Artikel zum Programmieren in MQL5

Im heutigen Artikel werden wir zum ersten Mal den wahlfreien Zugriff auf Dateiinhalte untersuchen. Dies gilt sowohl für das Schreiben als auch für das Lesen von Informationen, die in einer Datei gespeichert sind. Da das Thema jedoch zu umfangreich ist, um es in einem einzigen Artikel zu behandeln, beschränken wir uns hier auf eine Einführung in den wahlfreien Zugriff.

Das Mantis-Framework transformiert komplexe Zeitreihen in informative Token und dient als zuverlässige Grundlage für einen intelligenten Handelsagenten, der in Echtzeit agieren kann.

Der Artikel befasst sich mit der Klassifikation mittels Gauß-Prozessen. Wir beginnen mit dem Studium der theoretischen Grundlagen und gehen dann zur praktischen Entwicklung der GP-Bibliothek in MQL5 über.

Dieser Artikel vervollständigt die Implementierung von ATR- und RRR-basierten Breakeven-Mechanismen in MQL5 und entwickelt eine Klasse von Grund auf neu, die es einfach macht, zwischen Breakeven-Modi zu wechseln, ohne die Parameter erneut eingeben zu müssen. Um die Wirksamkeit jedes Breakeven-Typs zu bewerten, werden mehrere Backtests durchgeführt, bei denen deren Vor- und Nachteile im Kontext des algorithmischen Handels analysiert werden.

Trotz dessen, was im vorherigen Artikel gezeigt wurde, mag all dies zunächst einfach erscheinen. In Wirklichkeit gibt es jedoch noch einige Probleme, und viele Aufgaben sind noch offen. Sie, lieber Leser, Sie denken vielleicht, dass alles einfach und unkompliziert ist. Aus Unerfahrenheit akzeptieren Sie vielleicht einfach alles, was Ihnen präsentiert wird. Und das ist ein Fehler, den Sie zu vermeiden versuchen sollten. Noch schlimmer ist es, etwas zu verwenden, ohne wirklich zu verstehen, was genau Sie da verwenden. Anfänger durchlaufen oft eine Copy-and-Paste-Phase. Wenn Sie nicht für immer in dieser Phase stecken bleiben wollen, sollten Sie lernen, wie man bestimmte Werkzeuge verwendet. Eines der am häufigsten von Programmierern verwendeten Werkzeuge ist die Dokumentation. Das zweite ist das Testen, unterstützt durch Protokolldateien. Hier werden wir uns ansehen, wie man dabei vorgeht.

Lernen Sie Mantis kennen – ein leichtgewichtiges Foundation-Model für die Zeitreihenklassifizierung auf Basis einer Transformer-Architektur mit kontrastivem Vortraining und einem hybriden Attention-Mechanismus, der eine rekordverdächtige Genauigkeit und hohe Skalierbarkeit ermöglicht.

Der Artikel untersucht die revolutionäre Mamba/SSM-Architektur neuronaler Netze für die finanzielle Zeitreihenprognose. Im Beitrag wird eine vollständige MQL5-Implementierung einer modernen Alternative zu Transformer mit linearer Komplexität O(N) statt quadratischer Komplexität O(N²) vorgestellt. Selective State Space Models, hardwareorientierte Optimierungen, Patching-Techniken und fortschrittliche AdamW-Trainingsmethoden werden detailliert behandelt. Praktische Testergebnisse, die eine Steigerung der Genauigkeit von 62% auf 71% bei gleichzeitiger Reduzierung der Trainingszeit von 45 auf 8 Minuten zeigen, sind enthalten. Ein fertiger Trading-EA mit automatischem Nachtraining und adaptivem Risikomanagement für MetaTrader 5 wird vorgestellt.

