Vladimir Skorina / Profilo

L'articolo tratta la creazione di un programma che consenta di stimare la densità kernel della funzione di densità di probabilità incognita. Il metodo di stima kernel di densità è stato scelto per eseguire l'attività. L'articolo contiene i codici sorgente dell'implementazione del software del metodo, esempi del suo utilizzo e illustrazioni.

Questo articolo è incentrato sulle strategie che utilizzano attivamente gli ordini in sospeso, un metalinguaggio che può essere creato per descrivere formalmente tali strategie e l'uso di un Expert Advisor multiuso il cui funzionamento si basa su tali descrizioni

Ogni trader lavora utilizzando determinati calcoli statistici, anche se è un sostenitore dell'analisi fondamentale. Questo articolo ti guida attraverso i fondamenti della statistica, i suoi elementi di base e mostra l'importanza delle statistiche nel processo decisionale.

L'articolo ha lo scopo di far conoscere ai suoi lettori la trasformazione di Box-Cox. Vengono affrontate le problematiche relative al suo utilizzo e vengono forniti alcuni esempi che permettono di valutare l'efficienza della trasformazione con sequenze casuali e quotazioni reali.

Quando si sviluppa un sistema di trading, di solito si pone il problema di selezionare la migliore combinazione di indicatori e dei loro segnali. L'analisi discriminante è uno dei metodi per trovare tali combinazioni. L'articolo fornisce un esempio di sviluppo di un EA per la raccolta dei dati di mercato e illustra l'uso dell'analisi discriminante per la costruzione di modelli prognostici per il mercato FOREX nel software Statistica.

Se esaminiamo nel dettaglio qualsiasi sistema di trading complesso, vedremo che si basa su una serie di semplici segnali di trading. Pertanto, non è necessario che gli sviluppatori alle prime armi inizino immediatamente a scrivere algoritmi complessi. Questo articolo fornisce un esempio di un sistema di trading che utilizza indicatori semaforici per eseguire operazioni.

Questo articolo descrive come la programmazione orientata agli oggetti può essere utilizzata per la creazione di pannelli multi-timeframe e multi-valuta per MetaTrader 5. L'obiettivo principale è quello di costruire un pannello universale, che può essere utilizzato per visualizzare diversi tipi di dati, come prezzi, variazioni di prezzo, valori degli indicatori o condizioni di acquisto/vendita personalizzate senza la necessità di modificare il codice del pannello stesso.

Questo articolo presenta la connessione di MetaTrader 5 a ENCOG - Advanced Neural Network e Machine Learning Framework. Contiene la descrizione e l'implementazione di un semplice indicatore di rete neurale basato su indicatori tecnici standard e un Expert Advisor basato su un indicatore neurale. Il codice sorgente, i binari compilati, le DLL e una rete addestrata esemplare sono allegati all'articolo.

L'articolo fornisce una recensione di AutoElliottWaveMaker, il primo sviluppo per l'analisi delle onde di Elliott su MetaTrader 5, che rappresenta una combinazione di etichettatura manuale e automatica delle onde. Lo strumento di analisi delle onde è scritto esclusivamente in MQL5 e non include librerie dll esterne. Questa è un'altra prova che programmi sofisticati e interessanti possono (e dovrebbero) essere sviluppati in MQL5.

Questo articolo ci porta in una direzione completamente nuova nello sviluppo di EA, indicatori e script in MQL4 e MQL5. In futuro, questo paradigma di programmazione diventerà gradualmente lo standard di base per tutti i trader nell'implementazione degli EA. Utilizzando il paradigma di programmazione basato su automi, gli sviluppatori MQL5 e MetaTrader 5 saranno vicini a poter creare un nuovo linguaggio - MQL6 - e una nuova piattaforma - MetaTrader 6.

Se la funzionalità del linguaggio MQL5 non è sufficiente per svolgere le attività, un programmatore MQL5 deve utilizzare strumenti aggiuntivi. Deve passare a un altro linguaggio di programmazione e creare una DLL intermedia. MQL5 ha la possibilità di presentare vari tipi di dati e trasferirli all'API ma, purtroppo, MQL5 non può risolvere il problema relativo all'estrazione dei dati dal puntatore accettato. In questo articolo punteremo tutte le "i" e mostreremo semplici meccanismi di scambio e lavoro con tipi di dati complessi.

