De Python para MQL5: Uma Jornada em Sistemas de Trading Inspirados na Computação Quântica

Introdução

Faremos uma viagem que conecta ideias teóricas da computação quântica com aplicações reais de trading nesta investigação completa de sistemas de trading inspirados na computação quântica. Começando com ideias básicas de computação quântica e terminando com uma implementação real em MQL5, este tutorial foi projetado para guiá-lo por todo o processo de desenvolvimento. Discutiremos como o trading pode se beneficiar do uso de conceitos quânticos, descreveremos nossa abordagem de desenvolvimento do protótipo em Python até a integração em MQL5 e apresentaremos dados reais de performance e implementações de código.

Este artigo explora a aplicação de conceitos inspirados na computação quântica em sistemas de trading, fazendo a ponte entre a teoria da computação quântica e a implementação prática em MQL5. Apresentaremos princípios quânticos essenciais e guiaremos você do protótipo em Python até a integração em MQL5, com dados reais de performance.

Ao contrário do trading tradicional, que depende de tomadas de decisão binárias, os modelos de trading inspirados na quântica aproveitam comportamentos de mercado semelhantes a fenômenos quânticos — múltiplos estados simultâneos, interconexões e mudanças abruptas de estado. Ao usar simuladores quânticos como o Qiskit, podemos aplicar algoritmos inspirados na quântica em computadores clássicos para lidar com a incerteza do mercado e gerar insights preditivos.

Para traders e desenvolvedores que desejam aplicar sistemas inspirados na computação quântica, compreender essas diferenças é essencial.

Em nossa implementação em Python, o Qiskit simula circuitos quânticos. Os dados de mercado são codificados em estados quânticos por meio de portas RY (rotação), representando características do mercado como superposições quânticas. Portas CNOT permitem o emaranhamento, capturando correlações complexas de mercado, e as medições geram previsões, atingindo 54% de acurácia.

A versão em MQL5, devido à sua arquitetura clássica, aproxima comportamentos quânticos. Usamos extração de características e matemática clássica para simular estados quânticos e emaranhamento. Embora menos precisa (52%), a implementação em MQL5 suporta trading em tempo real e conectividade direta com o mercado.

Cada abordagem processa dados de maneira diferente: Python codifica diretamente dados em estados quânticos, enquanto o MQL5 exige engenharia de variáveis. O Qiskit do Python oferece portas quânticas genuínas, enquanto o MQL5 depende de aproximações clássicas, adicionando complexidade, mas também flexibilidade. Na simulação do emaranhamento, as portas CNOT do Python criam conexões quânticas autênticas, enquanto o MQL5 usa correlações clássicas.

Essas distinções revelam as forças e limitações de cada abordagem. Python fornece um protótipo sólido, enquanto o MQL5 oferece uma solução prática e negociável que adapta a computação inspirada na quântica dentro das restrições do trading clássico.

O Protótipo em Python: Uma Base para Inovação

Começamos com Python devido às suas robustas bibliotecas científicas — NumPy, Pandas e especialmente Qiskit — que o tornaram ideal para prototipagem do nosso sistema de trading inspirado na computação quântica. A sintaxe direta e os recursos do Python permitiram experimentação eficiente e desenvolvimento inicial de algoritmos.

O protótipo em Python alcançou uma taxa de sucesso consistente de 54% em várias condições de mercado — uma vantagem modesta, porém significativa, com um gerenciamento de risco sólido.

Usando Qiskit, projetamos e testamos uma arquitetura de três qubits, permitindo a análise de oito estados de mercado simultaneamente. A flexibilidade do Python permitiu ajustes rápidos nos circuitos, afinação de parâmetros e resultados rápidos, facilitando nosso processo de desenvolvimento.

Aqui está um exemplo simplificado da nossa implementação de circuito quântico em Python:

class HourlyQuantumForex:
    def __init__(self):
        self.n_qubits = 3
        self.simulator = BasicAer.get_backend('qasm_simulator')
        self.min_confidence = 0.15

    def create_circuit(self, input_data):
        qc = QuantumCircuit(self.n_qubits, self.n_qubits)
        # Input encoding
        for i in range(self.n_qubits):
            feature_idx = i % len(input_data)
            angle = np.clip(np.pi * input_data[feature_idx], -2*np.pi, 2*np.pi)
            qc.ry(angle, i)
        
        # Entanglement operations
        for i in range(self.n_qubits - 1):
            qc.cx(i, i + 1)
        
        return qc

Transição para MQL5: Implementação Prática

Fatores práticos nos levaram a decidir transferir nosso sistema inspirado na computação quântica para o MQL5. O MQL5 fornece interação direta com plataformas de trading, acesso em tempo real a dados de mercado e capacidades de execução rápida, embora o Python fosse superior em prototipagem e testes. A dificuldade estava em integrar os princípios da computação quântica ao framework convencional de computação do MQL5, preservando o poder preditivo do sistema.

