Gamuchirai Zororo Ndawana / Profil

Die Faktorisierung ist ein mathematischer Prozess, der dazu dient, Erkenntnisse über die Eigenschaften von Daten zu gewinnen. Wenn wir die Faktorisierung auf große Mengen von Marktdaten anwenden – die in Zeilen und Spalten organisiert sind – können wir Muster und Merkmale des Marktes aufdecken. Die Faktorisierung ist ein mächtiges Werkzeug, und dieser Artikel zeigt Ihnen, wie Sie es im MetaTrader 5-Terminal über die MQL5-API nutzen können, um tiefere Einblicke in Ihre Marktdaten zu gewinnen.

In diesem Artikel setzen wir unsere Erforschung der Erstellung eines Ensembles von Handelsstrategien und der Verwendung des MT5 genetischen Optimierers zur Abstimmung der Strategieparameter fort. Heute haben wir die Daten in Python analysiert. Dabei hat sich gezeigt, dass unser Modell besser vorhersagen kann, welche Strategie besser abschneiden wird, und eine höhere Genauigkeit erreicht als die direkte Vorhersage der Marktrenditen. Als wir unsere Anwendung jedoch mit ihren statistischen Modellen testeten, fielen unsere Leistungswerte drastisch ab. In der Folge stellten wir fest, dass der genetische Optimierer leider stark korrelierte Strategien bevorzugte, was uns dazu veranlasste, unsere Methode zu überarbeiten, um die Stimmgewichte fest zu halten und die Optimierung stattdessen auf Indikatoreinstellungen zu konzentrieren.

Dieser Artikel beschreibt den Aufbau einer Strategie des Kreuzens zweier gleitender Durchschnitte, die Signale aus einem höheren Zeitrahmen (D1) verwendet, um Einstiege auf einem niedrigeren Zeitrahmen (M15) zu steuern, wobei die Stop-Loss-Niveaus aus einem Zeitrahmen mit mittlerem Risiko (H4) berechnet werden. Es werden Systemkonstanten, nutzerdefinierte Enumerationen und Logik für trendfolgende und zum Mittelwert rückkehrende Modi eingeführt, wobei der Schwerpunkt auf Modularität und künftige Optimierung mithilfe eines genetischen Algorithmus liegt. Der Ansatz ermöglicht flexible Einstiegs- und Ausstiegsbedingungen und zielt darauf ab, die Signalverzögerung zu verringern und das Handels-Timing zu verbessern, indem Einstiegsmöglichkeiten im unteren Zeitrahmen mit Trends im oberen Zeitrahmen abgestimmt werden.

In diesem Artikel wird untersucht, wie die Bestimmung der optimalen Anzahl von Strategien in einem Ensemble eine komplexe Aufgabe sein kann, die durch den Einsatz des genetischen Optimierers von MetaTrader 5 leichter zu lösen ist. Die MQL5 Cloud wird auch als Schlüsselressource zur Beschleunigung von Backtests und Optimierung eingesetzt. Alles in allem schafft unsere Diskussion hier die Grundlage für die Entwicklung statistischer Modelle zur Bewertung und Verbesserung von Handelsstrategien auf der Grundlage unserer ersten Ensemble-Ergebnisse.

Nehmen Sie an unserer Folgediskussion teil, in der wir unsere ersten beiden Handelsstrategien zu einer Gesamthandelsstrategie zusammenführen werden. Wir werden die verschiedenen Schemata demonstrieren, die für die Kombination mehrerer Strategien möglich sind, und wir werden auch zeigen, wie man den Parameterraum kontrollieren kann, um sicherzustellen, dass eine effektive Optimierung möglich bleibt, selbst wenn unsere Parametergröße wächst.

Join us in our discussion as we look for additional improvements to make to our moving-average cross over strategy to reduce the lag in our trading strategy to more reliable levels by leveraging our skills in data science. It is a well-studied fact that projecting your data to higher dimensions can at times improve the performance of your machine learning models. We will demonstrate what this practically means for you as a trader, and illustrate how you can weaponize this powerful principle using your MetaTrader 5 Terminal.

Wie können wir mehrere Strategien am besten kombinieren, um eine leistungsfähige Gesamtstrategie zu schaffen? Nehmen Sie an dieser Diskussion teil, in der wir drei verschiedene Strategien in unsere Handelsanwendung einbauen wollen. Händler verwenden oft spezielle Strategien für die Eröffnung und Schließung von Positionen, und wir wollen wissen, ob unsere Maschinen diese Aufgabe besser erfüllen können. In unserer einleitenden Diskussion machen wir uns mit den Fähigkeiten des Strategietesters und den Prinzipien der OOP vertraut, die wir für diese Aufgabe benötigen.

In dieser Artikelserie haben wir mehrere verschiedene Möglichkeiten zur Ermittlung der besten Periodenlänge für die Verwendung unserer technischen Indikatoren untersucht. Heute werden wir dem Leser zeigen, wie er stattdessen die umgekehrte Logik anwenden kann, d. h., anstatt die beste Periodenlänge auszuwählen, werden wir dem Leser zeigen, wie er alle verfügbaren Periodenlängen effektiv nutzen kann. Dieser Ansatz reduziert die Menge der verworfenen Daten und bietet alternative Anwendungsmöglichkeiten für Algorithmen des maschinellen Lernens, die über die normale Preisvorhersage hinausgehen.

Der Artikel geht der Frage nach, warum die Handelsergebnisse bei verschiedenen Brokern selbst bei Verwendung derselben Strategie und desselben Finanzsymbols aufgrund dezentraler Preisfestsetzung und Datenabweichungen erheblich voneinander abweichen können. Der Artikel hilft MQL5-Entwicklern zu verstehen, warum ihre Produkte auf dem MQL5-Marktplatz gemischte Bewertungen erhalten können, und fordert die Entwickler auf, ihre Ansätze auf bestimmte Makler zuzuschneiden, um transparente und reproduzierbare Ergebnisse zu gewährleisten. Dies könnte sich zu einer wichtigen bereichsgebundenen Best Practice entwickeln, die unserer Gemeinschaft gute Dienste leisten würde, wenn sie auf breiter Ebene übernommen würde.

Es gibt eine mächtige und allgegenwärtige Kraft, die die kollektiven Bemühungen unserer Gemeinschaft, verlässliche Handelsstrategien zu entwickeln, die KI in irgendeiner Form einsetzen, leise untergräbt. In diesem Artikel wird festgestellt, dass ein Teil der Probleme, mit denen wir konfrontiert sind, auf das blinde Festhalten an „Best Practices“ zurückzuführen ist. Indem wir dem Leser einfache marktbasierte Beweise aus der realen Welt vorlegen, werden wir ihm erklären, warum wir von einem solchen Verhalten absehen und stattdessen bereichsgebundene „Best Practices“ anwenden müssen, wenn unsere Gemeinschaft eine Chance haben soll, das latente Potenzial der KI zu nutzen.

Hochwahrscheinliche Setups sind in unserer Trading-Community gut bekannt, aber leider sind sie nicht gut definiert. In diesem Artikel wollen wir einen empirischen und algorithmischen Weg finden, um genau zu definieren, was ein Hochwahrscheinlichkeits-Setup ist, und um diese zu identifizieren und auszunutzen. Durch die Verwendung von Gradient Boosting Trees haben wir gezeigt, wie der Leser die Leistung einer beliebigen Handelsstrategie verbessern und unserem Computer die genaue Aufgabe auf sinnvollere und explizitere Weise mitteilen kann.

Techniken zur Dimensionenreduktion werden häufig eingesetzt, um die Leistung von Modellen des maschinellen Lernens zu verbessern. Wir wollen nun eine relativ neue Technik erörtern, die als Uniform Manifold Approximation and Projection (UMAP) bekannt ist. Diese neue Technik wurde entwickelt, um die Einschränkungen herkömmlicher Methoden zu überwinden, die Artefakte und Verzerrungen in den Daten verursachen. UMAP ist eine leistungsstarke Technik zur Dimensionenreduzierung und hilft uns, ähnliche Kerzen auf eine neuartige und effektive Weise zu gruppieren, die unsere Fehlerquoten bei Daten, die nicht in der Stichprobe enthalten sind, reduziert und unsere Handelsleistung verbessert.

Dieser Artikel befasst sich mit der Optimierung der RSI-Werte und -Perioden für bessere Handelssignale. Wir stellen Methoden zur Schätzung optimaler RSI-Werte vor und automatisieren die Periodenauswahl mithilfe von Rastersuche und statistischen Modellen. Schließlich implementieren wir die Lösung in MQL5 und setzen Python für die Analyse ein. Unser Ansatz ist pragmatisch und geradlinig, um Ihnen zu helfen, potenziell komplizierte Probleme auf einfache Weise zu lösen.

