ML Key Levels for MT5

🟠ÜBERSICHT
Dieses Skript stelltMachine Learning Key Levels auf Ihrem Chart dar, indem es historische Pivot-Punkte erkennt und sie mithilfe von agglomerativem Clustering gruppiert, um die Preisniveaus mit den meisten vergangenen Reaktionen hervorzuheben. Es kombiniert eine Pivot-Erkennung, eine hierarchische Clustering-Logik und eine optionale Silhouetten-Methode, um automatisch die optimale Anzahl von Key Levels auszuwählen. So erhalten Sie eine adaptive Methode zur Visualisierung von Preiszonen, in denen sich die Aktivität im Laufe der Zeit konzentriert hat.

🟠CONCEPTS
Das agglomerative Clustering ist eine Bottom-up-Methode, bei der zunächst jeder Pivot als eigener Cluster behandelt wird und dann wiederholt die beiden nächstgelegenen Cluster auf der Grundlage des durchschnittlichen Abstands zwischen ihren Mitgliedern zusammengeführt werden, bis nur noch die gewünschte Anzahl von Clustern übrig ist. Durch diesen Prozess wird eine Hierarchie von Gruppierungen geschaffen, die flexibel Muster in der Kursreaktion um bestimmte Niveaus herum beschreiben kann. Dies bietet einen Vorteil gegenüber dem K-means-Clustering, da die Anzahl der Cluster nicht im Voraus festgelegt werden muss. In diesem Skript wird eindurchschnittlicher Verknüpfungsansatz verwendet, bei dem der Abstand zwischen den Clustern als der durchschnittliche paarweise Abstand aller enthaltenen Punkte berechnet wird.

Abbildung 2

Das Skript findet Pivot-Hochs und -Tiefs über einen festgelegten Rückblickzeitraum und speichert sie in einem Puffer, der durch die Einstellung Pivot-Speicher gesteuert wird. Wenn mindestens zwei Pivots vorhanden sind, gruppiert es diese mithilfe des agglomerativen Clustering: Es beginnt mit jedem Pivot als eigene Gruppe und fasst die nächstgelegenen Paare auf der Grundlage ihres durchschnittlichen Abstands zusammen, bis die gewünschte Anzahl von Clustern übrig ist. Diese Anzahl kann festgelegt oder automatisch mit der Silhouettenmethode gewählt werden, die prüft, wie gut jeder Punkt im Vergleich zu den anderen in sein Cluster passt (höhere Punktzahlen bedeuten eine sauberere Trennung). Sobald das Clustering abgeschlossen ist, nimmt das Skript den Durchschnittspreis jedes Clusters, um Schlüsselebenen zu erstellen, sortiert sie und zeichnet horizontale Linien mit Beschriftungen und Farben, die ihre Stärke anzeigen. In einer Metrik-Tabelle können auch Details zu den Clustern angezeigt werden, damit Sie besser verstehen, wie die Niveaus berechnet wurden.

1. Agglomerative Clustering-Engine mit durchschnittlicher Verknüpfung zum Zusammenführen von Pivots in Ebenengruppen. (Abbildung 3)
2. Dynamische Linien, die zur Verdeutlichung das Preisniveau jedes Clusters anzeigen. (Abbildung 4)
   
3. Beschriftungen, die die Stärke des Niveaus entweder als Prozentsatz aller Pivots oder als rohe Anzahl angeben. (Abbildung 5)
   
4. Eine Metrik-Tabelle, die die Anzahl der Pivots, die Anzahl der Cluster, den Silhouetten-Score und die durchschnittlichen Pivots pro Cluster anzeigt. (Abbildung 6)
5. Optionale silhouettenbasierte automatische Auswahl der Clusteranzahl, um adaptiv die beste Anpassung zu finden.