As dificuldades de analisar dados de mercado em tempo real e as variações na implementação entre o simulador quântico do Python e o ambiente de computação convencional do MQL5 são as razões para essa pequena queda na acurácia (54 vs 51-52%).

Aqui está uma amostra da nossa implementação inspirada na computação quântica em MQL5:

class CQuantumForex {
private:
    int m_lookback_bars;
    double m_features[];
    
public:
    double PredictNextMove(string symbol) {
        GetFeatures(symbol, m_features);
        return SimulateQuantumCircuit(m_features);
    }
    
    double SimulateQuantumCircuit(double &features[]) {
        // Quantum-inspired calculations
        double state_probs[];
        ArrayResize(state_probs, (int)MathPow(2.0, (double)NUM_QUBITS));
        
        // Circuit simulation logic
        for(int shot = 0; shot < SHOTS; shot++) {
            // Quantum state manipulation
        }
        
        return GetWeightedVote(state_probs);
    }
};

Aplicação no Mundo Real e Resultados

O uso prático do nosso sistema inspirado na computação quântica mostrou várias tendências interessantes na previsão de mercado. Durante períodos de significativa volatilidade de mercado, quando a análise técnica convencional frequentemente falha, a abordagem demonstrou força excepcional. Esse benefício resulta da capacidade do método inspirado na computação quântica de lidar com vários estados de mercado ao mesmo tempo.

The following findings came from our testing under a range of market conditions:

• Com o trading em tempo real, a confiabilidade do modelo em situações práticas, já que ele apresentou desempenho consistente em uma variedade de condições de mercado.

• Além disso, observamos que durante horários específicos do mercado, a acurácia do modelo aumentava consideravelmente. Podemos aproveitar essa maior previsibilidade e melhorar a eficácia geral da nossa estratégia de trading ao concentrar-nos nesses horários específicos.

• O desempenho do modelo melhorou de forma notável em momentos de extrema volatilidade. O potencial de lucratividade do modelo aumentou como resultado de nossa capacidade de nos adaptarmos e obtermos melhor desempenho em ambientes voláteis, permitindo lucrar com oscilações de preço mais expressivas.

• Por fim, para eliminar de forma eficiente transações de baixa probabilidade, utilizamos níveis de confiança. Ao concentrar-se em sinais de alta confiança, essa estratégia seletiva nos ajudou a reduzir riscos desnecessários, o que melhorou ainda mais os resultados do trading.

Embora as taxas de acerto possam parecer baixas a princípio, a estabilidade e consistência do sistema em manter esses resultados sob diferentes condições de mercado validam o método inspirado na computação quântica.

Métricas de Performance e Análise

Uma análise detalhada da disparidade de desempenho entre nosso protótipo em Python e a implementação em MQL5 é justificada. Essa diferença representa as dificuldades de migrar de um ambiente de testes controlado para configurações de mercado em tempo real, em vez de ser apenas uma limitação da plataforma MQL5. A solução em MQL5 lida com as complexidades da dinâmica do mercado em tempo real e limitações de processamento de dados, enquanto o protótipo em Python trabalhou com dados históricos e tinha conhecimento completo das condições de mercado.

Resultados para EURUSD=X:
Precisión global: 54.23%


Total predicciones: 11544

A implementação em MQL5 possui uma série de benefícios úteis que a tornam valiosa para aplicações reais de trading, mesmo com essa pequena queda de acurácia. Somente com o protótipo em Python, os traders não conseguiriam obter insights acionáveis a partir do processamento de dados de mercado em tempo real e sinais de trading instantâneos do sistema.

A Integração de MQH: Um Método Útil

Nossa lógica de trading inspirada na computação quântica é facilmente integrável a Expert Advisors existentes, pois foi encapsulada em um arquivo de cabeçalho MQL5 (MQH). Sem precisar redesenhar completamente seu sistema de trading, os traders podem incluir previsões inspiradas na computação quântica em seus métodos de negociação graças a essa abordagem modular. Capacidades abrangentes para análise de estados de mercado, critérios de confiança e monitoramento detalhado de performance estão todas incluídas no arquivo MQH.

