Entwicklungsgeschichte der MQL5.community

Dieser Artikel erklärt, warum Standard-Walk-Forward und k-fache Cross-Validation Ergebnisse bei Finanzdaten systematisch zu positiv erscheinen lassen, und zeigt dann, wie dies behoben werden kann. V-in-V erzwingt strikte Datenpartitionen und verankertes Walk-Forward über Zeitfenster hinweg, CPCV bereinigt Datenlecks mittels Purging und Embargo und aggregiert die Performance auf Pfadebene, und CSCV misst die Wahrscheinlichkeit von Backtest-Overfitting. Anwender erhalten einen kohärenten Rahmen zur Bewertung der Robustheit über verschiedene Marktregime hinweg und der Verlässlichkeit der Strategieauswahl.

Die Abstimmung von Liquiditätsstrukturen höherer Zeitrahmen mit Umkehrmustern niedrigerer Zeitrahmen kann sowohl die Wahrscheinlichkeit als auch die Richtung der nächsten Preisbewegung stark beeinflussen. Durch die Integration struktureller Liquiditätszonen aus höheren Zeitrahmen mit präzisen Umkehrbestätigungen auf niedrigeren Zeitrahmen können Trader das Einstiegs-Timing und die Qualität ihrer Trades insgesamt verbessern. Dieser Artikel zeigt, wie man liquiditätsbasierte Handelsstrategien durch strukturelle Bestätigung auf höheren Zeitrahmen verstärkt – und wie man diesen Ansatz effektiv mit MQL5 umsetzt.

Die Überwachung manuell eingezeichneter Trendlinien erfordert eine ständige Beobachtung des Charts, wodurch wichtige Kursinteraktionen übersehen werden können. In diesem Artikel wird ein Expert Advisor zur Überwachung von Trendlinien vorgestellt, der manuell gezeichnete Trendlinien mit einer automatisierten Überwachungslogik in MQL5 synchronisiert und Warnmeldungen ausgibt, wenn sich der Kurs einer überwachten Linie nähert, diese berührt oder durchbricht.

GridSearchCV und RandomizedSearchCV teilen eine grundlegende Einschränkung im finanziellen ML: Jeder Versuch ist unabhängig, sodass sich die Suchqualität durch zusätzliche Rechenleistung nicht verbessert. Dieser Artikel integriert Optuna – unter Verwendung des Tree-structured Parzen Estimator – mit PurgedKFold-Kreuzvalidierung, HyperbandPruner-Frühstopp und einer Dual-Weight-Konvention, die Trainingsgewichte von Bewertungsgewichten trennt. Das Ergebnis ist ein System aus fünf Komponenten: eine Zielfunktion mit Fold-Level-Pruning, eine Vorschlagsebene, die das Gewichtungsschema gemeinsam mit den Modell-Hyperparametern optimiert, ein finanziell kalibrierter Pruner, ein fortsetzbarer, SQLite-basierter Orchestrator und ein Konverter für das scikit-learn cv_results_-Format. Der Artikel zieht zudem die Grenze – basierend auf Timothy Masters – zwischen statistischen Zielen, bei denen eine gezielte Suche vorteilhaft ist, und finanziellen Zielen, bei denen sie schädlich ist.

In diesem Artikel wird die Tiefensuche auf die Marktstruktur angewendet, indem Swing-Hochs und -Tiefs als Knoten eines Graphen modelliert und ein struktureller Pfad so tief wie möglich verfolgt wird, solange die Bedingungen gültig bleiben. Wenn ein maßgebliches Swing-Niveau gebrochen wird, führt der Algorithmus ein Backtracking durch und untersucht einen alternativen Zweig. Die Leser erhalten einen praktischen Rahmen, um die strukturelle Marktrichtung zu formalisieren und zu prüfen, ob der aktuelle Verlauf mit Zielen wie Liquiditätspools oder Angebots- und Nachfragezonen übereinstimmt.

