Diskussion zum Artikel "Integration von MQL5 mit Datenverarbeitungspaketen (Teil 8): Einsatz von Graph Neural Networks zur Erkennung von Liquiditätszonen"

Neuer Kommentar
 

Neuer Artikel Integration von MQL5 mit Datenverarbeitungspaketen (Teil 8): Einsatz von Graph Neural Networks zur Erkennung von Liquiditätszonen :

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.

Das Modell und der Expert Advisor (EA) arbeiten zusammen, indem sie die Verantwortlichkeiten zwischen Datenvorbereitung, Machine-Learning-Inferenz und Handelsausführung aufteilen. Der EA fungiert als Echtzeit-Marktschnittstelle innerhalb von MetaTrader 5 und sammelt kontinuierlich Kursdaten wie Hochs, Tiefs, Schlusskurse und Tick-Volumina. Aus diesen Daten konstruiert der EA eine strukturelle Darstellung des Marktes, indem er Swing-Highs und Swing-Lows erkennt, die dann in einem Graphen organisiert werden, in dem jeder Swing-Punkt zu einem Knoten wird und ihre strukturellen Beziehungen Kanten bilden. Diese Knoten werden mit Merkmalen wie Kursniveau, Swing-Typ und relativem Abstand zu benachbarten Swings angereichert. Die vorbereiteten Knotenmerkmale und Kantenverbindungen werden dann an das trainierte Graph Neural Network (GNN)-Modell übergeben, das den Graphen verarbeitet und Vorhersagen zurückgibt, die die Wahrscheinlichkeit bzw. Stärke einer Liquiditätskonzentration um jedes strukturelle Niveau herum angeben.

Sobald das Modell seine Inferenz abgeschlossen hat, interpretiert der EA die zurückgegebenen Vorhersagen, um handelbare Signale zu bestimmen. Wenn das Modell eine hohe Wahrscheinlichkeit für Liquidität oberhalb der aktuellen Marktstruktur identifiziert, kann das System mit einer bullischen Bewegung rechnen und eine Kaufposition vorbereiten, während vorhergesagte Liquidität unterhalb der Struktur eine potenzielle Verkaufsmöglichkeit signalisieren kann. Der EA wendet dann grundlegende Handelsmanagementregeln an – wie das Überprüfen von Spread-Bedingungen, das Bestätigen der strukturellen Ausrichtung und das Berechnen von Positionsparametern –, bevor eine Position eröffnet wird. Durch diesen Arbeitsablauf konzentriert sich das Machine-Learning-Modell auf das Erkennen komplexer Liquiditätsmuster, während der EA die operativen Aspekte des Handels übernimmt, wodurch das System graphbasierte Liquiditätsvorhersagen in automatisierte Kauf- oder Verkaufsausführungen innerhalb der Handelsplattform umwandeln kann.


Autor: Hlomohang John Borotho

 
Ein Bild sagt mehr als tausend Worte. Warum sollte man in einem Artikel über einen Graphen nicht einfach eine Darstellung dieses Graphen zeigen?
Neuer Kommentar