Artículos sobre programación en el lenguaje MQL5

Este artículo analiza la identidad única de cada par de divisas desde la perspectiva de su acción del precio histórica. Inspirándonos en el concepto del ADN genético, que codifica el plano específico de cada ser vivo, aplicamos un marco similar a los mercados, considerando la acción del precio como el «ADN» de cada par. Desglosando comportamientos estructurales como la volatilidad, las oscilaciones, los retrocesos, los picos y las características de las sesiones, la herramienta revela el perfil subyacente que distingue a un par de otro. Este enfoque proporciona una visión más profunda del comportamiento del mercado y ofrece a los operadores una forma estructurada de alinear sus estrategias con las tendencias naturales de cada instrumento.

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.

Los mercados financieros son impredecibles, y las estrategias de trading que parecían rentables en el pasado a menudo fracasan en las condiciones reales del mercado. Esto sucede porque la mayoría de las estrategias son fijas una vez implementadas y no pueden adaptarse ni aprender de sus errores. Tomando prestadas ideas de la teoría de control, podemos utilizar controladores de retroalimentación para observar cómo nuestras estrategias interactúan con los mercados y ajustar su comportamiento hacia la rentabilidad. Nuestros resultados demuestran que añadir un controlador de retroalimentación a una estrategia simple de media móvil mejoró las ganancias, redujo el riesgo y aumentó la eficiencia, lo que demuestra que este enfoque tiene un gran potencial para aplicaciones de trading.

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.

Este artículo describe un pipeline de arbitraje estadístico sencillo pero completo para operar con una cesta de acciones cointegradas. Incluye un script de Python totalmente funcional para la descarga y el almacenamiento de datos; pruebas de correlación, cointegración y estacionariedad, junto con una implementación de ejemplo de un Servicio de MetaTrader 5 para la actualización de la base de datos y el Asesor Experto correspondiente. Aquí se recogen algunas decisiones de diseño a modo de referencia y para facilitar la reproducción del experimento.

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.

El preprocesamiento es un parámetro de ajuste muy eficaz, aunque a menudo se pase por alto. Vive a la sombra de sus hermanos mayores: los optimizadores y las arquitecturas de modelos llamativas. Unas pequeñas mejoras porcentuales en este ámbito pueden tener efectos acumulativos desproporcionadamente grandes sobre la rentabilidad y el riesgo. Con demasiada frecuencia, esta ciencia en gran medida inexplorada se reduce a una simple rutina, vista solo como un medio para alcanzar un fin, cuando en realidad es ahí donde la señal puede amplificarse directamente o, con la misma facilidad, destruirse.

Este artículo presenta un ejemplo de implementación de un servicio MQL5 para actualizar una base de datos recién creada que se utiliza como fuente para el análisis de datos y para la negociación de una cesta de acciones cointegradas. Se explica en detalle la justificación del diseño de la base de datos y se documenta el diccionario de datos para su consulta. Se proporcionan scripts de MQL5 y Python para la creación de la base de datos, la inicialización del esquema y la inserción de datos de mercado.

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.

Este artículo presenta «Fractal Reaction System», un sistema compacto en MQL5 que convierte pivotes fractales en señales de estructura de mercado accionables. Mediante lógica de barras cerradas para evitar el repintado, el EA detecta advertencias de «cambio de carácter» (ChoCH) y confirma «rupturas de estructura» (BOS), dibuja objetos persistentes en el gráfico y registra y emite alertas de cada evento confirmado (de escritorio, móviles y sonoras). Siga leyendo para conocer el diseño del algoritmo, las notas de implementación, los resultados de las pruebas y el código completo del EA, de modo que pueda compilar, probar y desplegar el detector usted mismo.

