MQL5プログラミング記事

icon

取引戦略をプログラミングするためのMQL5言語を、ほとんどがコミュニティメンバーによって書かれた数多くの公開記事で学びます。記事は統合、テスター、取引戦略等のカテゴリに分けられていて、プログラミングに関連する疑問への解答を素早く見つけることができます。

新着記事をフォローして、フォーラムでディスカッションしてください。

新しい記事を追加
最新 | ベスト
preview
線形自己回帰モデルの残差を用いた非線形U-Transformerの学習

線形自己回帰モデルの残差を用いた非線形U-Transformerの学習

線形自己回帰モデルと、残差分析に用いるU-Transformerアーキテクチャを組み合わせた、為替レート予測のための革新的なハイブリッドシステムを紹介します。 このシステムは、シグナルの品質に応じて使用する予測ソースを自動的に切り替えるほか、ナンピンやピラミッディング戦略を含む、一連の取引ロジックを備えています。 このアプローチの最大の利点は、ニューラルネットワークを線形モデルの残差を使って学習させる点にあります。これにより、ニューラルネットワークが取り組むべき課題を単純化し、過学習のリスクを低減できます。 システム全体はMQL5で実装されており、市場環境の変化に自動的に適応しながら、実際の取引に利用できるよう設計されています。
preview
MetaTrader 5における取引銘柄の時間帯別値動きと銘柄間スプレッドの分析

MetaTrader 5における取引銘柄の時間帯別値動きと銘柄間スプレッドの分析

移動平均線を組み込んだProSpread季節性指数インジケータは、価格変動における季節性パターンを特定し、特定の取引時間帯における値動きを分析するテクニカル分析ツールです。 単一の取引銘柄だけでなく、2つの資産間のスプレッドにも対応しており、価格が特定の方向に動く統計的な確率も可視化します。
preview
市場シミュレーション(第22回):SQL入門(V)

市場シミュレーション(第22回):SQL入門(V)

SQLの学習をあきらめ、やめてしまおうと決める前に、ここで扱っているのは、まだ最も基本的な要素だけであることを改めてお伝えしておきます。 SQLには、まだ紹介していない機能もあります。 それらを理解すれば、SQLが想像以上に実用的なものであることがわかるでしょう。 もっとも、開発は進めながら変化していくものなので、最終的には、現在の取り組みの方向性を変えることになるかもしれません。 SQLを使ってさまざまなものを作る方法についても、もう少し紹介していく予定です。これらは、皆さんにとって本当に重要で、役に立つ知識だからです。 プログラマーや開発者のコミュニティ全体よりも自分のほうが優れていると考えるだけでは、時間と機会を無駄にするだけです。 ご安心ください。この先は、さらに興味深い内容になっていきます。
preview
取引におけるニューラルネットワーク:インテリジェントな予測パイプライン(Time-MoE)

取引におけるニューラルネットワーク:インテリジェントな予測パイプライン(Time-MoE)

時系列予測タスク向けに適応された最新のTime-MoEフレームワークを詳しく見ていきましょう。 アーキテクチャの主要な構成要素を段階的に実装しながら、随所で解説と実践的な例を紹介します。 このアプローチにより、モデルの仕組みを理解するだけでなく、その原理を実際の取引シナリオに応用することも可能になります。
preview
取引におけるニューラルネットワーク:適応的周期セグメンテーション(最終回)

取引におけるニューラルネットワーク:適応的周期セグメンテーション(最終回)

LightGTSの刺激的な世界へぜひ飛び込んでみてください。LightGTSは、時系列予測のための軽量かつ強力なフレームワークです。適応型畳み込みやRoPEによるエンコーディングを、革新的なAttentionメカニズムと組み合わせています。 本記事では、パッチの生成からDecoder内の複雑な混合エキスパートに至るまで、MQL5プロジェクトに組み込めるすべてのコンポーネントを詳しく解説します。 LightGTSが自動売買をいかにして全く新しい次元へと引き上げるのかをぜひご覧ください。
preview
取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(GinAR)