Um maximale Zuverlässigkeit und Produktivität bei mit MQL erstellten MetaTrader-Produkten zu gewährleisten, empfiehlt dieser Artikel einen Entwicklungsansatz, der auf wiederverwendbaren Paketen basiert, die von KnitPkg, einem Projektmanager für MQL5/MQL4, verwaltet werden. Ein Paket kann als Baustein für andere Pakete oder als Grundlage für fertige Artefakte dienen, die direkt auf der MetaTrader-Plattform ausgeführt werden, wie beispielsweise EAs, Indikatoren und vieles mehr.

In diesem Abschnitt werden wir eine Echtzeit-Korrelationsmatrix in einen Expert Advisor für mehrere Symbole integrieren, um redundante oder risikobehaftete Trades zu vermeiden. Durch die dynamische Messung der Wechselbeziehungen zwischen Symbolen filtert der EA Einstiegssignale heraus, die im Widerspruch zur bestehenden Exposition stehen, wodurch die Ausgewogenheit des Portfolios verbessert, das systemische Risiko verringert und die Qualität der Trades insgesamt verbessert wird.

Entwickeln Sie einen MQL5-Expert Advisor, der die Umkehrmuster nach Larry Williams’ Hidden-Smash-Day automatisiert. Er liest bestätigte Signale eines benutzerdefinierten Indikators aus, wendet Kontextfilter an (Supertrend-Ausrichtung und optionale Handelstag-Regeln) und steuert das Risiko mithilfe von Stop-Loss-Modellen, die auf der Smash-Bar-Struktur oder dem ATR sowie einer festen oder risikobasierten Positionsgröße basieren. Das Ergebnis ist ein reproduzierbares Framework, das für Tests und Erweiterungen bereit ist.

In diesem Artikel erweitern wir das Tool zur grafischen Darstellung der 3D-Binomialverteilung in MQL5, indem wir eine segmentierte 3D-Kurve für eine bessere Tiefenwahrnehmung der Wahrscheinlichkeitsmassenfunktion (Probability Mass Function, PMF) hinzufügen, einen Pan-Modus zur Verschiebung des Betrachtungsfokus integrieren und einen interaktiven ViewCube (Ansichtswürfel) mit Hover-Zonen und Animationen für schnelle Orientierungswechsel implementieren. Wir integrieren anklickbare Unterbereiche für Flächen, Kanten und Ecken in den ViewCube, um Kameraübergänge zu Standardansichten zu animieren, wobei umschaltbare 2D-/3D-Modi, Echtzeit-Aktualisierungen und anpassbare Parameter für eine immersive probabilistische Analyse im Handel beibehalten werden.

Dieser Artikel befasst sich mit einem spezialisierten, trendfolgenden EA, der deutlich machen soll, wie sich Setups, die sich aus Ungleichgewichten in Premium-/Discount-Bereichen (PD-Arrays) ergeben, definieren und nutzen lassen. In diesem Artikel wird ein EA ausführlich vorgestellt, der speziell für Trader entwickelt wurde, die PD-Arrays und Ungleichgewichte als Einstiegskriterien für ihre Trades und Handelsentscheidungen optimieren und nutzen möchten. Außerdem wird untersucht, wie sich Premium- und Discount-Zonen korrekt ermitteln und charakterisieren lassen und wie man sie jeweils validieren und nutzen kann, wenn sie unter den entsprechenden Marktbedingungen auftreten, um so die sich aus solchen Szenarien ergebenden Chancen bestmöglich zu nutzen.

In diesem Teil der Reihe Entwicklung des Price-Action-Analyse-Toolkits entwickeln wir einen MQL5-Indikator, der steigende und fallende Keilformationen automatisch in Echtzeit erkennt. Das System überprüft Pivot-Strukturen, validiert die Konvergenz der Begrenzungslinien mathematisch, verhindert überlappende Formationen und überwacht die Bedingungen für Ausbruch und Scheitern mit präziser visueller Rückmeldung. Diese auf einer klaren, objektorientierten Architektur basierende Implementierung wandelt die subjektive Erkennung von Keilformationen in eine strukturierte, zustandsabhängige Analysekomponente um, die darauf ausgelegt ist, eine disziplinierte Price-Action-Analyse zu unterstützen.