HybridMicrostructure EA - Experte für den MetaTrader 5

Dieser EA ist darauf ausgelegt, HTTP-POST-Anfragen mit einer JSON-Nutzlast im OpenAI-Stil (enthaltend `messages`, `role: system` und `role: user`) zu senden und erwartet eine JSON-Antwort, die `decision`, `confidence` und `reason` enthält.

Um eine lokale KI-API (lokaler Server) zu erstellen, die innerhalb von Millisekunden auf diese MT5-Anfragen reagieren kann, ist Python in Verbindung mit dem FastAPI-Framework die ideale Programmiersprache. FastAPI ist leichtgewichtig, blitzschnell und perfekt für die Verarbeitung hochfrequenter Daten aus MT5 geeignet.

Nachfolgend finden Sie den vollständigen Python-Servercode. Sie können später ein echtes Machine-Learning-Modell (wie TensorFlow, Scikit-Learn oder sogar Ollama für ein lokales LLM) in diese Engine integrieren.

1. Einrichtung der Python-Umgebung

Stellen Sie sicher, dass Python auf Ihrem Computer installiert ist. Öffnen Sie das Terminal oder die Eingabeaufforderung und installieren Sie diese beiden wichtigen Bibliotheken:

pip install fastapi uvicorn

2. Python-API-Code (local_ai_bridge.py)

Erstellen Sie auf Ihrem Computer eine Datei mit dem Namen „local_ai_bridge.py“ und kopieren Sie den folgenden Code hinein: (Python)

from fastapi import FastAPI, Request
from pydantic import BaseModel
from typing import List, Optional
import json
import uvicorn

app = FastAPI(title="MT5 AI Microstructure Bridge")

# --- DATENMODELLE (kompatibel mit dem MQL5-Datenformat) ---
class Message(BaseModel):
    role: str
    content: str

class AIRequest(BaseModel):
    model: str
    temperature: float
    response_format: Optional[dict] = None
    messages: List[Message]

# --- HAUPT-ENDPUNKT (/analyze) ---
@app.post("/analyze")
async def analyze_market(payload: AIRequest):
    """
    This endpoint receives tick and microstructure data from MT5,
    analyzes the data, and returns a BUY/SELL/WAIT decision.
    """
    
    # 1. JSON-Daten aus der von MT5 gesendeten „user“-Nachricht extrahieren
    user_content = "{}"
    for msg in payload.messages:
        if msg.role == "user":
            user_content = msg.content
            break
            
    try:
        facts = json.loads(user_content)
    except json.JSONDecodeError:
        return {"decision": "WAIT", "confidence": 0.0, "reason": "Invalid JSON format"}

    # 2. Marktdaten ermitteln
    order_type = facts.get("order_type", "WAIT")
    high_velocity = facts.get("high_velocity", False)
    snapback_pips = facts.get("snapback_pips", 0.0)
    min_snapback = facts.get("min_snapback_pips", 2.0)
    deviation_z = facts.get("deviation_z", 0.0)
    
    mtf = facts.get("mtf", {})
    m1_structure = facts.get("m1_structure", {})

    # 3. KI / ENTSCHEIDUNGSALGORITHMUS (Kann später durch ein ML-Modell ersetzt werden)
    # Dies ist ein einfaches Beispiel für Entscheidungslogik
    
    confidence = 0.0
    decision = "WAIT"
    reason = ""

    # Die Logik auswerten, wenn der EA eine VERKAUF-Bestätigung anfordert
    if order_type == "SELL":
        score = 0
        
        # Snapback und Geschwindigkeit überprüfen
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # Extreme Abweichung überprüfen (Überkauf-Situation)
        if deviation_z > 2.0:
            score += 0.3

        # MTF-Ausrichtung überprüfen (mindestens H1 oder M15 muss bärisch sein)
        if mtf.get("h1_down") or mtf.get("m15_down"):
            score += 0.2

        # M1-Ablehnung überprüfen (langer oberer Docht)
        if m1_structure.get("upper_wick_ratio", 0.0) >= 0.2:
            score += 0.1

        confidence = score
        if confidence >= 0.70:
            decision = "SELL"
            reason = "High velocity drop, MTF align, Z-Score high"
        else:
            reason = f"Score only {confidence:.2 f}, lacking momentum"

    # Die Logik auswerten, wenn der EA eine KAUF-Bestätigung anfordert
    elif order_type == "BUY":
        score = 0
        
        # Snapback und Geschwindigkeit überprüfen
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # Extreme Abweichung überprüfen (deviation_z ist in MQL5 bereits richtungsbereinigt)
        if deviation_z > 2.0:
            score += 0.3

        # MTF-Ausrichtung überprüfen (mindestens H1 oder M15 muss bullisch sein)
        if mtf.get("h1_up") or mtf.get("m15_up"):
            score += 0.2

        # M1-Ablehnung bestätigen (langer unterer Docht)
        if m1_structure.get("lower_wick_ratio", 0.0) >= 0.2:
            score += 0.1

        confidence = score
        if confidence >= 0.70:
            decision = "BUY"
            reason = "High velocity bounce, MTF align, Z-Score high"
        else:
            reason = f"Score only {confidence:.2 f}, lacking momentum"

    # 4. Die JSON-Antwort an MT5 zurücksenden
    return {
        "decision": decision,
        "confidence": round(confidence, 2),
        "reason": reason[:60]  # Begrenze die Begründung bei MT5 auf maximal 60 Zeichen
    }

if __name__ == "__main__":
    # Starte den lokalen Server auf Port 8787, entsprechend dem Parameter „InpAIEndpoint“ in MQL5
    print("AI Bridge Server is running on http://127.0.0.1:8787")
    uvicorn.run(app, host="127.0.0.1", port=8787)

3. So starten Sie den Server und stellen eine Verbindung zu MT5 her

1. Öffnen Sie das Terminal und wechseln Sie in den Ordner, in dem die Python-Datei gespeichert ist.
2. Führen Sie den folgenden Befehl aus:
3. Der Server wird gestartet und lauscht unter [http://127.0.0.1:8787](http://127.0.0.1:8787).
4. Stellen Sie auf der MetaTrader 5-Plattform sicher, dass Sie die URL [http://127.0.0.1](http://127.0.0.1) zur Liste der zulässigen WebRequest-URLs hinzugefügt haben:
1. Gehen Sie zu „Extras“ -> „Optionen“ -> „Expert Advisors“.
2. Aktivieren Sie das Kontrollkästchen „WebRequest für aufgeführte URLs zulassen“.
3. Fügen Sie die URL [http://127.0.0.1](http://127.0.0.1) zur Liste hinzu.
5. Starten Sie Ihren EA. Der EA sendet nun Echtzeitdaten an die Python-API; Python analysiert diese anhand der Parameter innerhalb der Python-Funktion und sendet KAUF-/VERKAUF-/WARTEN-Befehle zurück an MT5.

python local_ai_bridge.py

Visualisierung im Strategietester: