Entwicklungsgeschichte der MQL5.community

In diesem Artikel wird die klassische Strategie des Kreuzens von gleitenden Durchschnitten wieder aufgegriffen und untersucht, warum sie in bewegten, schnelllebigen Märkten oft scheitert. Es werden fünf alternative Filtermethoden vorgestellt, die die Signalqualität verbessern und schwache oder unrentable Handelsgeschäfte entfernen sollen. Die Diskussion zeigt, wie statistische Modelle lernen und Fehler korrigieren können, die der menschlichen Intuition und traditionellen Regeln entgehen. Die Leser erhalten ein besseres Verständnis dafür, wie man eine veraltete Strategie modernisieren kann und welche Fallstricke es gibt, wenn man sich bei der Finanzmodellierung ausschließlich auf Kennzahlen wie den RMSE verlässt.

In dieser Sitzung werden wir einen ausgeklügelten Multi-Signal-Expert Advisor unter Verwendung der MQL5-Standardbibliothek erstellen. Dieser Ansatz ermöglicht es uns, integrierte Signale nahtlos mit unserer eigenen Logik zu kombinieren und so einen leistungsstarken und flexiblen Handelsalgorithmus zu entwickeln. Klicken Sie hier, um mehr zu erfahren.

In diesem Artikel entwickeln wir ein Erkennungssystem für Change of Character (CHoCH) in MQL5, das hohe und tiefe Umkehrpunkte über eine nutzerdefinierte Balkenanzahl identifiziert, sie als HH/LH für Hochs oder LL/HL für Tiefs kennzeichnet, um die Trendrichtung zu bestimmen, und Handelsgeschäfte bei Durchbrüchen dieser Umkehrpunkte auslöst, was eine potenzielle Umkehr anzeigt, und die Durchbrüche handelt, wenn sich die Struktur ändert.

In diesem Artikel wird die Verwendung des Rolling-Windows-Eigenvektor-Vergleichs für die frühzeitige Diagnose von Ungleichgewichten und das Rebalancing des Portfolios in einer statistischen Arbitragestrategie der Rückkehr zum Mittelwert (Mean-Reversion) auf der Grundlage kointegrierter Aktien vorgeschlagen. Sie stellt diese Technik der traditionellen In-Sample/Out-of-Sample-ADF-Validierung gegenüber und zeigt, dass Eigenvektorverschiebungen die Notwendigkeit einer Neugewichtung signalisieren können, selbst wenn die IS/OOS-ADF immer noch eine stationäre Streuung anzeigt. Obwohl die Methode hauptsächlich für die Überwachung des Live-Handels gedacht ist, kommt der Artikel zu dem Schluss, dass der Eigenvektorvergleich auch in das Scoring-System integriert werden könnte – obwohl sein tatsächlicher Beitrag zur Leistung noch getestet werden muss.

In diesem Artikel wird die Pattern Density Heatmap vorgestellt, ein Zuordnungsinstrument des Preis-Aktions-Mappings, das wiederholte Erkennungen von Kerzenmustern in statistisch signifikante Unterstützungs- und Widerstandszonen umwandelt. Anstatt jedes Signal isoliert zu behandeln, fasst der EA die Erkennungen in festen Preisbereichen (bins) zusammen, bewertet ihre Dichte mit einer optionalen Aktualitätsgewichtung und bestätigt die Werte anhand von Daten mit höherem Zeitrahmen. Die sich daraus ergebende Heatmap zeigt, wo der Markt in der Vergangenheit reagiert hat – Werte, die proaktiv für das Handels-Timing, das Risikomanagement und das Vertrauen in die Strategie für jeden Handelsstil genutzt werden können.

In diesem Artikel implementieren wir ein adaptives lineares Regressionskanalsystem in MQL5, das automatisch die Regressionslinie und den Standardabweichungskanal über einen nutzerdefinierten Zeitraum berechnet, nur aktiviert wird, wenn die Steigung einen Mindestschwellenwert überschreitet, um einen klaren Trend zu bestätigen, und den Kanal dynamisch neu erstellt oder erweitert, wenn der Preis um einen konfigurierbaren Prozentsatz der Kanalbreite ausbricht.