Hier werden wir beginnen, verschiedene Komponenten oder Anwendungen zusammenzuführen, die zuvor völlig voneinander isoliert waren. Chart Trade, der Mausindikator und der Expert Advisor waren bereits miteinander verknüpft, aber es gab immer noch keine Möglichkeit, die auf dem Handelsserver offenen Positionen, die oft über ein Cross-Order-System verwaltet werden, direkt im Chart anzuzeigen. Ab diesem Punkt wird dies möglich, was den Weg für verschiedene Ideen und zukünftige Implementierungen ebnet. Obwohl wir erst am Anfang stehen, diese Komponenten in Betrieb zu nehmen, haben wir bereits eine Richtung für die weitere Entwicklung.

Wir setzen unsere Bekanntschaft mit dem Mamba4Cast-Framework fort. Heute werden wir uns mit der praktischen Umsetzung der vorgeschlagenen Ansätze befassen. Mamba4Cast wurde nicht für eine lange Anpassungsphase bei jeder neuen Zeitreihe entwickelt, sondern für den sofortigen Einsatz. Dank des Konzepts des Zero-Shot-Forecastings kann das Modell hochwertige Prognosen auf realen Daten ohne zusätzliches Training oder Hyperparameter-Tuning erstellen.

Ein revolutionärer Ansatz für maschinelles Lernen im Handel durch Quantencomputing. Der Artikel demonstriert eine praktische Umsetzung eines adaptiven QRC-Systems mit kontinuierlichem Nachtraining zur Vorhersage von Marktbewegungen in Echtzeit.

Der Artikel beschreibt die Implementierung des A3-Algorithmus – eines metaheuristischen Optimierungsalgorithmus, der von chemischen Prozessen inspiriert ist – in MQL5. Nur zwei einstellbare Parameter und eine kleine Population gewährleisten eine hohe Arbeitsgeschwindigkeit bei ausreichender Qualität der Lösungen.

In früheren Artikeln haben wir erwähnt, dass wir manchmal einen Wert für die Eigenschaft ZOrder festlegen müssen. Aber warum? Der Grund dafür ist, dass viele Codeteile, die Objekte in einem Chart hinzufügen, einfach keinen Wert für diese Eigenschaft verwenden oder, genauer gesagt, nicht definieren. Es geht mir nicht darum, zu sagen, was Programmierer tun oder lassen sollen und wie sie ihren Code schreiben sollten. Ich bin hier, um Ihnen, lieber Leser, und jedem, der wirklich verstehen will, wie diese Prozesse intern funktionieren, zu zeigen, was tatsächlich hinter den Kulissen passiert.

Der Handel ist durch hohe Anforderungen an die Disziplin beim Risikomanagement gekennzeichnet. Der Artikel präsentiert eine Analyse der Hauptgründe für das Scheitern von Tradern und schlägt eine technische Lösung in Form der Klasse CEnhancedRiskManager für die MQL5-Plattform vor. Er beinhaltet praktische Tests mit einem aggressiven Grid-EA.

Wir kehren zum Thema der Optimierung nach dem Modell einer wissenschaftlichen Gemeinschaft zurück. CoSO sollte nicht als fertige Lösung betrachtet werden, sondern als vielversprechende Forschungsplattform. Bei entsprechender Entwicklung kann CoSO seine Nische in Aufgaben finden, bei denen Anpassungsfähigkeit und Widerstandsfähigkeit gegenüber Veränderungen wichtig sind und die Rechenzeit nicht kritisch ist.

In diesem Abschnitt betrachten wir die Implementierung der wichtigsten Schnittstellen der Bibliothek für Gaußsche Prozesse in MQL5: IKernel, ILikelihood und IInference. Wir werden auch deren Funktionsweise an synthetischen Daten demonstrieren und Indikatoren für Klassifizierung und Regression implementieren und ihre Funktionsweise im Online-Modus demonstrieren – mit erneutem Training des Modells bei jeder neuen Bar.

Der Artikel konzentriert sich auf die Erstellung eines Handelssystems mit einem echten Quantensimulator anstelle von mathematischen Analogien. Das System verwendet 3 virtuelle Qubits, Quantengatter und Superpositionsprinzipien zur Marktanalyse. Es ist als Handels-EA für MetaTrader 5 in MQL5 implementiert. Die wichtigste Errungenschaft ist der Übergang von der Simulation zu echten Quantenprinzipien der Finanzinformationsverarbeitung.

