Artículos sobre programación y uso de robots comerciales en el lenguaje 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.

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 este artículo, desarrollamos en MQL5 un asistente de configuración inicial del usuario para asesores expertos (EAs) que incluye una guía desplazable con un panel de control interactivo, formato de texto dinámico y controles visuales, como botones y una casilla de verificación, que permiten a los usuarios recorrer las instrucciones y configurar los parámetros de negociación de forma eficaz. Los usuarios del programa pueden hacerse una idea de en qué consiste y qué deben hacer la primera vez que lo ejecutan; es más bien una especie de guía de orientación.

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.

En este artículo se explica cómo diseñar y optimizar un sistema de trading usando el Detrended Price Oscillator (DPO) en MQL5. En él se describe la lógica fundamental del indicador, mostrando cómo identifica los ciclos a corto plazo al filtrar las tendencias a largo plazo. A través de una serie de ejemplos paso a paso y estrategias sencillas, los lectores aprenderán a programar el indicador, definir señales de entrada y salida y realizar pruebas con datos históricos. Por último, el artículo presenta métodos prácticos de optimización para mejorar el rendimiento y adaptar el sistema a las condiciones cambiantes del mercado.

En este artículo continuaremos con la implementación de los enfoques del framework ST-Expert, centrándonos en los aspectos prácticos de su uso mediante MQL5. En artículos anteriores, hemos analizado los fundamentos teóricos y los componentes clave del modelo; ahora pasaremos a trabajar directamente con los algoritmos de atención de grafos y de distribución de atención local y global. El objetivo principal de este artículo es mostrar cómo las ideas conceptuales de ST-Expert se convierten en soluciones funcionales para el análisis y la previsión de series financieras.

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.

Este artículo presenta el oscilador ParaFrac y su modelo V2 como herramientas de negociación. En él se describen tres estrategias de negociación desarrolladas a partir de estos indicadores. Cada estrategia se sometió a pruebas y se optimizó para identificar sus puntos fuertes y débiles. El análisis comparativo puso de manifiesto las diferencias de rendimiento entre el oscilador Parafrac original y su modelo V2.

En este artículo se explica cómo desarrollar un Asesor Experto (EA) profesional basado en Heikin Ashi en MQL5. Así, aprenderá a configurar parámetros de entrada, enumeraciones, indicadores y variables globales, además de a implementar la lógica principal de trading. También podrá ejecutar un backtest en oro para validar su trabajo.

En este artículo, desarrollaremos un framework de análisis de JSON en MQL5 para gestionar el intercambio de datos en la integración con APIs de IA, centrándonos en una clase JSON para procesar estructuras JSON. Asimismo, implementaremos métodos para serializar y deserializar datos JSON, compatibles con diversos tipos de datos, como cadenas, números y objetos. Esto resulta esencial para comunicarse con servicios de IA como ChatGPT, y permite desarrollar futuros sistemas de trading basados en IA al garantizar un tratamiento y una manipulación precisos de los datos.

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, desarrollamos un sistema basado en el patrón de 3 Drives en MQL5 que identifica patrones armónicos alcistas y bajistas de 3 Drives utilizando puntos de pivote y ratios de Fibonacci, y que ejecuta operaciones con niveles personalizables de entrada, stop loss y take profit en función de las opciones seleccionadas por el usuario. Asimismo, mejoraremos la comprensión de los traders con información visual mediante objetos gráficos.

En este artículo, desarrollaremos en MQL5 un EA basado en el patrón AB=CD que identifica patrones armónicos AB=CD alcistas y bajistas utilizando puntos de pivote y ratios de Fibonacci, y que ejecuta operaciones con niveles precisos de entrada, stop loss y take profit. Asimismo, mejoraremos la comprensión de los traders con información visual mediante objetos gráficos.

En este artículo, desarrollamos un sistema basado en el patrón de Gartley en MQL5 que identifica patrones armónicos de Gartley alcistas y bajistas usando puntos de pivote y ratios de Fibonacci, y que ejecuta operaciones con niveles precisos de entrada, stop loss y take profit. Mejoramos la comprensión de los operadores con información visual mediante elementos gráficos como triángulos, líneas de tendencia y etiquetas, para mostrar con claridad la estructura del patrón XABCD.

En este artículo, desarrollamos un sistema de patrones «Bat» en MQL5 que identifica patrones armónicos «Bat» alcistas y bajistas utilizando puntos de pivote y ratios de Fibonacci, activa operaciones con niveles precisos de entrada, stop loss y take profit, y se complementa con una representación visual mediante objetos del gráfico.

Potencie su operativa con Smart Money Concepts (SMC) combinando los bloques de órdenes (OB), la ruptura de estructura (BOS) y los gaps de valor razonable (FVG) en un potente EA. Seleccione la ejecución automática de estrategias o céntrese en cualquier concepto individual de SMC para operar de forma flexible y precisa.

