen autoregressiven Modells

Der Artikel stellt ein innovatives Hybridsystem zur Prognose von Wechselkursen vor, das ein lineares autoregressives Modell mit einer U-Transformer-Architektur zur Residuenanalyse kombiniert. Das System wechselt je nach Qualität automatisch zwischen den Signalquellen und umfasst eine vollständige Handelslogik mit Strategien für Averaging und Pyramiding. Der entscheidende Vorteil dieses Ansatzes besteht darin, dass das neuronale Netzwerk auf den Residuen des linearen Modells trainiert wird, was die Aufgabe vereinfacht und das Risiko von Overfitting verringert. Das System ist vollständig in MQL5 implementiert, für den Live-Handel ausgelegt und passt sich automatisch an veränderte Marktbedingungen an.
preview
Neuronale Netze im Trading: Probabilistische Zeitreihenprognose (K²VAE)

Neuronale Netze im Trading: Probabilistische Zeitreihenprognose (K²VAE)

Wir laden Sie ein, die ursprüngliche Implementierung des K²VAE-Frameworks zu erkunden – ein flexibles Modell, das komplexe Dynamiken im latenten Raum linear annähern kann. Dieser Artikel zeigt, wie man wichtige Komponenten in MQL5 implementiert, einschließlich parametrisierter Matrizen sowie deren Verwaltung außerhalb der Standardschichten neuronaler Netze. Dieses Material ist für alle hilfreich, die nach einem praktischen Ansatz zur Erstellung interpretierbarer Zeitreihenmodelle suchen.
preview
Neuronale Netze im Trading: Adaptive periodische Segmentierung (Fazit)

Neuronale Netze im Trading: Adaptive periodische Segmentierung (Fazit)

Wir laden Sie ein, in die spannende Welt von LightGTS einzutauchen – einem schlanken und dennoch leistungsstarken Framework für die Prognose von Zeitreihen, bei dem adaptive Faltung und RoPE-Kodierung mit innovativen Aufmerksamkeitsmechanismen kombiniert werden. In unserem Artikel finden Sie eine detaillierte Beschreibung aller Komponenten – von der Erstellung von Patches bis hin zur komplexen Mixture of Experts im Decoder –, die zur Integration in MQL5-Projekte bereit sind. Entdecken Sie, wie LightGTS den automatisierten Handel auf ein ganz neues Niveau hebt!
preview
Neuronale Netze im Trading: Eine intelligente Prognosepipeline (Sparse Mixture of Experts)

Neuronale Netze im Trading: Eine intelligente Prognosepipeline (Sparse Mixture of Experts)

Wir laden Sie ein, die praktische Umsetzung eines Blocks mit spärlicher Expertenmischung für Zeitreihen in der OpenCL-Rechenumgebung zu erkunden. Dieser Artikel erläutert Schritt für Schritt, wie die maskierte Multi-Window-Faltung funktioniert und wie gradientenbasiertes Training bei mehreren Informationsströmen organisiert wird.
preview
Neuronale Netze im Handel: Adaptive periodische Segmentierung (LightGTS)

Neuronale Netze im Handel: Adaptive periodische Segmentierung (LightGTS)

Wir laden Sie ein, mehr über die innovative Technik des adaptiven Patchings zu erfahren – eine Methode zur flexiblen Segmentierung von Zeitreihen unter Berücksichtigung ihrer internen Periodizität. Außerdem werden wir uns mit einer effizienten Kodierungstechnik befassen, die wichtige semantische Merkmale bei der Arbeit mit Daten auf unterschiedlichen Skalen bewahrt. Diese Methoden eröffnen neue Möglichkeiten für die präzise Verarbeitung komplexer, multiskaliger Daten, wie sie für Finanzmärkte charakteristisch sind, und verbessern die Stabilität und Zuverlässigkeit von Prognosen erheblich.
preview
Neuronale Netze im Trading: Adaptive periodische Segmentierung (Token-Generierung)

Neuronale Netze im Trading: Adaptive periodische Segmentierung (Token-Generierung)

Wir laden Sie ein, sich auf eine spannende Reise durch die Welt der adaptiven Analyse von Finanzzeitreihen zu begeben und zu erfahren, wie Sie komplexe Spektralanalyse und flexible Faltung in konkrete Trading-Signale umsetzen können. Sie werden sehen, wie LightGTS dem Marktrhythmus lauscht, sich über eine variable Schrittweite des Fensters an dessen Veränderungen anpasst und wie OpenCL-beschleunigte Berechnungen den Weg zu profitablen Entscheidungen deutlich verkürzen können.
preview
Von den Grundlagen bis zur Mittelstufe: Navigation durch die Sandbox

Von den Grundlagen bis zur Mittelstufe: Navigation durch die Sandbox

In diesem Artikel sehen wir uns zwei Möglichkeiten an, den Inhalt der Sandbox zu prüfen und sogar mit ihr zu interagieren, wobei MetaTrader 5 als Basisplattform dient. Das Verständnis des in diesem Artikel behandelten Materials ist unerlässlich, um die Themen der folgenden Artikel nachvollziehen zu können.
preview
Von den Grundlagen bis zur Mittelstufe: Direkter Dateizugriff (II)

Von den Grundlagen bis zur Mittelstufe: Direkter Dateizugriff (II)

In diesem Artikel untersuchen wir, wie zwei leicht unterschiedliche Ansätze die gesamte Implementierungsstrategie erheblich beeinflussen können – sowohl im Hinblick auf die Leistung als auch die Konzeption der Datenträger-Ein-/Ausgabe – und dabei zugleich helfen, Kompatibilitätsprobleme zwischen Anwendungen zu vermeiden.
preview
MQL5 meistern – Vom Anfänger zum Profi (Teil VII): Grundlagen des Debuggings von MQL-Anwendungen