Geheimnisse der effektiven Optimierung von Handelsstrategien in metaheuristischen Ansätzen. Community of Scientists Optimization ist ein neuer populationsbasierter Algorithmus, der von den Mechanismen der wissenschaftlichen Gemeinschaft inspiriert ist. Im Gegensatz zu traditionellen, von der Natur inspirierten Metaphern modelliert CoSO einzigartige Aspekte menschlicher wissenschaftlicher Tätigkeit: das Veröffentlichen von Ergebnissen in Fachzeitschriften, das Konkurrieren um Fördermittel und das Bilden von Forschungsteams.

Im heutigen Artikel werden wir uns verschiedene Möglichkeiten ansehen, mit den Bibliotheksfunktionen FileSave und FileLoad zu arbeiten. Obwohl viele Leute sie aufgrund bestimmter Einschränkungen oder Schwierigkeiten, die sie in spezifischen Szenarien verursachen, für nur begrenzt nutzbar halten, kann uns ein korrektes Verständnis der Funktionsweise dieser beiden Funktionen an manchen Stellen viel Aufwand ersparen. Sie sind auch eine hervorragende Möglichkeit, mit Protokolldateien zu arbeiten.

Der Artikel präsentiert eine innovative Architektur für ein quantenneuronales Netz für den algorithmischen Handel, die die Prinzipien der Quantenmechanik mit modernen Methoden des maschinellen Lernens kombiniert. Das System umfasst Quanteneffekte (Resonanz, Interferenz, Dekohärenz), mehrstufiges Gedächtnis verschiedener Zeitskalen, Markov-Ketten mit der ALGLIB-Bibliothek und adaptive Parametersteuerung. Die vollständige Implementierung erfolgt in MQL5 unter Verwendung der integrierten Matrix-/Vektortypen, was Implementierungshürden in MetaTrader 5 beseitigt.

Der Artikel stellt den kompetitiven Lernalgorithmus (Competitive Learning Algorithm, CLA) vor, eine neue metaheuristische Optimierungsmethode, die auf der Simulation des Bildungsprozesses basiert. Der Algorithmus organisiert die Population von Lösungen in Klassen mit Schülern und Lehrern, wobei Agenten durch drei Mechanismen lernen: Lernen vom Besten der Klasse, Lernen aus eigener Erfahrung und Wissensaustausch zwischen Klassen

Wissen Sie, was eine Sandbox ist? Wissen Sie, wie man damit arbeitet? Wenn Sie eine der beiden Fragen mit „Nein“ beantworten, lesen Sie diesen Artikel, um das grundlegende Funktionsprinzip einer Sandbox zu verstehen. Sie werden auch verstehen, warum MetaTrader 5 eine Sandbox verwendet, um die Integrität einiger seiner internen Daten zu schützen. Das hier präsentierte Material dient rein zu Lehrzwecken. Unter keinen Umständen sollten Sie die Anwendung als fertiges Produkt ansehen, dessen Zweck etwas anderes ist, als die vorgestellten Konzepte zu studieren.

Der Artikel stellt einen neuen Ansatz zur Erstellung von Handelssystemen auf der Grundlage quantenmechanischer Prinzipien und künstlicher Intelligenz vor. Der Autor beschreibt die Entwicklung eines einzigartigen neuronalen Netzes, das über klassisches maschinelles Lernen hinausgeht, indem es Quantenmechanik mit modernen KI-Architekturen kombiniert.

Der Artikel erörtert die Anwendung von Grey-Modellen auf die Prognose von Finanzzeitreihen. Wir werden die Funktionsprinzipien von Grey-Modellen und die Besonderheiten ihrer Anwendung auf Finanzreihen betrachten. Wir werden auch die Vorteile und Grenzen der Verwendung dieser Modelle im Handel erörtern.