En el último apartado, concluimos nuestro análisis del emparejamiento del oscilador caimán y el oscilador de acumulación/distribución cuando se utilizan en su configuración típica de las señales brutas que generan. Estos dos indicadores son complementarios, ya que funcionan como indicadores de tendencia y volumen, respectivamente. A continuación, damos seguimiento a ese artículo examinando el efecto que el aprendizaje supervisado puede tener en la mejora de algunos de los patrones de características que habíamos revisado. Nuestro enfoque de aprendizaje supervisado es una CNN que utiliza regresión por kernels y similitud de producto escalar para dimensionar sus núcleos y canales. Como siempre, lo hacemos en un archivo de clase de señal personalizado que funciona con el asistente MQL5 para ensamblar un Asesor Experto.

Presentamos una clase reutilizable de dimensionamiento adaptativo, CRiskEngine, que calcula el lote por riesgo y stop y lo reduce según tres factores medibles: racha de pérdidas, volatilidad actual frente a su promedio y caída de capital. Se incluye un asesor de prueba con modos conmutables para comparar seis esquemas (lote fijo, riesgo fijo, cada factor y combinados) sobre 842 operaciones de EURUSD, con métricas y curvas. El lector obtiene un motor listo para integrar y una medición clara del efecto de cada factor.

En este artículo, desarrollamos un sistema de patrones armónicos «Crab» en MQL5 que identifica patrones armónicos «Crab» alcistas y bajistas utilizando puntos de pivote y niveles de Fibonacci, y que activa operaciones con niveles precisos de entrada, stop loss y take profit. Incorporamos información visual mediante elementos gráficos, como triángulos y líneas de tendencia, para mostrar la estructura del patrón XABCD y los niveles de negociación.

En este artículo, desarrollamos un sistema de promediación Pin Bar en MQL5 que detecta patrones de barras Pin para iniciar operaciones y emplea una estrategia de promedio para la gestión de múltiples posiciones, mejorada con stops dinámicos y ajustes de punto de equilibrio. Incorporamos parámetros personalizables con un panel de control para el seguimiento en tiempo real de las posiciones y los beneficios.

En este artículo, desarrollamos un programa de trading con líneas de tendencia que utiliza el ajuste por mínimos cuadrados para detectar líneas de tendencia de soporte y resistencia, generando señales dinámicas de compra y venta en función de los toques de precio y abriendo posiciones en función de las señales generadas.

El módulo de MetaTrader 5 disponible en Python ofrece una forma cómoda de abrir operaciones en la aplicación de MetaTrader 5 utilizando Python, pero presenta un gran problema: carece de la función de Probador de estrategias que sí incluye la aplicación de MetaTrader 5. En esta serie de artículos, crearemos un marco de trabajo para realizar pruebas retrospectivas de tus estrategias de trading en entornos de Python.

El framework Extralonger demuestra una capacidad única para integrar factores espaciales y temporales en un solo modelo, proporcionando una alta precisión en los pronósticos. Su arquitectura permite adaptarse a distintos horizontes de planificación e instrumentos financieros, manteniendo la transparencia y la capacidad de control del sistema.

Continuamos trabajando en la implementación de los enfoques propuestos por los autores del framework Extralonger. En esta ocasión, nos centraremos en la creación del módulo Global-Local Spatial Attention con MQL5, analizando tanto su estructura como su integración práctica en el proceso computacional general.

El artículo presenta la segunda parte de un enfoque estructurado para operar con el oscilador Gator y el indicador de Acumulación/Distribución. Al introducir cinco nuevos patrones, el autor muestra cómo filtrar movimientos falsos, detectar reversiones tempranas y alinear señales en diferentes marcos temporales. Con ejemplos de código claros y pruebas de rendimiento, el material conecta la teoría con la práctica para los desarrolladores de MQL5.

El framework Extralonger muestra un enfoque para integrar factores espaciales y temporales en un único modelo, lo que permite considerar al mismo tiempo las regularidades locales y los ciclos a largo plazo. Esta arquitectura hace que la predicción de series temporales sea más resistente al ruido del mercado y permite analizar los datos en diferentes horizontes temporales. En el artículo se analiza en detalle cómo se llevan a la práctica estas ideas mediante OpenCL y MQL5.

En este artículo concluimos el trabajo de construcción del framework SAGDFN mediante MQL5, resumiendo el desarrollo y mostrando los resultados de sus pruebas prácticas. Integraremos los módulos implementados anteriormente en un único sistema, mostraremos los puntos fuertes de este enfoque, señalaremos sus vulnerabilidades y debatiremos posibles vías de mejora.

En este artículo analizaremos con detalle la implementación práctica de los componentes clave del framework SAGDFN. Vamos a mostrar cómo se organizan la atención dispersa y la selección de vecinos relevantes para la predicción de series temporales. Los enfoques presentados muestran un equilibrio entre la precisión de los pronósticos y la eficiencia de los cálculos.

En este artículo, desarrollamos un panel informativo en MQL5 para monitorizar posiciones en múltiples símbolos y métricas de cuenta como saldo, equidad y margen libre. Implementamos una tabla ordenable con actualizaciones en tiempo real, exportación a CSV y un efecto de encabezado brillante para mejorar la usabilidad y el atractivo visual.