取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(GinAR)

GinARフレームワークを用いた、欠損データを含む時系列予測への革新的なアプローチを紹介します。 本記事では、高い処理性能を実現するため、OpenCLを用いて主要な構成要素を実装する方法を解説します。 次回の記事では、これらのソリューションをMQL5に統合する方法について詳しく取り上げます。 これにより、実際の取引においてこの手法をどのように活用できるかを理解しやすくなるでしょう。
preview
取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(HimNet)

取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(HimNet)

時空間適応の柔軟性と高い計算効率を兼ね備えたHimNetフレームワークをご紹介します。このフレームワークは、金融時系列データの高精度かつ安定した予測を可能にします。 主要な構成要素がどのように連携し、複雑なアルゴリズムを実用的で扱いやすいアーキテクチャへと落とし込んでいるのかを詳しく解説します。
preview
決闘者アルゴリズム

決闘者アルゴリズム

もし、あなたの取引戦略が、実際の格闘家のように互いに学び合えるとしたら、どうでしょうか。 決闘者アルゴリズムは、取引システムのパラメータ同士が、文字どおり「最良」と呼ばれる権利を懸けて決闘する、新しい最適化手法です。
preview
取引におけるニューラルネットワーク:Temporal Queryモデル(TQNet)

取引におけるニューラルネットワーク:Temporal Queryモデル(TQNet)

TQNetフレームワークは、モジュール性、柔軟性、高い処理性能を兼ね備え、金融時系列データのモデリングと予測に新たな可能性を切り開きます。 高度なパラメータ初期化手法も含め、大域的な相関関係を捉えるための複雑なメカニズムを実装する可能性について考察します。
preview
取引におけるニューラルネットワーク:確率的時系列予測(最終回)

取引におけるニューラルネットワーク:確率的時系列予測(最終回)

K²VAEフレームワークの概要と、提案された手法を取引システムにどのように統合できるかについて解説します。 Koopman–Kalman–VAEを組み合わせたハイブリッドアプローチが、適応性と解釈可能性を備えたモデルの構築にどのように役立つのかを紹介します。 最後に、実装した手法を用いて得られた実践的な成果についても取り上げます。
preview
取引におけるニューラルネットワーク:構造成分の分離(SCNN)

取引におけるニューラルネットワーク:構造成分の分離(SCNN)

データを長期成分、季節成分、短期成分、残差成分に明確に分解することで、時系列分析を新たな段階へと引き上げる革新的なSCNNフレームワークをご紹介します。 このアプローチでは、モデルが複雑かつ変化し続ける市場の動向に適応できるため、予測精度の大幅な向上が期待できます。
preview
取引におけるニューラルネットワーク:構造成分の分離(Encoder)

取引におけるニューラルネットワーク:構造成分の分離(Encoder)

柔軟性と解釈可能性を兼ね備え、時系列データの構造成分を精密に特定できるSCNN(Structured Component Neural Network:構造成分ニューラルネットワーク)フレームワークの実装に向けた次のステップを解説します。 市場環境の変化に対するモデルの頑健性を支える、適応的正規化とAttention機構の仕組みについて詳しく解説します。
preview
初級から中級まで:オブジェクトイベント(II)

初級から中級まで:オブジェクトイベント(II)

オブジェクトによって発生する残り3種類のイベントが、どのように機能するのかを見ていきましょう。 これらを理解することは非常に興味深いものになるはずです。というのも、最後には、多くの人にとって突拍子もないことに思えるかもしれませんが、実際には十分に実現可能で、非常に驚くべき結果をもたらす機能を実装するからです。
preview
取引におけるニューラルネットワーク:確率的時系列予測(Encoder)

取引におけるニューラルネットワーク:確率的時系列予測(Encoder)