MQL5 meistern – Vom Anfänger zum Profi (Teil VII): Grundlagen des Debuggings von MQL-Anwendungen

Debugging ist ein wesentlicher Bestandteil des Programmierzyklus. In diesem Artikel werden gängige Techniken für das Debugging jeder Anwendung behandelt, die in der MetaTrader-5-Umgebung ausgeführt wird.
preview
Von den Grundlagen zur Mittelstufe: Objektereignisse (II)

Von den Grundlagen zur Mittelstufe: Objektereignisse (II)

In diesem Artikel werden wir uns ansehen, wie die letzten drei Arten von Ereignissen funktionieren, die von einem Objekt ausgelöst werden. Das ist sehr interessant, denn am Ende werden wir etwas tun, das vielen Menschen vielleicht verrückt erscheinen mag, das aber durchaus möglich ist und zu einem sehr überraschenden Ergebnis führt.
preview
Neuronale Netze im Trading: Effektive Merkmalsextraktion für präzise Klassifikation (Objekterstellung)

Neuronale Netze im Trading: Effektive Merkmalsextraktion für präzise Klassifikation (Objekterstellung)

Mantis ist ein vielseitiges Tool für die detaillierte Zeitreihenanalyse, das flexibel skaliert werden kann, um jedes Finanzszenario abzudecken. Erfahren Sie, wie eine Kombination aus Patching, lokalen Faltungen und Cross-Attention eine äußerst genaue Interpretation von Marktmustern ermöglicht.
preview
Neuronale Netze im Handel: Generalisierung von Zeitreihen ohne Abhängigkeit von spezifischen Datensätzen (Fazit)

Neuronale Netze im Handel: Generalisierung von Zeitreihen ohne Abhängigkeit von spezifischen Datensätzen (Fazit)

In diesem Artikel erfahren Sie, wie Mamba4Cast Theorie in einen funktionierenden Handelsalgorithmus umsetzt und die Grundlage für Ihre eigenen Experimente schafft. Lassen Sie sich diese Gelegenheit nicht entgehen, umfassendes Wissen und Inspiration für die Entwicklung Ihrer eigenen Strategie zu sammeln.
preview
Vom Anfänger zum Fortgeschrittenen: Objekte (II)

Vom Anfänger zum Fortgeschrittenen: Objekte (II)

Im heutigen Artikel werden wir uns damit befassen, wie man bestimmte Objekteigenschaften auf einfache Weise mithilfe von Code steuern kann. Außerdem werden wir sehen, wie eine eigene Anwendung mehr als ein Objekt auf demselben Chart platzieren kann. Außerdem werden wir erkennen, wie wichtig es ist, jedem Indikator, den wir implementieren möchten, einen Kurznamen zuzuweisen.
preview
Marktsimulation (Teil 22): Erste Schritte mit SQL (V)

Marktsimulation (Teil 22): Erste Schritte mit SQL (V)

Bevor Sie aufgeben und beschließen, SQL nicht weiter zu lernen, möchte ich Sie, liebe Leserinnen und Leser, daran erinnern, dass wir hier immer noch nur die grundlegendsten Elemente verwenden. Einige Funktionen von SQL haben wir noch nicht behandelt. Sobald Sie diese verstanden haben, werden Sie feststellen, dass SQL viel praktischer ist, als es zunächst den Anschein hat. Allerdings werden wir höchstwahrscheinlich irgendwann die Richtung dessen ändern, was wir gerade aufbauen, da der Entwicklungsprozess dynamisch ist. Wir werden noch etwas genauer zeigen, wie man verschiedene Dinge in SQL erstellt, denn das ist für Sie wirklich wichtig und nützlich. Wenn man einfach davon ausgeht, dass man fähiger ist als eine ganze Gemeinschaft von Programmierern und Entwicklern, führt das nur dazu, dass man Zeit und Chancen verschwendet. Keine Sorge, denn was als Nächstes kommt, wird noch interessanter.
preview
Neuronale Netze im Trading: Ein domänenübergreifendes Framework für die Zeitreihenprognose (TimeFound)

Neuronale Netze im Trading: Ein domänenübergreifendes Framework für die Zeitreihenprognose (TimeFound)

In diesem Artikel bauen wir Schritt für Schritt den Kern des intelligenten TimeFound-Modells auf und passen ihn an reale Aufgaben der Zeitreihenprognose an. Wenn Sie sich für die praktische Umsetzung von Patching-Algorithmen für neuronale Netze in MQL5 interessieren, sind Sie hier genau richtig.
preview
Marktsimulation (Teil 21): Erste Schritte mit SQL (IV)

Marktsimulation (Teil 21): Erste Schritte mit SQL (IV)

Viele von Ihnen haben vielleicht weitaus mehr Erfahrung im Umgang mit Datenbanken als ich und sind daher möglicherweise anderer Meinung. Da es notwendig war, zu erklären, warum Datenbanken so aufgebaut sind, wie sie sind, und warum SQL diese Form hat – insbesondere, warum Primär- und Fremdschlüssel entstanden sind –, mussten einige Dinge etwas abstrakt bleiben.
preview
Vom Anfänger zum Fortgeschrittenen: Indikator (V)

Vom Anfänger zum Fortgeschrittenen: Indikator (V)

In diesem Artikel werden wir uns damit befassen, wie man Benutzeranfragen zur Änderung des Chart-Darstellungsmodus verarbeitet. Dies ist notwendig, damit ein Indikator, der für den aktuellen Chart-Darstellungsmodus konzipiert ist, nicht seltsam aussieht oder von dem abweicht, was ein MetaTrader-5-Nutzer erwartet.