HybridMicrostructure EA - MetaTrader 5용 expert

이 EA는 OpenAI 스타일의 JSON 페이로드(`messages`, `role: system`, `role: user` 포함)를 포함한 HTTP POST 요청을 전송하도록 설계되었으며, `decision`, `confidence`, `reason`을 포함하는 JSON 응답을 반환받습니다.

이러한 MT5 요청에 밀리초 단위로 응답할 수 있는 로컬 AI API(로컬 서버)를 구축하기 위해서는 FastAPI 프레임워크를 사용하는 파이썬이 이상적인 프로그래밍 언어입니다. FastAPI는 가볍고 매우 빠르며, MT5에서 전송되는 고주파수 데이터를 처리하는 데 완벽하게 적합합니다.

다음은 전체 파이썬 서버 코드입니다. 나중에 이 엔진에 실제 머신러닝 모델(예: TensorFlow, Scikit-Learn, 또는 로컬 LLM용 Ollama 등)을 통합할 수 있습니다.

1. 파이썬 환경 설정

컴퓨터에 파이썬이 설치되어 있는지 확인하십시오. 터미널 또는 명령 프롬프트를 열고 다음 두 가지 필수 라이브러리를 설치하십시오:

pip install fastapi uvicorn

2. 파이썬 API 코드 (local_ai_bridge.py)

컴퓨터에 local_ai_bridge.py라는 파일을 생성하고 다음 코드를 복사하세요: (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")

# --- 데이터 모델 (MQL5 데이터 형식과 호환됨) ---
class Message(BaseModel):
    role: str
    content: str

class AIRequest(BaseModel):
    model: str
    temperature: float
    response_format: Optional[dict] = None
    messages: List[Message]

# --- 주요 엔드포인트 (/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. MT5에서 전송한 “user” 메시지에서 JSON 데이터를 추출합니다.
    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. 시장 현황 파악
    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. AI / 의사결정 알고리즘 (나중에 머신러닝 모델로 대체 가능)
    # 다음은 의사결정 논리의 간단한 예시입니다.
    
    confidence = 0.0
    decision = "WAIT"
    reason = ""

    # EA가 매도(SELL) 확인을 요청할 때의 논리를 평가해 보세요
    if order_type == "SELL":
        score = 0
        
        # 스냅백 및 속도 검증
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # 극단적인 편차 검증 (과매수 상태)
        if deviation_z > 2.0:
            score += 0.3

        # MTF 정렬 확인 (적어도 H1 또는 M15 중 하나는 하락 추세여야 함)
        if mtf.get("h1_down") or mtf.get("m15_down"):
            score += 0.2

        # M1 거부 신호 확인 (긴 상단 촛대)
        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"

    # EA가 매수 확인을 요청할 때의 논리를 평가합니다.
    elif order_type == "BUY":
        score = 0
        
        # 스냅백 및 속도 검증
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # 극단적인 편차 검증 (deviation_z는 MQL5에서 이미 방향 보정이 완료된 값입니다)
        if deviation_z > 2.0:
            score += 0.3

        # MTF 정렬 확인 (최소 H1 또는 M15 중 하나는 상승 추세여야 함)
        if mtf.get("h1_up") or mtf.get("m15_up"):
            score += 0.2

        # M1 거절 신호 확인 (긴 하단 촛대)
        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. JSON 응답을 MT5로 다시 전송합니다.
    return {
        "decision": decision,
        "confidence": round(confidence, 2),
        "reason": reason[:60]  # MT5의 경우 이유를 최대 60자 이내로 제한하십시오
    }

if __name__ == "__main__":
    # MQL5의 InpAIEndpoint 매개변수와 일치하도록 포트 8787에서 로컬 서버를 시작합니다.
    print("AI Bridge Server is running on http://127.0.0.1:8787")
    uvicorn.run(app, host="127.0.0.1", port=8787)

3. 서버 실행 및 MT5 연결 방법

1. 터미널을 열고 파이썬 파일이 저장된 폴더로 이동하십시오.
2. 다음 명령어를 실행하세요:
3. 서버가 시작되어 [http://127.0.0.1:8787](http://127.0.0.1:8787)에서 연결을 대기합니다.
4. MetaTrader 5 플랫폼에서 허용된 WebRequest URL 목록에 [http://127.0.0.1](http://127.0.0.1) URL이 추가되어 있는지 확인하십시오:
1. '도구' > '옵션' > '전문가 자문가'로 이동하십시오.
2. "나열된 URL에 대해 WebRequest 허용"을 선택하십시오.
3. 목록에 URL [http://127.0.0.1](http://127.0.0.1)을 추가하십시오.
5. EA를 실행하십시오. 이제 EA가 실시간 데이터를 Python API로 전송하며, Python은 Python 함수 내의 매개변수를 기반으로 데이터를 분석한 후 MT5로 매수(BUY)/매도(SELL)/대기(WAIT) 명령을 다시 전송합니다.

python local_ai_bridge.py

전략 테스터 시각화 :