L'EA « Hybrid Microstructure » est un Expert Advisor avancé de scalping à haute fréquence, spécialement conçu pour la paire XAUUSD (or) sur la période M1. Contrairement aux indicateurs traditionnels qui s'appuient sur des calculs mathématiques OHLC à retard, cet EA fonctionne sur la dynamique de la microstructure au niveau des ticks: il suit la vitesse des ticks, les écarts par rapport au cours moyen pondéré en fonction du volume (VWAP) et les rejets de balayage de liquidité (stop hunts) exécutés par les institutions.
Backtest :
Afin de combler le fossé entre les règles locales déterministes et l'intelligence adaptative, il intègre une couche décisionnelle « AI Bridge » qui prend en charge à la fois un moteur interne de notation pondérée et une API d'IA locale externe compatible avec OpenAI (via Python/FastAPI), agissant ainsi comme un dernier filtre factuel avant l'exécution des ordres.
Principales fonctionnalités :
1. Structure du code et flux de travail :
2. Flux de travail d’exécution :
Cet EA est conçu pour envoyer des requêtes HTTP POST avec une charge utile JSON au format OpenAI (contenant `messages`, `role: system` et `role: user`) et attend une réponse JSON contenant `decision`, `confidence` et `reason`.
Pour créer une API IA locale (serveur local) capable de répondre à ces requêtes MT5 en quelques millisecondes, le langage de programmation idéal est Python, en utilisant le framework FastAPI. FastAPI est léger, ultra-rapide et parfaitement adapté au traitement des données à haute fréquence provenant de MT5.
Vous trouverez ci-dessous le code complet du serveur Python. Vous pourrez ultérieurement intégrer un véritable modèle d’apprentissage automatique (tel que TensorFlow, Scikit-Learn ou même Ollama pour un LLM local) à ce moteur.
1. Configuration de l’environnement Python
Assurez-vous que Python est installé sur votre ordinateur. Ouvrez le Terminal ou l’Invite de commandes et installez ces deux bibliothèques indispensables :
pip install fastapi uvicorn
2. Code de l’API Python (local_ai_bridge.py)
Créez un fichier nommé local_ai_bridge.py sur votre ordinateur et copiez-y le code suivant : (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") # --- MODÈLES DE DONNÉES (Compatibles avec le format de données MQL5) --- class Message(BaseModel): role: str content: str class AIRequest(BaseModel): model: str temperature: float response_format: Optional[dict] = None messages: List[Message] # --- POINT DE FINALITÉ 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. Extraire les données JSON du message « user » envoyé par 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. Recueillir des données sur le marché 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", {}) # 3. IA / ALGORITHME DE PRISE DE DÉCISION (Peut être remplacé ultérieurement par un modèle d'apprentissage automatique) # Voici un exemple simple de logique de décision confidence = 0.0 decision = "WAIT" reason = "" # Évaluer la logique lorsque l'EA demande une confirmation de VENTE if order_type == "SELL": score = 0 # Vérifier le rebond et la vitesse if snapback_pips >= min_snapback and high_velocity: score += 0.4 # Vérifier la présence d'un écart extrême (situation de surachat) if deviation_z > 2.0: score += 0.3 # Vérifier la cohérence de l'indicateur MTF (au moins l'H1 ou le M15 doit être baissier) if mtf.get("h1_down") or mtf.get("m15_down"): score += 0.2 # Vérification du rejet de la figure M1 (mèche supérieure longue) 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" # Évaluer la logique lorsque l'EA demande une confirmation d'ACHAT elif order_type == "BUY": score = 0 # Vérifier le rebond et la vitesse if snapback_pips >= min_snapback and high_velocity: score += 0.4 # Vérifier l'écart extrême (la variable « deviation_z » est déjà corrigée en fonction de la direction dans MQL5) if deviation_z > 2.0: score += 0.3 # Vérifier l'alignement MTF (au moins H1 ou M15 doit être haussier) if mtf.get("h1_up") or mtf.get("m15_up"): score += 0.2 # Vérification du rejet de la figure M1 (mèche inférieure longue) 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" # 4. Renvoyer la réponse JSON à MT5 return { "decision": decision, "confidence": round(confidence, 2), "reason": reason[:60] # Limiter la description à 60 caractères maximum pour MT5 } if __name__ == "__main__": # Démarrer le serveur local sur le port 8787, conformément au paramètre InpAIEndpoint dans 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. Comment lancer le serveur et se connecter à MT5
Cette architecture Python est hautement évolutive. Si, à l’avenir, vous souhaitez stocker cet historique des mouvements de prix dans une base de données (pour des données d’entraînement en apprentissage automatique) ou le connecter à un modèle de prédiction (tel que XGBoost ou Random Forest), il vous suffira de modifier la section marquée par le commentaire n° 3 — INTELLIGENCE ARTIFICIELLE / ALGORITHME DE DÉCISION—dans le code ci-dessus.
En cas de réussite, Print Expert s’affichera comme suit :
Creating a Python file (.py) is actually very simple. Essentially, a Python file is just a standard text file (like a .txt file) with its extension changed to .py.
