Neural Loss-Pattern Auditor - Skript für den MetaTrader 5

Aggregierte Kennzahlen wie die Gewinnquote oder der Gewinnfaktor können nicht aufzeigen, ob die Wahrscheinlichkeit eines Verlusts davon abhängt, was ein Trader gerade getan hat – beispielsweise die Positionsgröße unmittelbar nach einem vorherigen Verlust anzupassen. Der „Neural Loss-Pattern Auditor“ prüft genau diese Art von Verhaltensmuster direkt anhand der eigenen Handelshistorie des Traders.

Das Hauptskript erstellt pro abgeschlossenem Geschäft einen Datensatz mit acht Merkmalen und gibt einen vollständigen Diagnosebericht auf der Registerkarte „Experts“ aus:

• Genauigkeitssteigerung – die Validierungsgenauigkeit des trainierten Netzwerks im Vergleich zur Genauigkeit, die man erhält, wenn man immer die Mehrheitsklasse errät.
• Kalibrierungstabelle – die durchschnittliche Vorhersage jedes Wahrscheinlichkeitsbereichs im Vergleich zur tatsächlich beobachteten Verlusthäufigkeit in diesem Bereich.
• Permutationsbasierte Merkmalsbedeutung – welche der acht Merkmale das Netzwerk tatsächlich heranzieht, geordnet nach dem Genauigkeitsverlust, wenn diese Spalte permutiert wird.
• Eine zusammengesetzte Bewertung (A bis F), die die drei Diagnosen kombiniert, mit schriftlichen Empfehlungen.

Eingabe. Mit der Standardeinstellung `InpUseDemoData=true` generiert das Skript 480 synthetische abgeschlossene Geschäfte mit einem bekannten eingespielten Muster (größere Positionsgröße unmittelbar nach einem Verlust) und analysiert diese, sodass die Ausgabe sofort sichtbar ist. Setzen Sie „InpUseDemoData=false“, um stattdessen den tatsächlichen Verlauf abgeschlossener Trades über die Funktionen „HistorySelect()“ und „HistoryDealGet*()“ einzulesen; in diesem Modus ist keine Datei oder CSV-Datei erforderlich.

Parameter. „InpMinTrades“ legt die Mindestanzahl abgeschlossener Trades fest, die vor dem Training erforderlich sind; „InpValidationFraction“ legt fest, wie viel der jüngsten Historie für die Validierung zurückgehalten wird; „InpHiddenNeurons“, „InpLearningRate“ und „InpEpochs“ steuern das Netzwerk; InpCalibrationBins und InpPermutationRepeats steuern die beiden Diagnosen; und InpWeightUplift, InpWeightCalibration, InpWeightTopFeature sowie die drei *Scale- und vier Grade-Eingaben steuern die Gesamtbewertung.

Das Tool ist in reinem MQL5 geschrieben. Es benötigt keine externen Bibliotheken, kein Python und keinerlei KI-Dienste. Eine vollständige Beschreibung der Methode, der mathematischen Grundlagen hinter jeder Diagnose sowie des Codes finden Sie in dem Artikel: [ARTICLE_URL].