O arquivo MQH pode ser incluído em um EA já existente da seguinte forma:

#include <Trade\Trade.mqh>
#include <Quantum\QuantumForex.mqh>

class CTradeAnalyzer {
private:
    CQuantumForex* m_quantum;
    double m_min_confidence;

public:
    CTradeAnalyzer(double min_confidence = 0.15) {
        m_quantum = new CQuantumForex();
        m_min_confidence = min_confidence;
    }

    bool AnalyzeMarket(string symbol) {
        double prediction = m_quantum.PredictNextMove(symbol);
        return MathAbs(prediction) >= m_min_confidence;
    }
};

Otimização e Ajustes Finos

Vários elementos cruciais no sistema de trading inspirado na computação quântica podem ser ajustados para se adequar a determinadas circunstâncias e instrumentos de trading. A quantidade de qubits utilizados nas simulações, os parâmetros de engenharia de variáveis, os limiares de confiança para filtragem de operações e a quantidade de execuções de simulação de circuitos quânticos são todas opções configuráveis importantes. Embora nossa configuração inicial tenha produzido resultados consistentes, ainda há muito espaço para melhorias por meio de uma otimização cuidadosa de parâmetros. Como as configurações ideais diferem de acordo com preferências pessoais de trading e condições de mercado, deixaremos isso para os leitores experimentarem.

Caminhos Futuros e Avanços

Essa abordagem é apenas o primeiro passo em direção a aplicações de trading inspiradas na mecânica quântica. Examinaremos ideias mais complexas de computação quântica e suas possíveis aplicações em trading em artigos futuros. Circuitos quânticos de maior dimensão para análises mais profundas de mercado, a incorporação de algoritmos de otimização inspirados na teoria quântica, engenharia avançada de variáveis fundamentada em princípios quânticos e a criação de sistemas híbridos clássico-quânticos de trading são algumas áreas que exigem mais pesquisa.

Um Guia para Implementação Prática

Aconselhamos traders interessados em utilizar essa metodologia a adotar uma abordagem metódica. Comece com o protótipo em Python para avaliar a aplicabilidade do sistema no seu mercado-alvo e familiarizar-se com os conceitos quânticos fundamentais. Depois disso, migre gradualmente para a implementação em MQL5, começando com operações simuladas para confirmar a eficácia. Quando estiver seguro, ajuste as configurações do sistema de acordo com suas necessidades de trading e tolerância ao risco. Com o tempo, a confiabilidade será aprimorada pelo monitoramento regular de métricas de performance.

// Constants
#define NUM_QUBITS 3

Se você alterar o número de qubits (NUM_QUBITS), o número de possíveis estados de saída muda de forma exponencial. Essa é uma propriedade fundamental dos sistemas quânticos e tem implicações significativas para a simulação.

No código atual, NUM_QUBITS está definido como 3, resultando em 8 (2³) estados possíveis. É por isso que você vê o array de estados inicializado com tamanho 8 e loops percorrendo 8 estados possíveis. Cada qubit existe em uma superposição de 0 e 1 e, quando combinado com outros qubits, o número de estados possíveis se multiplica.

Por exemplo, se você alterar o número de qubits, terá diferentes quantidades de estados possíveis: 1 qubit dá 2 estados (|0⟩ e |1⟩), 2 qubits dão 4 estados (|00⟩, |01⟩, |10⟩, |11⟩), 3 qubits dão 8 estados, 4 qubits dão 16 estados e assim por diante. O padrão segue 2^n, onde n é o número de qubits.

Essa relação exponencial afeta várias partes do código. O tamanho dos arrays de estado deve ser ajustado adequadamente, os loops da simulação de circuito quântico precisam processar mais estados e os requisitos de memória aumentam significativamente. Quando você aumenta NUM_QUBITS de 3 para 4, por exemplo, é necessário modificar os tamanhos dos arrays e os limites dos loops de 8 para 16.

Embora aumentar o número de qubits forneça maior capacidade computacional e potencialmente análises mais sofisticadas, isso traz desvantagens. A simulação se torna mais intensiva em termos de processamento, exige mais memória e demora mais para ser concluída. Isso pode impactar a performance do Expert Advisor, especialmente em hardware menos potente ou quando é necessária execução rápida para trading em tempo real.

No contexto deste algoritmo de trading, mais qubits podem permitir uma codificação mais complexa de variáveis e previsões de movimentos de preços mais detalhadas. No entanto, é necessário equilibrar esse potencial benefício com o maior custo computacional e garantir que o sistema continue prático para aplicações reais de trading.

