Artículos de programación MQL4 y MQL5

En este artículo, desarrollaremos un sistema basado en el patrón 5 Drives en MQL5 que identifica patrones armónicos 5 Drives alcistas y bajistas mediante puntos de pivote y ratios de Fibonacci, y ejecuta operaciones con niveles de entrada, stop loss y take profit personalizables según las opciones seleccionadas por el usuario. Asimismo, mejoraremos la comprensión de los traders con información visual mediante objetos gráficos como triángulos, líneas de tendencia y etiquetas, para mostrar con claridad la estructura del patrón A-B-C-D-E-F.

En este artículo, automatizaremos un indicador personalizado del sentimiento del mercado que clasifica las condiciones del mercado en alcistas, bajistas, de apetito por el riesgo, de aversión al riesgo y neutras. El asesor experto ofrece información en tiempo real sobre el sentimiento predominante, al tiempo que agiliza el proceso de análisis de las tendencias o la dirección actuales del mercado.

Analizamos cómo manipular bases de datos en MQL5 utilizando las funciones nativas del lenguaje. Cubrimos todo, desde la creación de tablas, la inserción, la actualización y la eliminación de datos hasta la importación y exportación de datos, todo ello con código de ejemplo. El contenido sirve como base sólida para comprender el funcionamiento interno del acceso a los datos, allanando el camino para el análisis de los ORM, donde crearemos uno en MQL5.

El artículo describe un enfoque interesante del trading algorítmico basado en ecuaciones matemáticas simbólicas, en lugar de las tradicionales «cajas negras» del aprendizaje automático. El autor muestra cómo transformar redes neuronales opacas en ecuaciones matemáticas legibles utilizando la biblioteca SymPy y la regresión polinómica, lo que permite comprender plenamente la lógica que subyace a las decisiones de trading. Este enfoque combina la potencia computacional del aprendizaje automático con la transparencia de los métodos clásicos, lo que permite a los traders analizar, ajustar y adaptar los modelos en tiempo real.

La «Sincronización de gráficos para facilitar el análisis técnico» es una herramienta que garantiza que todos los marcos temporales de los gráficos muestren objetos gráficos coherentes, como líneas de tendencia, rectángulos o indicadores, en los distintos marcos temporales de un mismo valor. Acciones como el desplazamiento, el zoom o los cambios de símbolos se reflejan en todos los gráficos sincronizados, lo que permite a los operadores visualizar y comparar sin problemas el mismo contexto de evolución de los precios en varios marcos temporales.

Muchos traders se han encontrado en esta situación: a menudo se ciñen a sus criterios de entrada, pero les cuesta gestionar las operaciones. Incluso con las configuraciones de entrada adecuadas, la toma de decisiones basada en las emociones —como cerrar posiciones por pánico antes de que alcancen sus niveles de take profit o de stop loss— puede provocar una curva de capital descendente. ¿Cómo se puede superar este problema y mejorar los resultados? En este artículo se abordarán estas cuestiones analizando las tasas de aciertos aleatorias y demostrando, mediante una simulación de Monte Carlo, cómo los traders pueden perfeccionar sus estrategias tomando beneficios a niveles razonables antes de alcanzar el objetivo inicial.

Este artículo ofrece una nueva perspectiva sobre una fuente de error geométrica y oculta que influye de forma imperceptible en todas las predicciones que realizan sus modelos. Al replantearnos cómo medimos y aplicamos las previsiones del aprendizaje automático en el ámbito del trading, ponemos de manifiesto cómo esta perspectiva, a menudo pasada por alto, puede dar lugar a decisiones más acertadas, mayores rendimientos y una forma más inteligente de trabajar con modelos que creíamos que ya entendíamos.

El framework SpikingBrain presenta un enfoque único para el procesamiento de datos: las neuronas solo responden a eventos significativos, lo que permite filtrar eficazmente el ruido. Su arquitectura basada en eventos reduce los costes computacionales al tiempo que conserva la información clave sobre la evolución de los precios. Los umbrales adaptativos y la posibilidad de utilizar módulos preentrenados garantizan la flexibilidad y la escalabilidad del modelo.