時系列解析における、従来の手法と最新のニューラルネットワークを融合した新たなアプローチを紹介します。 K²VAEモデルのアーキテクチャと動作原理について詳しく解説します。
preview
市場シミュレーション:ポジション表示(VI)

市場シミュレーション:ポジション表示(VI)

ポジション表示インジケータが、取引サーバー上の実際のポジション状況(保有ポジションの有無や現在の状態)を正確に反映できるよう、いくつかの改善をおこないます。 あらかじめお断りしておきますが、ここで紹介するアプリケーションは、MetaTrader 5に標準搭載されている機能を置き換えることを目的としたものではありません。 また、十分な注意と慎重な判断なしに使用することも避けてください。これらは、あくまでもシステムの仕組みを学ぶための学習用コードです。 私があえて「学習用コード」と呼んでいるのには理由があります。機能によっては、メッセージを使って実装することが必ずしも最適な方法とは限らないからです。
preview
取引におけるニューラルネットワーク:スケーリングの代わりに分解する(最終回)

取引におけるニューラルネットワーク:スケーリングの代わりに分解する(最終回)

時系列データを意味のある層に分解し、それらを活用して簡潔なモデルを構築するアルゴリズムをご紹介します。 そのアーキテクチャからMQL5/OpenCLによる具体的な実装、過去の市場データを用いた実証テストまで、体系的に解説します。
preview
初級から中級まで:オブジェクト(II)

初級から中級まで:オブジェクト(II)

今回の記事では、コードを使ってオブジェクトのプロパティを簡単に制御する方法を紹介します。 また、カスタムアプリケーションから、同じチャート上に複数のオブジェクトを配置する方法も見ていきます。 さらに、インジケーターを実装する際に、短縮名を設定することがなぜ重要なのかについても、理解を深めていきます。
preview
取引におけるニューラルネットワーク:構造成分の分離(最終回)

取引におけるニューラルネットワーク:構造成分の分離(最終回)

SCNNアーキテクチャについて詳しく解説するとともに、MQL5を用いた実装方法の一例を紹介します。 特に、時系列分解をニューラルネットワークの手法やAttention機構と組み合わせる方法について説明します。
preview
取引におけるニューラルネットワーク:スケーリングの代わりに分解する(SSCNN)

取引におけるニューラルネットワーク:スケーリングの代わりに分解する(SSCNN)

精度、構造化された設計、高い計算効率を兼ね備えた、時系列分析のための最新アーキテクチャであるSSCNNフレームワークについて解説します。 理論的な側面を体系的に検討し、従来の手法との主な相違点を明らかにした上で、MQL5環境における基本コンポーネントの実装に着手します。
preview
市場シミュレーション:ポジション表示(VII)

市場シミュレーション:ポジション表示(VII)

この記事では、ポジション表示インジケータを操作して、価格ラインを変更したり、ポジションを直接決済したりできるように、改良を加えていきます。 実装に進む前に、特にこの仕組みに詳しくない方のために、いくつか明確にしておきたい点があります。 このインジケータを使って、取引サーバー上の情報を直接変更することはできません。 MetaTrader 5には、注文やポジションの変更をエキスパートアドバイザー(EA)のみに許可するセキュリティシステムが設けられているためです。 EA以外のアプリケーションでは、注文やポジションを操作することはできません。
preview
取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(最終回)

取引におけるニューラルネットワーク:多変量時系列予測のためのエンドツーエンドモデル(最終回)

時系列予測のためのニューラルネットワークフレームワークであるGinARフレームワークに関する連載の最終回です。 新たなデータを用いたモデルのテスト結果を分析し、実際の市場環境における頑健性を評価します。
preview
取引におけるニューラルネットワーク:インテリジェントな予測パイプライン(最終回)

取引におけるニューラルネットワーク:インテリジェントな予測パイプライン(最終回)

