Entwicklungsgeschichte der MQL5.community

In diesem Artikel wird ein Verfahren zum Screening von Vermögenswerten für eine statistische Arbitragestrategie durch kointegrierte Aktien vorgeschlagen. Das System beginnt mit der regulären Filterung nach wirtschaftlichen Faktoren, wie z. B. Vermögensbereich und Branche, und endet mit einer Liste von Kriterien für ein Scoring-System. Für jeden statistischen Test, der beim Screening verwendet wurde, wurde eine entsprechende Python-Klasse entwickelt: Pearson-Korrelation, Engle-Granger-Kointegration, Johansen-Kointegration und ADF/KPSS-Stationarität. Diese Python-Klassen werden zusammen mit einer persönlichen Anmerkung des Autors über den Einsatz von KI-Assistenten für die Softwareentwicklung bereitgestellt.

In dieser Artikelserie befassen wir uns mit den Herausforderungen, denen sich algorithmische Händler beim Einsatz von auf maschinellem Lernen basierenden Handelsstrategien stellen müssen. Einige Herausforderungen innerhalb unserer Gemeinschaft bleiben unsichtbar, weil sie ein tieferes technisches Verständnis erfordern. Die heutige Diskussion dient als Sprungbrett, um die blinden Flecken der Kreuzvalidierung beim maschinellen Lernen zu untersuchen. Obwohl dieser Schritt oft als Routine behandelt wird, kann er bei unvorsichtiger Handhabung leicht zu irreführenden oder suboptimalen Ergebnissen führen. In diesem Artikel wird kurz auf die Grundlagen der Zeitreihen-Kreuzvalidierung eingegangen, um einen tieferen Einblick in ihre versteckten Schwachstellen zu ermöglichen.

In diesem Artikel untersuchen wir einen datengestützten Ansatz zur Ermittlung und Validierung von nicht standardmäßigen Fibonacci-Retracement-Levels, die von den Märkten möglicherweise respektiert werden. Wir stellen einen kompletten Arbeitsablauf vor, der auf die Implementierung in MQL5 zugeschnitten ist, beginnend mit der Datenerfassung und der Balken- oder Swing-Erkennung, bis hin zum Clustering, statistischen Hypothesentests, Backtesting und der Integration in ein MetaTrader 5 Fibonacci-Tool. Das Ziel ist es, eine reproduzierbare Pipeline zu erstellen, die anekdotische Beobachtungen in statistisch vertretbare Handelssignale umwandelt.

Dieser Artikel erklärt, wie man das harmonische Muster 5-0 in MQL5 erkennt und handelt, es mit Hilfe von Fibonacci-Levels validiert und auf dem Chart anzeigt.

Dieser Artikel führt den Leser durch eine neu gestaltete Version der klassischen Bollinger Band Ausbruchsstrategie. Sie zeigt wesentliche Schwachstellen des ursprünglichen Ansatzes auf, wie z. B. seine bekannte Anfälligkeit für falsche Ausbrüche. In diesem Artikel soll eine mögliche Lösung vorgestellt werden: die Handelsstrategie der doppelten Bollinger Bänder. Dieser relativ weniger bekannte Ansatz ergänzt die Schwächen der klassischen Version und bietet eine dynamischere Perspektive auf die Finanzmärkte. Sie hilft uns, die alten Beschränkungen zu überwinden, die durch die ursprünglichen Regeln festgelegt wurden, und bietet den Händlern einen stärkeren und anpassungsfähigeren Rahmen.

Die Verwendung einer vorgefertigten Lösung im Handel, ohne sich mit der internen Funktionsweise des Systems zu befassen, mag zwar beruhigend klingen, doch ist dies für Entwickler nicht immer der Fall. Irgendwann tritt ein Upgrade, eine Leistungsstörung oder ein unerwarteter Fehler auf, und es ist wichtig, genau zu wissen, woher das Problem kommt, um es schnell zu diagnostizieren und zu beheben. Die heutige Diskussion konzentriert sich auf die Aufdeckung dessen, was normalerweise hinter den Kulissen eines Expert Advisors passiert, und auf die Entwicklung einer nutzerdefinierten Klasse für die Anzeige und Protokollierung von Backend-Prozessen mit MQL5. Dies gibt sowohl Entwicklern als auch Händlern die Möglichkeit, Fehler schnell zu lokalisieren, das Verhalten zu überwachen und auf spezifische Diagnoseinformationen für jeden EA zuzugreifen.

Dieser Beitrag schließt an Teil 84 an, in dem wir die Kombination von Stochastik und Fractal Adaptive Moving Average vorgestellt haben. Wir verlagern nun den Schwerpunkt auf das Inferenzlernen, um zu sehen, ob die im letzten Artikel unterlegenen Muster eine Trendwende erfahren könnten. Der Stochastik und der FrAMA sind eine sich ergänzende Paarung von Momentum und Trend. Für unser Inferenzlernen greifen wir auf den Beta-Algorithmus eines Variational Auto Encoders zurück. Außerdem implementieren wir, wie immer, eine nutzerdefinierte Signalklasse, die für die Integration mit dem MQL5-Assistenten entwickelt wurde.

In diesem Artikel wird ein vollautomatisches MQL5-System vorgestellt, mit dem sich Marktschwankungen präzise erkennen und handeln lassen. Im Gegensatz zu herkömmlichen Umkehr-Indikatoren mit festen Balken passt sich dieses System dynamisch an die sich entwickelnde Preisstruktur an und erkennt hohe und tiefe Umkehrpunkte in Echtzeit, um Richtungsgelegenheiten zu nutzen, sobald sie sich bilden.

In diesem Artikel erweitern wir das in ChatGPT integrierte Programm in MQL5, indem wir die Beschränkungen bei mehrzeiligen Eingaben durch eine verbesserte Textdarstellung überwinden, eine Seitenleiste für die Navigation im persistenten Chatspeicher mit AES256-Verschlüsselung und ZIP-Komprimierung einführen und erste Handelssignale durch die Integration von Chart-Daten erzeugen.