Artigos sobre programação nas linguagens MQL4 e MQL5

Dando continuidade à nossa discussão, vamos combinar nossas duas primeiras estratégias de trading em uma estratégia de conjunto (ensemble). Apresentaremos diferentes formas de combinar várias estratégias e de gerenciar o espaço de parâmetros, permitindo uma otimização eficiente mesmo com o aumento do número de parâmetros.

Dando continuidade ao artigo anterior sobre a combinação dos indicadores MACD e OBV, veremos como aprimorá-la com o uso de machine learning. O MACD e o OBV são indicadores complementares que refletem, respectivamente, a tendência e o volume. Nossa abordagem de machine learning utiliza uma rede neural convolucional (convolution neural network, CNN) que emprega um kernel exponencial (Exponential kernel) para definir as dimensões de seus kernels e o número de canais ao configurar as previsões geradas por essa combinação de indicadores. Como de costume, essa implementação é feita em um arquivo personalizado da classe de sinais (signal class), que interage com o Assistente MQL5 para criar um EA.

Os mercados financeiros não são perfeitamente equilibrados. Alguns mercados apresentam tendência de alta, outros apresentam tendência de baixa, enquanto outros apresentam movimento lateral, indicando incerteza quanto à direção. Quando essas informações desbalanceadas são utilizadas para treinar modelos de machine learning, elas podem gerar resultados enganosos, especialmente porque as condições do mercado mudam com frequência. Neste artigo, discutiremos diferentes maneiras de lidar com esse problema.

Nesta terceira parte da série sobre o desenvolvimento de um EA dinâmico para múltiplos pares (Dynamic Multi-Pair Expert Advisor), vamos nos concentrar na integração de estratégias de negociação baseadas em reversão à média e momentum. Veremos como identificar desvios dos preços em relação à média por meio do escore Z e como operar a partir desses desvios, além de medir o momentum em diferentes pares de moedas para determinar a direção das operações.

Este artigo apresenta uma introdução acessível aos testes de cointegração mais utilizados, voltada para traders, além de um guia prático para interpretar seus resultados. Os testes de Engle-Granger e Johansen permitem identificar pares ou grupos de ativos com relações estatisticamente significativas e uma dinâmica comum de longo prazo. O teste de Johansen é especialmente útil para carteiras com três ou mais ativos, pois avalia simultaneamente a força dos vetores de cointegração que relacionam todos os instrumentos.

Dando continuidade ao artigo anterior, no qual apresentamos a combinação dos indicadores Ichimoku e ADX, vamos analisar como aprimorá-la por meio do aprendizado supervisionado. O Ichimoku e o ADX se complementam na identificação de níveis de suporte e resistência e na avaliação de tendências. Nossa abordagem de aprendizado supervisionado utiliza uma rede neural com um kernel profundo de mistura espectral (Deep Spectral Mixture Kernel) para refinar as previsões obtidas a partir dessa combinação de indicadores. Como de costume, essa implementação é feita em um arquivo personalizado que contém a classe de sinais (signal class), que se integra ao Assistente MQL5 para criar um EA.

Neste artigo, vamos aprimorar o painel do scanner multitimeframe em MQL5, adicionando recursos de movimentação e alternância entre modos de exibição. Implementaremos a possibilidade de arrastar o painel pelo gráfico e de recolhê-lo ou expandi-lo para aproveitar melhor o espaço disponível na tela. Também vamos testar esses aprimoramentos para proporcionar mais flexibilidade às operações de negociação.

Este artigo apresenta como identificar programaticamente padrões de ondas de Wolfe de alta e de baixa e negociar com base neles usando a linguagem MQL5. Veremos como detectar essas estruturas e executar operações a partir dos sinais identificados. Isso inclui localizar os principais pontos de swing, validar as regras do padrão e preparar o EA para operar de acordo com os sinais encontrados.

A análise da ação do preço é uma abordagem fundamental para identificar oportunidades de negociação lucrativas. No entanto, monitorar manualmente os movimentos e padrões de preços pode ser uma tarefa desafiadora e demorada. Para resolver esse problema, estamos desenvolvendo ferramentas que analisam automaticamente a ação do preço, fornecendo sinais oportunos sempre que possíveis oportunidades são identificadas. Este artigo apresenta uma ferramenta robusta que combina rompimentos de fractais com as EMAs de 14 e 200 períodos para gerar sinais de negociação confiáveis, ajudando os traders a tomar decisões fundamentadas com maior confiança.

Os padrões de candles são fundamentais para a negociação baseada em Price Action e fornecem sinais valiosos de uma possível reversão do mercado ou da continuação da tendência. Imagine uma ferramenta confiável que monitora continuamente cada nova barra, identifica formações importantes, como padrões de engolfo, martelos, dojis e estrelas, e emite um alerta imediato sempre que detecta um setup operacional relevante. Foi exatamente essa funcionalidade que desenvolvemos. Seja você iniciante ou trader experiente, o sistema fornece alertas em tempo real sobre padrões de candles, permitindo abrir operações com mais confiança e eficiência. Continue a leitura para entender como ele funciona e de que forma pode aprimorar sua estratégia de negociação.