SwiGLU埋め込みによって隠れた市場パターンがどのように明らかになるのか、また、Decoder専用Transformer内のスパースな混合エキスパート(MoE)によって、妥当な計算コストを維持しながら予測精度をどのように高められるのかを詳しく紹介します。 Time-MoEのMQL5およびOpenCLへの統合について掘り下げ、モデルの設定と学習の手順を順を追って解説します。
preview
市場シミュレーション:MQL5でのSQL入門(V)

市場シミュレーション:MQL5でのSQL入門(V)

前回の記事では、クエリ機能を追加する方法について説明しました。 これにより、MQL5のコード内でSQLを自由に活用し、SQLのSELECTクエリを実行してデータを取得できるようになります。 しかし、実装すべき関数がもう一つ残っています。 それがDatabaseReadBind関数です。 この関数を正しく理解するには、もう少し詳しい説明が必要となるため、前回の記事では取り上げず、今回の記事で解説することにしました。 今回は比較的広範囲な内容となるため、さっそく本題に入りましょう。
preview
取引におけるニューラルネットワーク:適応的周期セグメンテーション(トークンの生成)

取引におけるニューラルネットワーク:適応的周期セグメンテーション(トークンの生成)

金融時系列の適応的な分析という刺激的な世界へ、ぜひ一緒に踏み出しましょう。複雑なスペクトル解析や柔軟な畳み込みを、実際の売買シグナルへと変換する方法を紹介します。 LightGTSが可変ウィンドウのストライドを通じて市場のリズムを捉え、その変化にどのように適応するのか、そしてOpenCLによる高速化が、計算処理を収益につながる意思決定への近道に変える仕組みを見ていきます。
preview
市場シミュレーション:MQL5でのSQL入門(I)

市場シミュレーション:MQL5でのSQL入門(I)

今回は、MQL5のコードでSQLを使用する方法について学び始めます。 また、データベースの作成方法についても解説します。 より正確には、MQL5に組み込まれた機能を利用して、SQLiteのデータベースファイルを作成する方法を取り上げます。 さらに、テーブルの作成方法や、主キーと外部キーを使用してテーブル間のリレーションシップを設定する方法についても説明します。 今回も、これらはすべてMQL5を使って実装します。 また、実装の詳細を隠蔽するクラスを利用することで、将来的にほかのSQL実装へ移行できるコードを、いかに簡単に作成できるかを見ていきます。 そして何より重要なのは、SQLを使用する際には、さまざまな場面で問題が発生する可能性があるということです。 これは、MQL5のコードでは、SQL文を常に文字列として記述しなければならないためです。
preview
取引におけるニューラルネットワーク:あらゆる市場レジームで頑健な売買シグナル(Attentionモジュール)

取引におけるニューラルネットワーク:あらゆる市場レジームで頑健な売買シグナル(Attentionモジュール)

この記事では、ST-Expertフレームワークの手法の実装を継続し、MQL5を用いた実践的な適用方法に焦点を当てていきます。 これまで、このモデルの理論的基礎と主要な構成要素について検討してきましたが、ここからは、Graph Attentionのアルゴリズムと、局所Attention分布および大域Attention分布を実際に扱っていきます。 本稿の主な目的は、ST-Expertの概念的なアイデアが、金融時系列の分析および予測に向けた実用的なソリューションへとどのように具現化されるかを示すことです。
preview
取引におけるニューラルネットワーク:あらゆる相場環境におけるロバストな売買シグナル(ST-Expert)

取引におけるニューラルネットワーク:あらゆる相場環境におけるロバストな売買シグナル(ST-Expert)

時系列データにおける局所的および全体的な依存関係を考慮することで、市場の不確実性下においても予測の頑健性を確保するST-Expertフレームワークについて解説します。 その柔軟なアーキテクチャにより、モデルの適応性が向上し、予測の精度が高まります。
preview
取引におけるニューラルネットワーク:スケーリングの代わりに分解する(構成モジュール)

取引におけるニューラルネットワーク:スケーリングの代わりに分解する(構成モジュール)

