|
no
experiencia
|
2
productos
|
2
versiones demo
|
|
0
trabajos
|
0
señales
|
0
suscriptores
|
ArfimaPro - Detección de regímenes de mercado en tiempo real La mayoría de las estrategias fallan porque siguen la tendencia durante los mercados de reversión de la media y revierten la media durante los mercados de tendencia. ArfimaPro resuelve esto midiendo la estructura de larga memoria del mercado en tiempo real utilizando el estimador Geweke-Porter-Hudak (GPH) del parámetro de diferenciación fraccional d - la estadística clave ARFIMA. Principales características Estimación GPH d(t) - Traza
A GPH‑based estimator for d, the key ARFIMA parameter, is added to MicroStructure_Foundation.mqh. GPHEstimator() computes d via log‑periodogram regression, while PopulateARFIMAAnalysis() stores d with an R² confidence score and validates the theoretical relationship H = d + 0.5. An empirical study on 72 US100 M1 sessions confirms pooled d = −0.006, consistent with the random walk boundary established in Part 2.
Part 2 focuses on practical long-memory detection for intraday data. Three complementary Hurst estimators are implemented and combined into a confidence‑weighted composite, with confidence tied to valid regression scales. The final H and confidence populate the shared analysis struct, enabling indicators to act only when H departs from the neutral 0.40–0.60 band and to select trend‑following above 0.60 or mean‑reversion below 0.40.
NAS100 Compresión Cruzada. H1 MACD con filtros de régimen y volatilidad Un Asesor Experto sistemático de seguimiento de tendencias para NAS100 y US_TECH100 CFD. Las entradas se activan por cruces de línea cero del histograma MACD en el marco temporal H1. Tres filtros estructurales determinan si se toma cada señal. Todos los resultados presentados en este listado son simulados. El rendimiento pasado no es indicativo de resultados futuros. Las cifras representan periodos de optimización fuera de
This article builds the foundation layer of a twelve-part MQL5 market microstructure toolkit. It implements guarded math helpers (SafeDivide, SafeLog, SafeSqrt, SafeExp, SafeTanh), robust data validation (ValidateSymbolV2, SafeCopyClose), trimmed statistical estimators (robust mean var), a linear regression slope, shared structs, and an FFT. You compile a single include file that hardens indicators and expert advisors against silent numerical failures and standardizes data flow for later parts.
GoertzelBrain combines Goertzel spectral analysis with an online‑trained neural network ensemble to convert cycle features into a directional confirmation signal. The indicator builds a compact feature vector from the dominant period, amplitude, confidence and their dynamics, plus local volatility, and outputs +1, −1 or 0. The article provides the full MQL5 implementation, explains the architecture and feature engineering, and shows how to use it as a directional filter.