Im Gegensatz zu MQL5 bietet die Programmiersprache Python Kontrolle und Flexibilität, wenn es um den Umgang mit und die Manipulation von Zeit geht. In diesem Artikel werden wir ähnliche Module zur besseren Handhabung von Datum und Uhrzeit in MQL5 wie in Python implementieren.

Analytical Volume Profile Trading (AVPT) untersucht, wie die Liquiditätsarchitektur und das Marktgedächtnis das Preisverhalten beeinflussen, und ermöglicht so einen tieferen Einblick in die institutionelle Positionierung und die volumengesteuerte Struktur. Durch die Zuordnung von POC, HVNs, LVNs und Value Areas können Händler Annahme-, Ablehnungs- und Ungleichgewichtszonen präzise identifizieren.

Lernen Sie, wie man eine komplette Kagi-Chart-Engine in MQL5 aufbaut – Preisumkehrungen konstruieren, dynamische Liniensegmente erzeugen und Kagi-Strukturen in Echtzeit aktualisieren. In diesem ersten Teil lernen Sie, wie Sie Kagi-Charts direkt auf dem MetaTrader 5 rendern können, sodass Händler einen klaren Überblick über Trendverschiebungen und Marktstärke erhalten. Gleichzeitig bereiten Sie sich auf die automatisierte Kagi-basierte Handelslogik in Teil 2 vor.

Sind Sie es leid, Fortschrittsbalken zu beobachten, anstatt Handelsstrategien zu testen? Die herkömmliche Zwischenspeicherung versagt bei Financial ML, sodass Sie mit verlorenen Berechnungen und frustrierenden Neustarts konfrontiert werden. Wir haben eine ausgeklügelte Caching-Architektur entwickelt, die den besonderen Herausforderungen von Finanzdaten gerecht wird: zeitliche Abhängigkeiten, komplexe Datenstrukturen und die ständige Gefahr einer Verzerrung durch Vorausschau. Unser dreischichtiges System sorgt für drastische Geschwindigkeitsverbesserungen, während es veraltete Ergebnisse automatisch ungültig macht und kostspielige Datenlecks verhindert. Warten Sie nicht länger auf Berechnungen, sondern beginnen Sie mit der Iteration in dem Tempo, das der Markt verlangt.

Gamma und Delta wurden ursprünglich als Risikomanagement-Tools zur Absicherung von Optionsrisiken entwickelt, entwickelten sich aber im Laufe der Zeit zu leistungsstarken Instrumenten für fortgeschrittenes Scalping, Orderflow-Modellierung und Mikrostrukturhandel. Heute dienen sie als Echtzeit-Indikatoren für die Preisempfindlichkeit und das Liquiditätsverhalten und ermöglichen es den Händlern, kurzfristige Schwankungen mit bemerkenswerter Präzision zu antizipieren.

In diesem Artikel erstellen wir das vollständig anpassbare sitzungsbasierte System des Opening Range Breakout (ORB) in MQL5, mit dem wir eine beliebige Startzeit der Sitzung und die Dauer der Spanne festlegen können, das Hoch und Tief dieser Eröffnungsperiode automatisch berechnet und nur bestätigte Ausbrüche in die Richtung der Bewegung handelt.

In diesem Artikel wollen wir untersuchen, wie ein komplementäres Indikatorpaar zur Analyse der jüngsten 5-Jahres-Historie des Vanguard Information Technology Index Fund ETF verwendet werden kann. Durch die Betrachtung von zwei Algorithmen, dem Kendall’schen Tau und der Distance-Korrelation, versuchen wir nicht nur ein ideales Indikatorpaar für den Handel mit dem VGT auszuwählen, sondern auch geeignete Signalmuster-Paarungen dieser beiden Indikatoren.

Dieser Artikel zeigt, wie man ein Blackbox-Modell konfiguriert, um automatisch starke Handelsstrategien mit einem datengesteuerten Ansatz zu entdecken. Indem wir die gegenseitige Information nutzen, um die lernfähigsten Signale zu priorisieren, können wir intelligentere und anpassungsfähigere Modelle erstellen, die herkömmliche Methoden übertreffen. Die Leser werden auch lernen, häufige Fallstricke wie den übermäßigen Rückgriff auf oberflächliche Metriken zu vermeiden und stattdessen Strategien zu entwickeln, die auf aussagekräftigen statistischen Erkenntnissen beruhen.