Händler sehen sich oft mit Drawdowns aufgrund falscher Signale konfrontiert, während das Warten auf eine Bestätigung zu verpassten Chancen führen kann. In diesem Artikel wird eine dreieckige Handelsstrategie vorgestellt, die den Silberpreis in Dollar (XAGUSD) und Euro (XAGEUR) zusammen mit dem EURUSD-Wechselkurs verwendet, um das Rauschen herauszufiltern. Durch die Nutzung marktübergreifender Beziehungen können Händler versteckte Stimmungen aufdecken und ihre Eingaben in Echtzeit verfeinern.

Schließen Sie sich unserer heutigen Diskussion an, wenn wir nach einem algorithmischen Verfahren suchen, mit dem wir die Gesamtzahl der Ausstiege aus Gewinngeschäften minimieren können. Das Problem, mit dem wir konfrontiert waren, ist sehr schwierig, und die meisten Lösungen, die in den Diskussionen in der Gemeinschaft genannt wurden, haben keine festen Regeln. Unser algorithmischer Ansatz zur Lösung des Problems erhöhte die Rentabilität unserer Handelsgeschäft und reduzierte den durchschnittlichen Verlust pro Handelsgeschäft. Es müssen jedoch noch weitere Fortschritte gemacht werden, um alle Handelsgeschäfte, die ausgestoppt werden, vollständig herauszufiltern, aber unsere Lösung ist ein guter erster Schritt, den jeder ausprobieren kann.

In diesem Artikel unternehmen wir den zweiten Versuch, die Veränderungen des Preisniveaus auf einem beliebigen Markt in eine entsprechende Veränderung des Winkels umzuwandeln. Diesmal haben wir einen mathematisch anspruchsvolleren Ansatz gewählt als bei unserem ersten Versuch, und die Ergebnisse, die wir erhalten haben, legen nahe, dass unsere Änderung des Ansatzes die richtige Entscheidung war. Diskutieren Sie heute mit uns, wie wir Polarkoordinaten verwenden können, um den Winkel zu berechnen, der durch Veränderungen der Preisniveaus gebildet wird, und zwar auf sinnvolle Weise, unabhängig davon, welchen Markt Sie gerade analysieren.

Die besten Praktiken, die festlegen, wie ein Indikator sicher zu verwenden ist, sind nicht immer leicht zu befolgen. Bei ruhigen Marktbedingungen kann der Indikator überraschenderweise Werte anzeigen, die nicht als Handelssignal gelten, was dazu führt, dass algorithmischen Händlern Chancen entgehen. In diesem Artikel wird eine mögliche Lösung für dieses Problem vorgeschlagen, da wir erörtern, wie Handelsanwendungen entwickelt werden können, die ihre Handelsregeln an die verfügbaren Marktdaten anpassen.

Der erfolgreiche Einsatz des algorithmischen Handels erfordert kontinuierliches, interdisziplinäres Lernen. Die unendlichen Möglichkeiten können jedoch jahrelange Bemühungen verschlingen, ohne greifbare Ergebnisse zu liefern. Um dieses Problem zu lösen, schlagen wir einen Rahmen vor, der die Komplexität schrittweise einführt und es den Händlern ermöglicht, ihre Strategien iterativ zu verfeinern, anstatt sich für unbestimmte Zeit auf ungewisse Ergebnisse festzulegen.

Die Finanzmärkte werden in der Regel entweder in eine Handelsspanne oder in einen Trendmodus eingeteilt. Diese statische Sichtweise des Marktes kann es uns leichter machen, kurzfristig zu handeln. Sie ist jedoch von der Realität des Marktes abgekoppelt. In diesem Artikel geht es darum, besser zu verstehen, wie genau sich die Finanzmärkte zwischen diesen beiden möglichen Modi bewegen und wie wir unser neues Verständnis des Marktverhaltens nutzen können, um Vertrauen in unsere algorithmischen Handelsstrategien zu gewinnen.

Der gleitende Durchschnitt ist bei den Händlern in unserer Gemeinschaft weithin bekannt, und doch hat sich der Kern der Strategie seit ihrer Einführung nur wenig verändert. In dieser Diskussion werden wir Ihnen eine leichte Anpassung der ursprünglichen Strategie vorstellen, die darauf abzielt, den in der Handelsstrategie vorhandenen Verzögerung zu minimieren. Alle Fans der ursprünglichen Strategie könnten in Erwägung ziehen, die Strategie entsprechend den Erkenntnissen, die wir heute diskutieren werden, zu überarbeiten. Durch die Verwendung von 2 gleitenden Durchschnitten mit der gleichen Periodenlänge wird die Verzögerung in der Handelsstrategie erheblich reduziert, ohne dass die Grundprinzipien der Strategie verletzt werden.