#define SHOTS 2000

Execuções (definidas como SHOTS = 2000 no código) representam o número de vezes que o circuito quântico é simulado para aproximar o comportamento quântico. Cada “execução” roda todo o circuito quântico e realiza uma medição, construindo uma distribuição estatística de resultados.

O conceito é semelhante a jogar um dado várias vezes para entender sua distribuição de probabilidade. Na computação quântica:

// Simulation loop in the code
for(int shot = 0; shot < SHOTS; shot++)
{
    // Initialize quantum state
    double state[8];  
    ArrayInitialize(state, 0.0);
    state[0] = 1.0;  // Start in |000⟩ state
    
    // Run quantum circuit operations...
    
    // Measure and accumulate results
    const double rand = MathRand() / 32768.0;
    double cumsum = 0.0;
    for(int i = 0; i < 8; i++)
    {
        cumsum += state[i] * state[i];
        if(rand < cumsum)
        {
            state_probs[i] += 1.0 / SHOTS;
            break;
        }
    }
}

Escolher o número ideal de execuções para o seu sistema de trading quântico envolve equilibrar vários fatores-chave. O principal trade-off é entre acurácia e velocidade de execução. Definir um número maior de execuções, tipicamente 5000 ou mais, fornecerá uma distribuição de probabilidade mais precisa dos estados quânticos, mas isso tem o custo de tempos de execução mais lentos. Por outro lado, usar menos execuções, em torno de 500-1000, resultará em execução mais rápida, mas resultados menos precisos. A configuração padrão atual de 2000 execuções representa um meio-termo cuidadosamente escolhido que busca equilibrar essas demandas.

Ao considerar os requisitos específicos do trading, vários fatores entram em jogo. O timeframe do mercado em que você negocia é crucial — timeframes mais curtos podem exigir menos execuções para manter a responsividade, enquanto timeframes mais longos podem acomodar mais execuções para maior acurácia. Sua capacidade de processamento disponível é outra consideração importante, já que mais execuções exigem mais recursos computacionais. Além disso, o nível de precisão exigido pela sua estratégia de trading deve influenciar sua escolha — estratégias que exigem maior precisão se beneficiam de mais execuções.

Para implementação prática, recomenda-se começar com 1000-2000 execuções durante as fases iniciais de testes. Isso fornece uma base razoável para avaliar o desempenho do sistema. A partir daí, você deve monitorar ativamente tanto o tempo de execução quanto as métricas de acurácia. Se notar que os resultados estão muito ruidosos ou inconsistentes, aumente gradualmente o número de execuções. Por outro lado, se o Expert Advisor estiver executando muito lentamente para suas necessidades de trading, considere reduzir o número de execuções. Essa abordagem iterativa permite encontrar o equilíbrio ideal para suas condições e requisitos específicos de trading.

# Example of how different shot counts might affect probabilities
# With 100 shots:
State |000⟩: 0.3100 (±0.0460)
State |001⟩: 0.1800 (±0.0384)

# With 2000 shots:
State |000⟩: 0.3025 (±0.0103)
State |001⟩: 0.1750 (±0.0085)

# With 10000 shots:
State |000⟩: 0.3002 (±0.0046)
State |001⟩: 0.1752 (±0.0038)

#define FEATURES_COUNT 7

Define o número de variáveis de entrada usadas pelo circuito quântico para análise de mercado. Vamos analisar essas 7 variáveis em detalhe:

// 1. Normalized price range
features[0] = ((rates[0].high - rates[0].low) / rates[0].close) * 2 - 1;

// 2. Normalized volatility
features[1] = (CalculateVolatility(m_returns, MathMin(12, m_lookback_bars)) / 0.01) * 2 - 1;

// 3. Momentum
features[2] = MathMax(MathMin(CalculateMomentum(m_returns, MathMin(24, m_lookback_bars)) * 100, 1), -1);

// 4-5. Time components (hour of day encoded in circular form)
features[3] = MathSin(2 * M_PI * dt.hour / 24.0);
features[4] = MathCos(2 * M_PI * dt.hour / 24.0);

// 6. Price deviation from SMA
features[5] = MathMax(MathMin((rates[0].close - sma) / sma, 1), -1);

// 7. Latest return
features[6] = MathMax(MathMin(m_returns[0] * 100, 1), -1);

Todas as variáveis são normalizadas para o intervalo [-1, 1] para garantir escala consistente para o circuito quântico. Você pode modificar isso adicionando ou removendo variáveis.

