HybridMicrostructure EA - expert pour MetaTrader 5

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

1. Ouvrez le Terminal et accédez au dossier dans lequel se trouve le fichier Python.
2. Exécutez la commande :
3. Le serveur va démarrer et écouter sur [http://127.0.0.1:8787](http://127.0.0.1:8787).
4. Sur la plateforme MetaTrader 5, assurez-vous d'avoir ajouté l'URL [http://127.0.0.1](http://127.0.0.1) à la liste des URL WebRequest autorisées :
1. Allez dans Outils -> Options -> Conseillers experts.
2. Cochez la case « Autoriser les requêtes Web pour les URL répertoriées ».
3. Ajoutez l'URL [http://127.0.0.1](http://127.0.0.1) à la liste.
5. Lancez votre EA. Celui-ci enverra désormais des données en temps réel à l’API Python ; Python les analysera en fonction des paramètres définis dans la fonction Python et renverra des commandes ACHETER/VENDRE/ATTENDRE à MT5.

python local_ai_bridge.py

Visualisation dans le testeur de stratégie :