Este artículo es la primera entrega de una serie de dos partes ideada para transmitir habilidades prácticas y buenas prácticas para escribir indicadores personalizados en MQL5. Tomando Heikin Ashi como ejemplo práctico, el artículo analiza la teoría que subyace a los gráficos de Heikin Ashi, explica cómo se calculan las velas de Heikin Ashi y muestra su aplicación en el análisis técnico. El elemento central es una guía paso a paso para desarrollar desde cero un indicador Heikin Ashi totalmente funcional, con explicaciones claras que ayudan a los lectores a comprender qué deben programar y por qué. Estos conocimientos fundamentales sientan las bases para la segunda parte, en la que crearemos un asesor experto que opere siguiendo la lógica de Heikin Ashi.

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.

En la parte 38, vamos a crear un panel de monitorización de MT5 apto para entornos de producción que convierte los ticks sin procesar en señales útiles. El EA almacena en búfer los datos de ticks para calcular el VWAP a nivel de tick, una métrica de desequilibrio de ventana corta (flujo) y el cálculo del tamaño de posición basado en el ATR. A continuación, muestra el spread, el ATR y el flujo mediante barras de bajo parpadeo. El sistema calcula un tamaño de lote recomendado y un stop de 1R, y emite alertas configurables en caso de spreads ajustados, flujo intenso y condiciones de ventaja operativa. El trading automático está desactivado de forma intencionada; la prioridad sigue siendo la generación de señales fiables y una experiencia de usuario fluida.

En esta segunda entrega de la serie «Guía de aprendizaje automático para MetaTrader 5», descubrirás por qué unas etiquetas sencillas pueden llevar a tus modelos por mal camino, y cómo aplicar técnicas avanzadas, como los métodos de «triple barrera» y «métodos de análisis de tendencias», para definir etiquetas objetivo robustas y ajustadas al riesgo. Repleta de ejemplos prácticos en Python que optimizan estas técnicas computacionalmente intensivas, esta guía práctica te muestra cómo transformar datos de mercado con mucho ruido en etiquetas fiables que reflejen las condiciones reales de mercado.

Este artículo muestra una forma segura de exportar datos de MetaTrader a Google Sheets. Google Sheets es la solución más valiosa, ya que está basada en la nube y se puede acceder a los datos guardados en ella en cualquier momento y desde cualquier lugar. De este modo, los traders pueden acceder a los datos de operaciones y a otros datos relacionados exportados a una hoja de cálculo de Google, y realizar análisis adicionales para futuras operaciones en cualquier momento y desde cualquier lugar en el que se encuentren.

El objetivo último de todo trader es la rentabilidad, por lo que muchos fijan objetivos de beneficio específicos que desean alcanzar en un periodo de trading definido. En este artículo, utilizaremos simulaciones de Monte Carlo para determinar el porcentaje óptimo de riesgo por operación necesario para alcanzar los objetivos de trading. Los resultados ayudarán a los traders a evaluar si sus objetivos de beneficio son realistas o demasiado ambiciosos. Por último, analizaremos qué parámetros se pueden ajustar para establecer un porcentaje práctico de riesgo por operación que esté alineado con los objetivos de trading.

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.

Eagle Strategy es un algoritmo que imita la estrategia de caza en dos fases del águila: la búsqueda global mediante vuelos de Lévy según el método de Mantegna se alterna con una explotación local intensiva del algoritmo de las luciérnagas (Firefly), un enfoque matemáticamente fundamentado para lograr el equilibrio entre la exploración y la explotación, así como un concepto bioinspirado que aúna dos fenómenos naturales en un único método computacional.

Aproveche todo el potencial de su terminal de MetaTrader 5 utilizando el ecosistema de ciencia de datos de Python y la biblioteca cliente oficial de MetaTrader 5. En este artículo se explica cómo autenticarse y transmitir datos en tiempo real de ticks y de barras de un minuto directamente al almacenamiento Parquet, aplicar técnicas sofisticadas de ingeniería de características con Ta y Prophet, y entrenar un modelo de Gradient Boosting sensible al tiempo. A continuación, implementamos un servicio ligero basado en Flask para proporcionar señales de trading en tiempo real. Tanto si está desarrollando un framework cuantitativo híbrido como si está mejorando su EA con aprendizaje automático, obtendrá un proceso sólido e integral para el trading algorítmico basado en datos.

