Entwicklungsgeschichte der MQL5.community

Der Artikel verwendet Blockdiagramme, um die Logik der auf Kerzen basierenden Trainings-EAs zu untersuchen, die sich im Ordner Experts\Free Robots des Terminals befinden.

Der Artikel ist eine Fortsetzung der Serie für Einsteiger. Ers behandelt im Detail Datenarrays, die Interaktion von Daten und Funktionen sowie globale Terminalvariablen, die einen Datenaustausch zwischen verschiedenen MQL5-Programmen ermöglichen.

Wenn wir die unterschiedlichen Ideen richtig verstehen, können wir mit weniger Aufwand mehr erreichen. In diesem Artikel sehen wir uns an, warum es notwendig ist, eine Vorlage zu konfigurieren, bevor der Dienst mit dem Chart interagieren kann. Und was wäre, wenn wir den Mauszeiger verbessern würden, damit wir mehr damit machen können?

Wir untersuchen weiterhin Modelle zur Zeitreihenprognose. In diesem Artikel machen wir uns mit einem komplexen Algorithmus vertraut, der auf der Verwendung eines vortrainierten Sprachmodells basiert.

Heute schauen wir uns an, wie vordefinierte Variablen und Konstanten der Sprache MQL5 verwendet werden. Darüber hinaus werden wir einen weiteren speziellen Variablentyp analysieren: Funktionen. Zu wissen, wie man richtig mit diesen Variablen arbeitet, kann den Unterschied zwischen einer funktionierenden und einer nicht funktionierenden Anwendung ausmachen. Um zu verstehen, was hier vorgestellt wird, ist es notwendig, das Material zu verstehen, das in früheren Artikeln besprochen wurde.

Leichtgewichtige Modelle zur Zeitreihenprognose erzielen eine hohe Leistung mit einer minimalen Anzahl von Parametern. Dies wiederum reduziert den Rechenaufwand und beschleunigt die Entscheidungsfindung. Trotz ihrer Einfachheit erreichen solche Modelle eine mit komplexeren Modellen vergleichbare Prognosequalität.

In diesem Artikel werden wir den Künstlichen Bienenstockalgorithmus (ABHA) weiter erforschen, indem wir in den Code eintauchen und die übrigen Methoden betrachten. Wie Sie sich vielleicht erinnern, wird jede Biene in diesem Modell als individueller Agent dargestellt, dessen Verhalten von internen und externen Informationen sowie von seinem Motivationszustand abhängt. Wir werden den Algorithmus an verschiedenen Funktionen testen und die Ergebnisse in der Bewertungstabelle zusammenfassen.

Eine der Möglichkeiten zur Steigerung der Effizienz des Modelltrainings und des Konvergenzprozesses ist die Verbesserung der Optimierungsmethoden. Adam-mini ist eine adaptive Optimierungsmethode, die den grundlegenden Adam-Algorithmus verbessern soll.