断片化された時系列データを処理できる次世代アーキテクチャ、SSCNNについて、引き続き実践的な検証を進めていきます。 やみくもに規模を拡大するのではなく、適切なモジュール化、細部への配慮、そして目的に応じた正規化を重視します。 MQL5環境で計算ブロックを一つずつ構築し、信頼性の高い予測分析の基盤を築いていきます。
preview
機械学習を活用したマルチスレッド自動売買ロボット:構想から実装まで

機械学習を活用したマルチスレッド自動売買ロボット:構想から実装まで

PythonとMetaTrader 5を用いて、機械学習を搭載したマルチスレッド自動売買ロボットの開発手順を段階的に解説しています。 データ収集やテクニカル指標の作成から、ポートフォリオリスク管理を伴うXGBoostモデルの学習まで、システムアーキテクチャを検討します。 データ拡張、ガウス混合モデルによる特徴量のクラスタリング、および複数の通貨ペアを並列に取引するためのスレッド間の連携の実装について、詳しく説明します。
preview
市場シミュレーション:MQL5でのSQL入門(II)

市場シミュレーション:MQL5でのSQL入門(II)

多くの人は、SQLコードは他のコードに簡単に埋め込むことができると考えていますが、実際にはそうではないことがほとんどです。 SQLコードが文字列として実行ファイルに埋め込められるためです。 SQLコードを文字列として埋め込んでも、短いコード片であれば問題ありませんが、後々かなりの頭痛の種になる可能性があります。
preview
取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(Key構成要素)

取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(Key構成要素)

HimNetフレームワークの主要な構成要素を実装するために使用されているアルゴリズムについて詳しく解説します。 学習可能な構成要素を最小限に抑えながら、システム全体で高い一貫性と制御性を実現する方法を示します。 ここで示す実装はコンパクトで透明性が高く、実際の市場での課題にも適応させやすくなっています。
preview
市場シミュレーション:MQL5でのSQL入門(III)

市場シミュレーション:MQL5でのSQL入門(III)

前回の記事では、基本的な機能を提供するクラスをMQL5で実装する例を見てきました。 その目的は、具体的には、SQLコードを別のスクリプトファイルに保存できるようにすることにあります。 こうすれば、MQL5のソースコード内で同じSQL文を文字列リテラルとして記述する必要がなくなります。 この解決策は機能してはいますが、改善できる点、また改善すべき点がいくつかあります。
preview
取引におけるニューラルネットワーク:空間と時間の統合的視点(Extralonger)

取引におけるニューラルネットワーク:空間と時間の統合的視点(Extralonger)

Extralongerフレームワークは、空間的要因と時間的要因を単一のモデルに統合するアプローチを示しており、これにより、局所的なパターンと長期的な周期の両方を同時に考慮することが可能となります。 このアーキテクチャにより、時系列予測の市場ノイズに対する耐性が高まり、異なる時間軸にわたるデータ分析が可能になります。 この記事では、OpenCLとMQL5を用いて、これらのアイデアがどのように実践されているかを詳しく解説しています。
preview
取引におけるニューラルネットワーク:空間と時間の統合的視点(Global-Local Attention)

取引におけるニューラルネットワーク:空間と時間の統合的視点(Global-Local Attention)

引き続き、Extralongerフレームワークの著者らが提案した手法の実装を進めていきます。 今回は、MQL5を用いたGlobal-Local Spatial Attentionモジュールの構築に焦点を当て、その構造と、全体的な計算プロセスへの実際の組み込み方法の両方について検討します。
preview
取引におけるニューラルネットワーク:空間と時間の統合的視点(最終回)

取引におけるニューラルネットワーク:空間と時間の統合的視点(最終回)

Extralongerフレームワークは、空間的要因と時間的要因を単一のモデルに統合するという独自の能力を発揮し、高い予測精度を確保しています。 そのアーキテクチャにより、システムの透明性と管理のしやすさを維持しつつ、さまざまな予想対象期間や金融商品に対応できます。