Este artículo guía al lector a través de una versión renovada de la clásica estrategia de ruptura de las bandas de Bollinger. En él se señalan las principales deficiencias del enfoque original, como su conocida propensión a las falsas rupturas. El artículo tiene como objetivo presentar una posible solución: la estrategia de trading de las bandas de Bollinger dobles. Este enfoque, relativamente menos conocido, soluciona las deficiencias de la versión clásica y ofrece una perspectiva más dinámica de los mercados financieros. Además, nos ayuda a superar las antiguas limitaciones impuestas por las normas originales, proporcionando a los traders un marco más sólido y adaptable.

Un nuevo método de optimización, el Algoritmo del Bisonte: Bison Algorithm (BIA), utiliza dos estrategias inspiradas en el comportamiento del bisonte para resolver problemas de optimización continua con una única función objetivo. Las características clave del BIA son dos principios fundamentales inspirados en el comportamiento del bisonte: la capacidad de moverse de forma dinámica y una estrategia defensiva.

Este artículo propone un proceso de filtrado de activos para una estrategia de arbitraje estadístico basada en acciones cointegradas. El sistema comienza con el filtrado habitual por factores económicos, como el sector y la industria de los activos, y concluye con una lista de criterios para un sistema de puntuación. Para cada prueba estadística utilizada en el filtrado, se desarrolló una clase de Python correspondiente: correlación de Pearson, cointegración de Engle-Granger, cointegración de Johansen y estacionariedad mediante ADF/KPSS. Estas clases de Python se incluyen junto con una nota personal del autor sobre el uso de asistentes de IA para el desarrollo de software.

El algoritmo de búsqueda del cuervo (CSA) es una elegante metaheurística, inspirada en la capacidad de los cuervos para esconder comida y encontrar los escondites ajenos, que resuelve problemas de optimización mediante el equilibrio entre el seguimiento de soluciones exitosas y la exploración aleatoria del espacio de búsqueda. Vamos a averiguar qué rendimiento tiene el algoritmo.

Mejore su análisis de mercado con el EA «Candlestick Probability», nativo de MQL5, una herramienta ligera que transforma las barras de precios sin procesar en información sobre probabilidades en tiempo real y específica para cada instrumento. Clasifica los patrones pinbar, envolvente y doji al cierre de la barra, utiliza un filtrado basado en el ATR y ofrece confirmación opcional de las rupturas. El EA calcula los porcentajes brutos y ponderados por volumen de continuación del precio en la dirección indicada por el patrón, lo que le ayuda a comprender el resultado típico de cada patrón en símbolos y marcos temporales concretos. Los marcadores en el gráfico, un panel de control compacto y los botones interactivos facilitan la validación y permiten centrarse en lo esencial. Exporte registros CSV detallados para realizar pruebas sin conexión. Úselos para elaborar perfiles de probabilidad, optimizar estrategias y convertir el reconocimiento de patrones en una ventaja cuantificable.

Este artículo da continuidad a la «Parte 80», en la que examinamos la combinación de Ichimoku y ADX en un framework de aprendizaje por refuerzo. Ahora centraremos nuestra atención en el aprendizaje por inferencia. Como ya hemos comentado, Ichimoku y ADX son complementarios; sin embargo, vamos a repasar las conclusiones del último artículo en relación con el uso de la cadena de procesamiento. Para nuestro aprendizaje por inferencia, utilizaremos el algoritmo beta de un autocodificador variacional (VAE). Además, seguiremos utilizando una implementación de una clase de señal personalizada diseñada para integrarse con el Asistente de MQL5.

En el último artículo, analizamos la combinación de Ichimoku y ADX en el framework del aprendizaje por inferencia. En este artículo retomamos el tema del aprendizaje por refuerzo cuando se utiliza junto con un par de indicadores que ya analizamos en la «Parte 68». El indicador TRIX y el rango porcentual de Williams. El algoritmo que usaremos en este análisis será la red Q profunda (DQN) con regresión por cuantiles. Como es habitual, presentamos este enfoque como una clase de señal personalizada diseñada para su implementación con el Asistente de MQL5.

Una estrategia de negociación neutral respecto al mercado, basada en la distribución empírica de las rentabilidades, proporciona una alternativa a los métodos clásicos de análisis técnico, sustituyendo la previsión de la dirección del precio por la colocación estadística de órdenes en niveles que el precio probablemente alcanzará. El artículo analiza con detalle el marco matemático para el cálculo de los percentiles, los algoritmos de ponderación de los volúmenes de las posiciones en función de la probabilidad de ejecución y los mecanismos de adaptación a los cambios en las condiciones del mercado mediante la expiración de la red de órdenes. Así, presentamos una implementación completa en MQL5.