Der Artikel betrachtet einfache Optionsstrategien und deren Implementierung in MQL5. Wir werden einen grundlegenden EA entwickeln, der modernisiert und komplexer gestaltet wird.

Eine technische Geschichte der MQL-Entwicklung: von den begrenzten Sprachen MQL und MQL II über das prozedurale MQL4 bis hin zum objektorientierten MQL5 mit nativer Kompilierung, umfangreichen APIs und einer vollwertigen Entwicklungsumgebung. Wir zeigen hier die wichtigsten Fähigkeiten der Sprache und ihre Integrationen mit Python, OpenCL, ONNX, OpenBLAS, Datenbanken, DirectX, dem agentenbasierten KI-Assistenten und dem Model Context Protocol (MCP), das KI-Systeme mit dem Terminal, MetaEditor, Marktdaten, Handelsoperationen und Entwicklungstools verbindet. Dieser Artikel untersucht Archivmaterialien zu den Ursprüngen von MetaQuotes und MetaTrader, den Start von MQL4.COM und MQL5.COM, die Wettbewerbe, Algo Forge und deren Auswirkungen auf das Ökosystem.

In diesem Artikel stellen wir das Mamba4Cast-Framework vor und betrachten eine seiner Schlüsselkomponenten genauer: die zeitstempelbasierte Positionskodierung. Der Artikel zeigt, wie das Time-Embedding unter Berücksichtigung der Kalenderstruktur der Daten gebildet wird.

In diesem Artikel werden wir das vollenden, was im vorigen begonnen wurde: eine vollständig interaktive Möglichkeit, Objekte direkt im Chart in ihrer Größe zu verändern. Obwohl viele meinen, dass die Erstellung von so etwas wesentlich tiefere MQL5-Kenntnisse erfordern würde, werden Sie sehen, dass wir mit einfachen Konzepten und grundlegendem Wissen eine Möglichkeit implementieren können, direkt im Chart mit Objekten zu arbeiten. Dies führt zu einem sehr interessanten und durchaus überzeugenden Ergebnis.

Der Artikel erörtert die Anpassung und praktische Implementierung des ACEFormer-Frameworks mittels MQL5 im algorithmischen Handel. Er präsentiert wichtige architektonische Entscheidungen, Trainingsmerkmale und Testergebnisse des Modells auf realen Daten.

In diesem Artikel schaffen wir die Grundlage für die Themen der nächsten Veröffentlichung. Wir werden uns auch ansehen, wie sich ein OBJ_LABEL-Objekt zum Bearbeiten und Verschieben vollständig interaktiv machen lässt. Mit anderen Worten: Wir können sowohl den Text als auch die Position des OBJ_LABEL-Objekts ändern, ohne das Dialogfenster „Objekteigenschaften“ zu öffnen.

Wir laden Sie ein, die ACEFormer-Architektur zu erkunden – eine moderne Lösung, die die Effektivität probabilistischer Aufmerksamkeit mit adaptiver Zeitreihenzerlegung kombiniert. Dieser Artikel richtet sich an alle, die ein Gleichgewicht zwischen Berechnungseffizienz und Prognosegenauigkeit auf den Finanzmärkten suchen.

Wenn Sie mehrere Strategien parallel ausführen, möchten Sie möglicherweise regelmäßig alle offenen Positionen schließen und die Strategien erneut starten. Der bestehende Code erlaubt es, dieses Verhalten nur durch manuelles Eingreifen umzusetzen. Versuchen wir, diesen Teil zu automatisieren.

In diesem Artikel werden wir uns drei der sechs Ereignisse ansehen, die MetaTrader 5 generieren kann, wenn eine Änderung an einem Objekt im Chart auftritt. Diese Ereignisse sind aus Sicht der Benutzerinteraktion sehr nützlich. Der Grund dafür ist, dass wir ohne das Verständnis dieser Ereignisse viel mehr Aufwand betreiben müssten, um eine bestimmte Chart-Konfiguration beizubehalten, wenn wir versuchen, Objekte für bestimmte Zwecke zu verwalten.