Questo articolo serve a far familiarizzare il lettore con il metodo di decomposizione empirica (EMD). È la parte fondamentale della trasformata di Hilbert-Huang ed è destinata all'analisi dei dati provenienti da processi non stazionari e non lineari. Questo articolo presenta anche una possibile implementazione software di questo metodo insieme a una breve considerazione delle sue peculiarità, oltre a fornire alcuni semplici esempi del suo utilizzo.

EA Tree è il primo generatore di Expert Advisor MetaTrader MQL5 drag and drop. È possibile creare MQL5 complessi utilizzando un'interfaccia utente grafica molto facile da usare. In EA Tree, gli Expert Advisor vengono creati collegando i riquadri insieme. Le caselle possono contenere funzioni MQL5, indicatori tecnici, indicatori personalizzati o valori. Utilizzando l'"albero dei riquadri", EA Tree genera il codice MQL5 dell'Expert Advisor.

L'articolo fornisce una descrizione delle modalità di utilizzo dell'analisi di regressione multipla per lo sviluppo di sistemi di trading. Dimostra l'uso dell'analisi di regressione per l'automazione della ricerca strategica. Come esempio viene fornita un'equazione di regressione generata e integrata in un EA senza richiedere un'elevata competenza nella programmazione.

L'articolo permette al lettore di familiarizzare con i modelli di livellamento esponenziale utilizzati per la previsione a breve termine delle serie temporali. Inoltre, tocca le questioni relative all'ottimizzazione e alla stima dei risultati di previsione e fornisce alcuni esempi di script e indicatori. Questo articolo sarà utile come prima conoscenza dei principi di previsione sulla base di modelli di livellamento esponenziale.

Questo articolo cerca di aggiornare l'indicatore creato in precedenza e tratta brevemente un metodo per stimare gli intervalli di confidenza delle previsioni utilizzando il bootstrap e i quantili. Di conseguenza, otterremo l'indicatore di previsione e gli script da utilizzare per la stima dell'accuratezza della previsione.

Ora sappiamo che la funzione di densità di probabilità (PDF) di un ciclo di mercato non ricorda un ciclo gaussiano, ma piuttosto un PDF di un'onda sinusoidale e che la maggior parte degli indicatori presuppone che il ciclo di mercato PDF sia gaussiano quindi abbiamo bisogno di un modo per "correggerlo". La soluzione è utilizzare la trasformata di Fisher. La trasformata di Fisher cambia il PDF di qualsiasi forma d'onda in una curva approssimativamente gaussiana. Questo articolo descrive la matematica dietro la trasformata di Fisher e la trasformata di Fisher inversa e la loro applicazione nel trading. Viene presentato e valutato un modulo di segnale di trading proprietario basato sulla trasformata di Fisher inversa.

La stima dei parametri statistici di una sequenza è molto importante poiché la maggior parte dei modelli e metodi matematici si basa su ipotesi diverse. Ad esempio, normalità della legge di distribuzione o valore di dispersione o altri parametri. Pertanto, durante l'analisi e la previsione delle serie temporali abbiamo bisogno di uno strumento semplice e conveniente che consenta di stimare in modo rapido e chiaro i principali parametri statistici. L'articolo descrive brevemente i parametri statistici più semplici di una sequenza casuale e diversi metodi della sua analisi visiva. Offre l'implementazione di questi metodi in MQL5 e i metodi di visualizzazione del risultato dei calcoli utilizzando l'applicazione Gnuplot.

Uno dei metodi più popolari di analisi di mercato è il principio dell'onda di Elliott. Tuttavia, questo processo è piuttosto complicato, il che ci porta all'uso di strumenti aggiuntivi. Uno di questi strumenti è il marcatore automatico. Questo articolo descrive la creazione di un analizzatore automatico delle onde di Elliott nel linguaggio MQL5.

Questo articolo introduce una classe progettata per fornire una rapida stima preliminare delle caratteristiche di varie serie temporali. Mentre ciò avviene, vengono stimati i parametri statistici e la funzione di autocorrelazione, viene eseguita una stima spettrale delle serie temporali e viene costruito un istogramma.