Entwicklungsgeschichte der MQL5.community

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.