Im heutigen Artikel werden wir sehen, wie eine einfache Codeänderung, die ein Neuron etwas spezialisierter macht, die Trainingsphase erheblich beschleunigen kann. Schließlich arbeitet ein Neuron oder ein neuronales Netz – wie wir später sehen werden – deutlich schneller, sobald es trainiert wurde. Wir werden auch ein Problem diskutieren, das existiert, aber selten erwähnt wird.

Wir setzen die Implementierung des DA-CG-LSTM-Frameworks fort, das innovative Methoden für die Zeitreihenanalyse und -prognose bietet. Die Verwendung von CG-LSTM und eines dualen Aufmerksamkeitsmechanismus ermöglicht eine genauere Erkennung sowohl langfristiger als auch kurzfristiger Abhängigkeiten in Daten, was besonders für die Arbeit mit Finanzmärkten nützlich ist.

Dies ist vielleicht der bisher unterhaltsamste Artikel. Der Grund dafür ist, dass wir hier ein bereits in MetaTrader 5 verfügbares Objekt modifizieren werden, um ein anderes zu erstellen, das ursprünglich nicht auf der Plattform vorhanden ist. Natürlich mag das, was wir uns hier ansehen werden, ein wenig verrückt erscheinen, aber es funktioniert und erfüllt einen interessanten Zweck.

In diesem Artikel zeige ich, wie man einen Indikator verwendet, um offene Positionen auf dem Handelsserver auf die einfachste und praktischste Weise zu verfolgen. Ich mache dies Schritt für Schritt, um zu zeigen, dass man nicht unbedingt all dies in einen Expert Advisor verschieben muss. Viele von Ihnen haben sich wahrscheinlich aus dem einen oder anderen Grund daran gewöhnt, dies zu tun. Tatsächlich ist das nicht wirklich gerechtfertigt, denn im Laufe der Entwicklung dieser Implementierung wird deutlich werden, dass man für diesen Zweck verschiedene Arten von Indikatoren erstellen oder implementieren kann.

Dieser Artikel stellt den DA-CG-LSTM-Algorithmus vor, der neue Ansätze für die Zeitreihenanalyse und -prognose bietet. Er erklärt, wie innovative Aufmerksamkeitsmechanismen und Modellflexibilität die Prognosegenauigkeit verbessern können.

Im heutigen Artikel werden wir uns ansehen, wie man ein sehr attraktives und interessantes Interaktionssystem implementiert, insbesondere für diejenigen, die gerade erst anfangen, das Programmieren in MQL5 zu üben. Hier gibt es nichts grundlegend Neues. Dank meiner Herangehensweise an das Thema wird es viel einfacher sein, alles zu verstehen, da wir in der Praxis sehen werden, wie man ein Programm unter Verwendung eines strukturierten Ansatzes mit einem praktischen und ansprechenden Ziel entwickelt.

Das Framework von Actor–Director–Critic ist eine Weiterentwicklung der klassischen Agenten-Lernarchitektur. Der Artikel präsentiert praktische Erfahrungen mit seiner Implementierung und Anpassung an die Bedingungen der Finanzmärkte.

Der Inhalt, den wir ab diesem Punkt behandeln werden, ist in Bezug auf Theorie und Konzepte weitaus komplexer. Ich werde versuchen, den Stoff so einfach wie möglich zu gestalten. Der Programmierteil selbst ist recht einfach und unkompliziert. Aber wenn Sie die Theorie dahinter nicht verstehen, werden Sie überhaupt keine praktische Grundlage haben, um das Replay-/Simulationssystem für andere Aufgaben als die, die ich zeigen werde, zu verfeinern oder anzupassen. Ich möchte nicht, dass Sie den von mir präsentierten Code lediglich kompilieren und verwenden. Ich möchte, dass Sie lernen, verstehen und, wenn möglich, in der Lage sind, etwas noch Besseres zu schaffen.