HybridMicrostructure EA - Asesor Experto para MetaTrader 5

Este EA está diseñado para enviar solicitudes HTTP POST con una carga útil JSON al estilo de OpenAI (que contiene `messages`, `role: system` y `role: user`) y espera una respuesta JSON que contenga `decision`, `confidence` y `reason`.

Para crear una API de IA local (servidor local) capaz de responder a estas solicitudes de MT5 en milisegundos, el lenguaje de programación ideal es Python utilizando el marco FastAPI. FastAPI es ligero, ultrarrápido y perfectamente adecuado para procesar datos de alta frecuencia procedentes de MT5.

A continuación se muestra el código completo del servidor en Python. Más adelante podrás integrar en este motor un modelo real de aprendizaje automático (como TensorFlow, Scikit-Learn o incluso Ollama para un LLM local).

1. Configuración del entorno de Python

Asegúrate de que Python esté instalado en tu ordenador. Abre la Terminal o el Símbolo del sistema e instala estas dos bibliotecas esenciales:

pip install fastapi uvicorn

2. Código de la API de Python (local_ai_bridge.py)

Crea un archivo llamado local_ai_bridge.py en tu ordenador y copia el siguiente código: (Python)

from fastapi import FastAPI, Request
from pydantic import BaseModel
from typing import List, Optional
import json
import uvicorn

app = FastAPI(title="MT5 AI Microstructure Bridge")

# --- MODELOS DE DATOS (Compatibles con el formato de datos MQL5) ---
class Message(BaseModel):
    role: str
    content: str

class AIRequest(BaseModel):
    model: str
    temperature: float
    response_format: Optional[dict] = None
    messages: List[Message]

# --- PUNTO FINAL PRINCIPAL (/analyze) ---
@app.post("/analyze")
async def analyze_market(payload: AIRequest):
    """
    This endpoint receives tick and microstructure data from MT5,
    analyzes the data, and returns a BUY/SELL/WAIT decision.
    """
    
    # 1. Extraer los datos JSON del mensaje «user» enviado por MT5
    user_content = "{}"
    for msg in payload.messages:
        if msg.role == "user":
            user_content = msg.content
            break
            
    try:
        facts = json.loads(user_content)
    except json.JSONDecodeError:
        return {"decision": "WAIT", "confidence": 0.0, "reason": "Invalid JSON format"}

    # 2. Recopilar datos sobre el mercado
    order_type = facts.get("order_type", "WAIT")
    high_velocity = facts.get("high_velocity", False)
    snapback_pips = facts.get("snapback_pips", 0.0)
    min_snapback = facts.get("min_snapback_pips", 2.0)
    deviation_z = facts.get("deviation_z", 0.0)
    
    mtf = facts.get("mtf", {})
    m1_structure = facts.get("m1_structure", {})

    N.º 3. IA / ALGORITMO DE TOMA DE DECISIONES (Se puede sustituir más adelante por un modelo de aprendizaje automático)
    # Este es un ejemplo sencillo de lógica de decisión
    
    confidence = 0.0
    decision = "WAIT"
    reason = ""

    # Evaluar la lógica cuando el EA solicita la confirmación de VENTA
    if order_type == "SELL":
        score = 0
        
        # Validar el retroceso y la velocidad
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # Comprobar si hay una desviación extrema (situación de sobrecompra)
        if deviation_z > 2.0:
            score += 0.3

        # Validar la alineación del MTF (al menos H1 o M15 deben mostrar una tendencia bajista)
        if mtf.get("h1_down") or mtf.get("m15_down"):
            score += 0.2

        # Validar el rechazo de M1 (mecha superior larga)
        if m1_structure.get("upper_wick_ratio", 0.0) >= 0.2:
            score += 0.1

        confidence = score
        if confidence >= 0.70:
            decision = "SELL"
            reason = "High velocity drop, MTF align, Z-Score high"
        else:
            reason = f"Score only {confidence:.2 f}, lacking momentum"

    # Evaluar la lógica cuando el EA solicita la confirmación de COMPRA
    elif order_type == "BUY":
        score = 0
        
        # Validar el retroceso y la velocidad
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # Validar la desviación extrema (la variable «deviation_z» ya está ajustada en cuanto a la dirección en MQL5)
        if deviation_z > 2.0:
            score += 0.3

        # Validar la alineación del MTF (al menos H1 o M15 deben mostrar una tendencia alcista)
        if mtf.get("h1_up") or mtf.get("m15_up"):
            score += 0.2

        # Validar el rechazo de M1 (mecha inferior larga)
        if m1_structure.get("lower_wick_ratio", 0.0) >= 0.2:
            score += 0.1

        confidence = score
        if confidence >= 0.70:
            decision = "BUY"
            reason = "High velocity bounce, MTF align, Z-Score high"
        else:
            reason = f"Score only {confidence:.2 f}, lacking momentum"

    N.º 4. Enviar la respuesta JSON a MT5
    return {
        "decision": decision,
        "confidence": round(confidence, 2),
        "reason": reason[:60]  # Limita el motivo a un máximo de 60 caracteres para MT5
    }

if __name__ == "__main__":
    # Iniciar el servidor local en el puerto 8787, coincidiendo con el parámetro InpAIEndpoint en MQL5
    print("AI Bridge Server is running on http://127.0.0.1:8787")
    uvicorn.run(app, host="127.0.0.1", port=8787)

3. Cómo ejecutar el servidor y conectarse a MT5

1. Abre la Terminal y navega hasta la carpeta donde se encuentra el archivo de Python.
2. Ejecuta el comando:
3. El servidor se iniciará y estará a la escucha en [http://127.0.0.1:8787](http://127.0.0.1:8787).
4. En la plataforma MetaTrader 5, asegúrate de haber añadido la URL [http://127.0.0.1](http://127.0.0.1) a la lista de URL permitidas para WebRequest:
1. Ve a Herramientas -> Opciones -> Asesores expertos.
2. Marca la casilla «Permitir WebRequest para las URL de la lista».
3. Añade la URL [http://127.0.0.1](http://127.0.0.1) a la lista.
5. Ejecuta tu EA. El EA enviará ahora datos en tiempo real a la API de Python; Python los analizará en función de los parámetros de la función de Python y enviará comandos de COMPRA/VENTA/ESPERA de vuelta a MT5.

python local_ai_bridge.py

Visualización en el Strategy Tester: