Jonathan Pereira / Profil
- Information
3 Jahre
Erfahrung
|
5
Produkte
|
5
Demoversionen
|
57
Jobs
|
1
Signale
|
0
Abonnenten
|
Foi em 2016 que, por um feliz acaso, me deparei com o mercado financeiro e me encantei instantaneamente. Ao descobrir a plataforma MetaTrader e sua capacidade de integrar estratégias codificadas ao mercado financeiro, soube que tinha encontrado um novo amor.
Explore meus tutoriais no GitHub e acompanhe minha jornada de crescimento e compartilhamento de conhecimento: https://github.com/jowpereira/mql5-tutoriais
Se desejar iniciar um novo projeto e aproveitar minha expertise, acesse: https://www.mql5.com/pt/job/new?prefered=14134597.
Tenho certeza de que, juntos, podemos desenvolver soluções interessantes e inspiradoras!
Conheça meu GPT - https://chat.openai.com/g/g-1DCzqDcMF-arnaldo
Este capítulo da série aborda algoritmos de aprendizado por reforço, focando em Q-Learning, Deep Q-Network (DQN), e Proximal Policy Optimization (PPO). Explora como essas técnicas podem ser integradas para melhorar a automação de tarefas, detalhando suas características, vantagens, e aplicabilidades práticas. A seleção do algoritmo mais adequado é vista como crucial para otimizar a eficiência operacional em ambientes dinâmicos e incertos, prometendo discussões futuras sobre a implementação prática e teórica desses métodos.
Este artículo examina la transición de la codificación procedimental a la programación orientada a objetos (POO) en MQL5, enfocándose en la integración con REST APIs. Discutimos la organización de funciones de solicitudes HTTP (GET y POST) en clases y destacamos ventajas como el encapsulamiento, la modularidad y la facilidad de mantenimiento. La refactorización de código se detalla, y se muestra la sustitución de funciones aisladas por métodos de clases. El artículo incluye ejemplos prácticos y pruebas.
Operating Principle: The "RSDForce" merges trading volume analysis and price movements to provide valuable market insights. Here's how it works: Volume and Price Analysis : The indicator examines the trading volume (quantity of traded assets) and price variations over time. Market Force Calculation : It calculates a value that reflects the market's 'force', indicating whether the price trend is strong and based on substantial trading volume. Simple Visualization : The result is displayed as a
The "ZScore Quantum Edge" is based on an advanced algorithm that combines volume analysis and price movement, providing a clear and accurate representation of market trends. Key Features: In-Depth Trend Analysis : The indicator uses a configurable period for trend analysis, allowing traders to adjust the indicator's sensitivity according to their trading strategies. Data Smoothing : With an adjustable range for data smoothing, the "ZScore Quantum Edge" offers a clearer view of the market
Este artículo explora la implementación de jugadas automáticas en el juego del tres en raya de Python, integrado con funciones de MQL5 y pruebas unitarias. El objetivo es mejorar la interactividad del juego y asegurar la robustez del sistema a través de pruebas en MQL5. La exposición cubre el desarrollo de la lógica del juego, la integración y las pruebas prácticas, y finaliza con la creación de un entorno de juego dinámico y un sistema integrado confiable.
Este artículo detalla cómo MQL5 puede interactuar con Python y FastAPI, utilizando llamadas HTTP en MQL5 para comunicarse con un juego de tres en raya en Python. En él se discute la creación de una API con FastAPI para esta integración e se incluye un script de prueba en MQL5, resaltando la versatilidad del MQL5, la simplicidad del Python y la eficiencia del FastAPI en la conexión de diferentes tecnologías para soluciones innovadoras.
In this article we will talk about the importance of APIs (Application Programming Interface) for interaction between different applications and software systems. We will see the role of APIs in simplifying interactions between applications, allowing them to efficiently share data and functionality.
Dieser Artikel beschreibt die Implementierung eines Regressionsmodells auf der Grundlage eines Entscheidungsbaums. Das Modell soll die Preise von Finanzanlagen vorhersagen. Wir haben die Daten bereits aufbereitet, das Modell trainiert und evaluiert, sowie angepasst und optimiert. Es ist jedoch wichtig zu beachten, dass dieses Modell nur für Studienzwecke gedacht ist und nicht im realen Handel eingesetzt werden sollte.