Considerações Técnicas e Limitações

Embora este sistema inspirado na computação quântica demonstre potencial promissor, é essencial reconhecer certas limitações. Notavelmente, trata-se de um processo quântico simulado e não de computação quântica real. Os requisitos de processamento em tempo real podem impactar a performance, e mudanças nas condições de mercado podem afetar a acurácia das previsões. Para mitigar esses fatores, é fundamental integrar medidas sólidas de gerenciamento de risco na estrutura de trading.

#define HOUR_LOOKBACK 24

Define a janela de tempo padrão para análise de dados históricos, definida em 24 horas. Esse parâmetro desempenha um papel crucial em como o sistema de trading analisa padrões de mercado e calcula vários indicadores.

O período de análise afeta vários cálculos-chave no sistema. Ao analisar volatilidade, o código usa até 12 períodos (metade do período de análise) para calcular o desvio padrão dos retornos. Para cálculos de momentum, usa os 24 períodos completos para calcular os movimentos médios de preço. Isso fornece um equilíbrio entre o comportamento recente do mercado e tendências de longo prazo.

O período de 24 horas provavelmente foi escolhido para capturar ciclos completos de mercado diário. Isso faz sentido porque os mercados de forex frequentemente exibem padrões cíclicos de 24 horas devido à abertura e fechamento das principais sessões de trading (asiática, europeia e americana). Cada sessão pode trazer diferentes volumes de negociação e padrões de comportamento de preço.

Você pode modificar esse valor com base em suas necessidades de trading. Um período mais curto (como 12 horas) tornaria o sistema mais responsivo a mudanças recentes do mercado, mas potencialmente mais suscetível a ruídos. Um período mais longo (como 48 horas) forneceria sinais mais estáveis, mas poderia reagir mais lentamente às mudanças de mercado. Lembre-se de que alterar HOUR_LOOKBACK afetará o uso de memória e o tempo de processamento, já que mais dados históricos precisarão ser armazenados e analisados.

// Input parameters
input int      InpPredictBars   = 2;         // Predict Bars (1-5)
input double   InpMinMove       = 0.00001;     // Minimum Move
input double   InpMinConfidence = 0.15;       // Minimum Confidence
input int      InpLogInterval   = 1;         // Log Interval
input int      InpLookbackBars  = 200;        // Lookback Bars for Analysis

InpPredictBars = 2 representa quantos candles à frente o sistema tenta prever. Com o valor 2, o sistema faz previsões para movimentos de preço ao longo dos próximos 2 candles. O intervalo é limitado a 1–5 candles porque as previsões tendem a se tornar menos precisas em períodos mais longos. Um valor menor (como 1) fornece previsões mais imediatas, mas pode perder movimentos maiores, enquanto valores maiores (como 4–5) tentam capturar tendências mais longas, porém com potencialmente menor acurácia.

InpMinMove = 0.00001 define o movimento mínimo de preço necessário para considerar uma previsão bem-sucedida. Para pares de forex, isso é tipicamente definido como 1 pip (0.00001 para corretoras de 5 dígitos). Isso impede que o sistema contabilize movimentos de preço muito pequenos que podem ser apenas ruído de mercado. Você pode aumentar isso para uma negociação mais conservadora ou diminuir para uma mais agressiva, dependendo da sua estratégia.

InpMinConfidence = 0.15 (15%) é o limiar de confiança necessário para levar uma previsão a sério. O sistema quântico produz previsões com níveis de confiança entre 0 e 1. Qualquer previsão com confiança abaixo de 0.15 é considerada “neutra” e ignorada. Valores mais altos (como 0.25) tornariam o sistema mais seletivo, porém gerariam menos sinais, enquanto valores mais baixos gerariam mais sinais, porém potencialmente de menor qualidade.

InpLogInterval = 1 determina com que frequência (em períodos de tempo) o sistema registra suas métricas de performance. Um valor de 1 significa que registra a cada período. Isso é útil para monitorar a performance do sistema, mas um registro muito frequente pode impactar o desempenho. Você pode aumentar esse valor no trading ao vivo.

InpLookbackBars = 200 define quantos candles históricos o sistema usa para sua análise. Com 200 candles, o sistema tem uma boa quantidade de dados históricos para calcular variáveis e padrões. Mais candles (como 500) forneceriam mais contexto histórico, mas exigiriam mais poder de processamento, enquanto menos candles seriam mais responsivos a mudanças recentes do mercado, mas poderiam deixar de captar padrões de longo prazo.