El sentimiento del mercado es una de las fuerzas más ignoradas pero a la vez más poderosas que influyen en el movimiento de los precios. Mientras que la mayoría de los operadores se basan en indicadores rezagados o conjeturas, el Asesor Experto (EA) Sentiment Tilt Meter (STM) transforma los datos brutos del mercado en una guía visual clara, que muestra si el mercado tiende al alza, a la baja o se mantiene neutral en tiempo real. Esto facilita la confirmación de las operaciones, evita las entradas erróneas y permite sincronizar mejor la participación en el mercado.

Este artículo ofrece una guía paso a paso para dominar las operaciones CRUD (Create, Read, Update, Delete; crear, leer, actualizar y eliminar) en Firebase, centrándose en su Firebase Realtime Database (base de datos en tiempo real de Firebase) y en Firestore. Descubre cómo usar los métodos del SDK de Firebase para gestionar datos de forma eficiente en aplicaciones web y móviles, desde añadir nuevos registros hasta consultar, modificar y eliminar entradas. Explora ejemplos de código prácticos y las mejores prácticas para estructurar y gestionar datos en tiempo real, lo que permite a los desarrolladores crear aplicaciones dinámicas y escalables con la arquitectura NoSQL flexible de Firebase.

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.

Incluso con un sistema de expectativas matemáticas positivas, el tamaño de la posición determina si uno prospera o fracasa. Es el pilar de la gestión de riesgos: traducir las ventajas estadísticas en resultados reales, al tiempo que se protege el capital.

Aquí veremos cómo implementar un algoritmo sencillo para leer imágenes en formato PNG. Poder leer el contenido de estas imágenes será importante para avanzar en el desarrollo de una topología de red perceptrón. Esto se debe a que comenzaremos a utilizar la base de datos MNIST para entrenar la red que implementaremos.

Este artículo explora el importante papel de la factorización matricial en el trading algorítmico, específicamente en aplicaciones MQL5. Desde modelos de regresión hasta clasificadores de múltiples objetivos, analizamos ejemplos prácticos que demuestran la facilidad con la que estas técnicas pueden integrarse utilizando las funciones integradas de MQL5. Ya sea que esté prediciendo la dirección de los precios o modelando el comportamiento de los indicadores, esta guía sienta una base sólida para construir sistemas de trading inteligentes utilizando métodos matriciales.

En este artículo, comenzaremos a sentar las bases para entender cómo funciona la retropropagación. Comprender estas bases es necesario para entender cómo varios perceptrones pueden ajustar sus parámetros individualmente, incluso cuando tenemos una cantidad arbitraria de ellos en una red. El objetivo no será implementar la retropropagación, sino crear un mecanismo sencillo que te permita entender cómo funciona.

Exploraremos cómo se pueden combinar el indicador Parabolic SAR y el indicador Fractal para crear un nuevo indicador de tipo oscilador. Al integrar las ventajas únicas de ambas herramientas, los operadores pueden aspirar a desarrollar una estrategia de trading más refinada y eficaz.

Existe una falsa sensación, entre el público general, de que una red neuronal, o una inteligencia artificial, puede, de algún modo, comprender el mundo en el que vivimos. En algunos casos, esto incluso puede ser cierto. Pero tú, que quieres conseguir que una red neuronal, o incluso una neurona, converja más rápido, necesitas entender que la escala utilizada en los valores muchas veces termina influyendo en la velocidad de convergencia. Además, en este artículo mostraré algo extraño que ocurre en las redes neuronales. Algo que te llevará a la locura y hará que te cuestiones muchas cosas sobre el tema.

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.

Este artículo describe un flujo seguro para manejar la eliminación de objetos gráficos: interceptar eventos, recrear el objeto y recuperar el conjunto mínimo de propiedades. Mostramos cómo evitar errores al trabajar con punteros, impedir recreaciones indebidas durante el cierre y guardar la posición y las dimensiones, actualizándolas mediante DRAG/CHANGE. De este modo, el indicador se mantiene íntegro y el usuario conserva parte de sus personalizaciones.