Dieses Material bietet eine vollständige Anleitung zur Erstellung einer Klasse in MQL5 für die effiziente Verwaltung von CSV-Dateien. Wir werden die Implementierung von Methoden zum Öffnen, Schreiben, Lesen und Umwandeln von Daten sehen. Wir werden auch überlegen, wie wir sie zum Speichern und Abrufen von Informationen nutzen können. Darüber hinaus werden wir die Grenzen und die wichtigsten Aspekte bei der Verwendung einer solchen Klasse erörtern. Dieser Artikel kann eine wertvolle Ressource für diejenigen sein, die lernen wollen, wie man CSV-Dateien in MQL5 verarbeitet.
Das mehrschichtige Perzeptron ist eine Weiterentwicklung des einfachen Perzeptrons, das nichtlineare separierbare Probleme lösen kann. Zusammen mit dem Backpropagation-Algorithmus kann dieses neuronale Netz effektiv trainiert werden. In Teil 3 der Serie Multilayer Perceptron und Backpropagation werden wir sehen, wie man diese Technik in den Strategy Tester integriert. Diese Integration ermöglicht die Nutzung komplexer Datenanalysen, um bessere Entscheidungen zur Optimierung Ihrer Handelsstrategien zu treffen. In diesem Artikel werden wir die Vorteile und Probleme dieser Technik erörtern.
Für die Entwicklung von Integrationen mit MQL steht ein Python-Paket zur Verfügung, das eine Fülle von Möglichkeiten wie Datenexploration, Erstellung und Nutzung von maschinellen Lernmodellen ermöglicht. Die eingebaute Python-Integration in MQL5 ermöglicht die Erstellung verschiedener Lösungen, von der einfachen linearen Regression bis hin zu Deep-Learning-Modellen. Werfen wir einen Blick darauf, wie man eine Entwicklungsumgebung einrichtet und vorbereitet und wie man einige der Bibliotheken für maschinelles Lernen verwendet.
Tillson's T3 moving average was introduced to the world of technical analysis in the article ''A Better Moving Average'', published in the American magazine Technical Analysis of Stock Commodities. Developed by Tim Tillson, analysts and traders of futures markets soon became fascinated with this technique that smoothes the price series while decreasing the lag (lag) typical of trend-following systems
Das Volumen ist ein weit verbreiteter Indikator in der technischen Analyse, es gibt jedoch eine Variation, die noch nützlicher ist als das Volumen selbst: den gleitenden Durchschnitt des Volumens. Es ist nichts anderes als ein gleitender Durchschnitt, der auf den beliebten Volumenindikator angewendet wird. Wie der Name schon sagt, dient Volume + MA dazu, das zu einem bestimmten Zeitpunkt getätigte Transaktionsvolumen (Käufe und Verkäufe) eines bestimmten finanziellen Vermögenswerts zusammen mit
Die Popularität dieser beiden Methoden wächst, sodass viele Bibliotheken in Matlab, R, Python, C++ und anderen entwickelt wurden, die einen Trainingssatz als Eingabe erhalten und automatisch ein passendes Netzwerk für das Problem erstellen. Versuchen wir zu verstehen, wie der Grundtyp des neuronalen Netzes funktioniert (einschließlich Ein-Neuronen-Perzeptron und Mehrschicht-Perzeptron). Wir werden einen spannenden Algorithmus betrachten, der für das Training des Netzes verantwortlich ist - Gradientenabstieg und Backpropagation. Bestehende komplexe Modelle basieren oft auf solchen einfachen Netzwerkmodellen.
Hi-Lo is an indicator whose purpose is to more precisely assist the trends of a given asset - thus indicating the possible best time to buy or sell. What is Hi-lo? Hi-Lo is a term derived from English, where Hi is linked to the word High and Lo to the word Low. It is a trend indicator used to assess asset trading in the financial market. Therefore, its use is given to identify whether a particular asset is showing an upward or downward trend in value. In this way, Hi-Lo Activator can be