Avec MetaTrader 5 (qui fonctionne généralement sous Windows), voici les 3 méthodes les plus simples pour créer le fichier local_ai_bridge.py :
Méthode 1 : à l’aide du Bloc-notes (méthode la plus rapide et ne nécessitant aucune application supplémentaire)
Il s’agit de la méthode la plus rapide sous Windows :
Conseils supplémentaires après la création du fichier :
Pour l’exécuter, assurez-vous d’ouvrir l’invite de commande (CMD) dans le dossier où se trouve le fichier `local_ai_bridge.py`, puis saisissez la commande suivante pour l’exécuter :
python local_ai_bridge.py
Si l'opération réussit, votre fenêtre CMD affichera un message indiquant que le serveur Uvicorn/FastAPI est en cours d'exécution.
//-------------------------
Pour que Python puisse exécuter le fichier `local_ai_bridge.py`, le terminal doit se trouver dans le même dossier que ce fichier. Voici les trois méthodes les plus simples pour y parvenir sous Windows (choisissez celle qui vous convient le mieux) :
Méthode 1 : Astuce de la « barre d'adresse » de l'Explorateur de fichiers (la plus simple et la plus rapide)
C’est une astuce très appréciée des programmeurs car elle est très pratique :
Étapes d'exécution (si l'invite de commande est déjà ouverte dans le bon dossier)
Une fois que la fenêtre noire ou bleue s'ouvre dans le dossier correct, il vous suffit de donner une commande à Python pour lancer le robot IA.
python local_ai_bridge.py
Si l'installation des bibliothèques (fastapi et uvicorn) s'est déroulée correctement, vous verrez s'afficher le message « AI Bridge Server is running on http://127.0.0.1:8787 » ou un message indiquant « Uvicorn running on... »
Comme suit :
Le serveur AI Bridge est en cours d'exécution sur http://127.0.0.1:8787
INFO : Processus serveur démarré [4168]
INFO : En attente du démarrage de l'application.
INFO : Démarrage de l’application terminé.
INFO : Uvicorn s'exécute sur http://127.0.0.1:8787 (Appuyez sur CTRL+C pour quitter)
Ce texte indique que :
Que signifie cette indication ?
Cela signifie que l’EA et notre serveur Python local fonctionnent désormais en parallèle et sont prêts à interagir. L’EA n’est plus « aveugle » : il dispose d’un « cerveau local » qui filtre chaque signal de « Liquidity Sweep » et de « Velocity » sur la période M1 de l’or avant de décider d’exécuter un ordre ou de s’abstenir (WAIT).
Il ne vous reste plus qu’à surveiller les mouvements du graphique ou à effectuer des tests prospectifs sur un compte démo ou réel. Lorsque les conditions de « sweep » et les exigences de vitesse de tick sont remplies, vous verrez apparaître en temps réel dans le journal des journaux de décision, tels que `[AI] SELL HYBRID ... ALLOW=YES` ou `NO`.
Visualisation dans le testeur de stratégie :

Traduit de l’anglais par MetaQuotes Ltd.
Code original : https://www.mql5.com/en/code/76331
Wolfe Wave Dashboard
Indicateur MQL5 professionnel (fenêtre séparée) qui analyse automatiquement plusieurs symboles et périodes, détecte les figures de Wolfe Wave valides les plus récentes (haussières/baissières), les affiche dans un tableau de bord interactif et permet d'ouvrir un graphique en un clic avec le tracé complet de la figure.
Dynamic Session Range Sweep Detector with Liquidity Zone Marking
Il suit les fourchettes de séance des marchés asiatiques, londoniens et new-yorkais, verrouille chacune d’entre elles à la clôture de la séance et signale les véritables « liquidité sweeps » — une mèche qui perce un plus haut ou un plus bas verrouillé et clôture à nouveau à l’intérieur de celui-ci — à l’aide d’une flèche et d’une zone de réaction ombrée. Il ne se redessine pas et fonctionne sur n’importe quel symbole et n’importe quelle période.
Fisher Transform Indicator
Un oscillateur à transformée de Fisher élaboré à partir des principes statistiques fondamentaux : il normalise le cours dans une fourchette délimitée, puis applique une transformée logarithmique afin de générer des signaux de retournement nets et bien définis, contrairement aux inversions progressives caractéristiques des oscillateurs classiques. L'état récursif interne est géré à l'aide de tampons de calcul adaptés, garantissant un comportement fiable et correct lors des backtests. Extrait de la série d'articles « Créer des indicateurs personnalisés pour les débutants ».
SuperTrend Indicator
Un indicateur SuperTrend personnalisé conçu à partir des principes fondamentaux, combinant une bande de volatilité basée sur l'ATR avec un mécanisme à cliquet afin de générer une ligne de tendance nette et sans « repainting ». L'état récursif interne est géré via des tampons de calcul correctement enregistrés, ce qui évite les bugs de perte d'état courants dans les implémentations de tableaux gérées manuellement. Extrait de la série d'articles « Créer des indicateurs personnalisés pour les débutants ».