Esses parâmetros podem ser ajustados na plataforma MetaTrader antes de executar o EA, e encontrar a combinação certa geralmente requer testes com dados históricos e monitoramento da performance em tempo real.

Olhando Adiante

Esperamos ver aplicações mais complexas no trading à medida que a tecnologia de computação quântica se desenvolve. Mesmo que o sistema atual use algoritmos influenciados pela mecânica quântica, isso é apenas o começo do que em breve poderá ser possível. Continue acompanhando nosso próximo post, no qual exploraremos mais profundamente as maneiras como a computação quântica está sendo usada no trading e revelaremos aplicações mais intrincadas e sofisticadas.

Exemplo de EA

Este Expert Advisor de Forex multi-sessão emprega algoritmos inspirados na quântica para operar nas sessões europeia, americana e asiática, utilizando parâmetros e métodos de análise específicos para cada timeframe.

A força central do sistema reside em seu gerenciamento de risco em múltiplas camadas, combinando dimensionamento dinâmico de posição, progressão anti-martingale e proteção baseada em patrimônio (equity). Ele analisa múltiplas variáveis de mercado, incluindo ATR, momentum e vários indicadores técnicos por meio de seu sistema de análise inspirado na quântica para gerar sinais de trading robustos.

Uma inovação chave é seu sistema adaptativo de trailing stop e o componente de Análise Multi-Timeframe, que assegura que as operações estejam alinhadas tanto com as tendências de curto prazo (H1) quanto de longo prazo (H4). Além disso, seu analisador de Maximum Favorable Excursion (MFE) otimiza continuamente os pontos de saída com base no comportamento histórico de preços, ajudando a maximizar o potencial de lucro.

Este é um exemplo simples do que você pode alcançar com previsões quase como cara-ou-coroa, com seleção de sessões e horários, controle de MFE e gerenciamento de risco.

Esta configuração tira proveito do MFE e apenas usa as previsões para acionar posições long ou short. Este EA tem uma grande quantidade de opções e configurações; eu não recomendaria fazer uma otimização extensa.

Setup #2

Mesmas configurações, entradas diferentes. Eu não posso fazer uma Otimização na MQL5 Cloud Network porque, na Espanha, você não pode fazer isso (política ...), e uma local levaria tempo demais, mas este EA tem muitas opções; por favor, use-as e finalize o EA. Se você tiver tempo e recursos, faça uma otimização grande para ver quais são os melhores ajustes.

Nota: As variáveis (features) foram alteradas, a estratégia não está totalmente polida, mas pode servir como exemplo e você pode avançar nela e finalizá-la. Dimensionamento de lote e Gerenciamento de Risco precisam ser atualizados e muito mais precisa ser finalizado. Isto é apenas um exemplo; você deve operar por sua própria responsabilidade, mas é um bom ponto de partida para o seu próprio EA. Como os Imputs são muitos, vou enviar um dos conjuntos de inputs que usei (sem otimização) para o timeframe de 1 hora do EURUSD. Além disso, alterei os mqh deste exemplo; você também pode fazer isso por conta própria.

Como você deve proceder com este EA: antes de tudo você deve compreender este artigo e, depois disso, deve passar pelos inputs importantes e ver para onde eles vão, e para onde aquela função vai, etc. A função importante é OnTick(); apenas tente ver de onde vêm as funções de OnTick e comece a fazer mudanças a partir daí; a curva de aprendizado será fácil se você começar assim.

Conclusão

Este estudo explorou como princípios da computação quântica podem ser usados na indústria de trading. Criamos um sistema de trading com tema quântico, passando de um protótipo em Python para uma implementação em MQL5. Com taxas de acerto estáveis tanto em cenários simulados quanto no trading do mundo real, os resultados são encorajadores. A abordagem foi especialmente bem-sucedida em situações de alta volatilidade, onde modelos convencionais frequentemente falham. É importante lembrar que isto é uma simulação quântica, e variáveis como condições de mercado e qualidade dos dados podem impactar seu desempenho.

Em resumo, esta exploração de sistemas de trading inspirados na quântica oferece um vislumbre do futuro do trading algorítmico ao aproveitar os princípios da computação quântica para enfrentar as complexidades dos mercados financeiros. Embora a integração de conceitos quânticos em MQL5 represente um passo significativo rumo à implantação prática, ela também ressalta a necessidade de equilibrar cuidadosamente sofisticação computacional e aplicabilidade no mundo real.