Neste artigo, desenvolveremos um sistema de negociação por rompimento da sessão de Londres que identificará rompimentos da faixa de preços formada antes da abertura da sessão e posicionará ordens pendentes com configuração do tipo de operação e dos parâmetros de risco. Implementaremos trailing stop, relação risco/retorno, controle do drawdown máximo e um painel de controle para monitoramento em tempo real.

Neste artigo, vamos criar um painel holográfico dinâmico em MQL5 para monitorar ativos e períodos gráficos por meio do RSI, com alertas de volatilidade e opções de ordenação. Também vamos adicionar animações pulsantes, botões interativos e efeitos holográficos para tornar a ferramenta visualmente atraente e responsiva.

Nesta oitava parte da série "A arte de trabalhar com logs", vamos explorar a implementação de mensagens de erro multilíngues no Logify, uma poderosa biblioteca de logging para MQL5. Você aprenderá a estruturar erros com informações de contexto, traduzir mensagens para vários idiomas e formatar logs dinamicamente conforme o nível de logging. Tudo isso com uma arquitetura limpa, extensível e pronta para produção.

Neste artigo, desenvolveremos uma faixa de cotações com rolagem contínua em MQL5 para monitorar vários instrumentos em tempo real, exibindo preços Bid, spreads e variações percentuais diárias com efeito de rolagem. Implementaremos opções de personalização de fontes, cores e velocidade de rolagem para destacar os movimentos dos preços e as tendências do mercado.

N-BEATS é um modelo revolucionário de aprendizado profundo desenvolvido para a previsão de séries temporais. Ele foi criado com o objetivo de superar o desempenho dos modelos clássicos de previsão de séries temporais, como ARIMA, PROPHET, VAR, entre outros. Vamos conhecer esse modelo e explorar suas possibilidades de aplicação na previsão do mercado de ações.

Dando continuidade ao nosso artigo anterior sobre a combinação do indicador Awesome Oscillator com os canais de envelopes (Envelope Channels), vamos analisar como o aprendizado supervisionado pode aprimorar essa combinação. O Awesome Oscillator e os canais de envelopes são ferramentas complementares que permitem identificar tendências e estabelecer níveis de suporte e resistência. Nossa abordagem de aprendizado supervisionado utiliza uma rede neural convolucional (CNN), que emprega um kernel de produto escalar (Dot Product Kernel) com mecanismo de atenção temporal cruzada (Cross-Time-Attention) para determinar as dimensões de seus kernels e canais. Como de costume, essa implementação é feita em um arquivo personalizado que contém a classe de sinais (signal class), que se integra ao Assistente MQL5 para criar um EA.

Mesmo com um sistema de trading de expectativa matemática positiva, o tamanho das posições pode influenciar o sucesso ou o fracasso. Esse é um aspecto fundamental da gestão de risco, pois permite transformar uma vantagem estatística em resultados concretos sem comprometer a proteção do capital.

Nesta etapa, configuramos o EA multipar para ajustar o tamanho das posições e a exposição ao risco em tempo real com base em indicadores de volatilidade, como o ATR. Isso torna a gestão de risco mais consistente, reforça a proteção das posições e melhora o desempenho em diferentes condições de mercado.

Nesta parte, vamos nos concentrar na criação de um modelo de negociação flexível e adaptativo, treinado com dados históricos do XAUUSDт Também vamos prepará-lo para exportação no formato ONNX e possível integração a sistemas de negociação em ambiente real.

Neste artigo, desenvolveremos um programa de negociação baseado em linhas de tendência que utiliza o ajuste pelo método dos mínimos quadrados (least squares fit) para determinar as linhas de tendência que atuam como suporte e resistência. O programa gera sinais dinâmicos de compra e venda quando o preço toca essas linhas e abre posições com base nos sinais identificados.

Neste artigo, desenvolvemos em MQL5 um sistema de preço médio baseado em pin bars, que identifica esses padrões para abrir operações e utiliza uma estratégia de preço médio para gerenciar múltiplas posições, com recursos de trailing stop e ajuste do stop para o ponto de equilíbrio (breakeven). Também combinamos parâmetros configuráveis com um dashboard que permite monitorar as posições e os lucros em tempo real.

Aproveite ao máximo o potencial do terminal MetaTrader 5 com o ecossistema Python para análise de dados e a biblioteca cliente oficial MetaTrader 5. Neste artigo, mostramos como realizar a autenticação e armazenar diretamente ticks e barras de um minuto no formato Parquet, aplicar técnicas avançadas de engenharia de atributos com as bibliotecas ta e Prophet e treinar um modelo de gradient boosting que respeite a estrutura temporal dos dados. Em seguida, implementamos um serviço Flask leve que disponibiliza sinais de negociação em tempo real. Seja para desenvolver um sistema híbrido de trading quantitativo ou incorporar recursos de machine learning a um EA, ao final você terá um pipeline completo e confiável para negociação algorítmica orientada por dados.

Neste artigo, desenvolveremos um sistema de reconhecimento do padrão harmônico "Crab" em MQL5, capaz de identificar formações de alta e de baixa com base em pontos de reversão e níveis de Fibonacci. O sistema executará operações com níveis precisos de entrada, stop-loss e take-profit. Também adicionaremos recursos de visualização por meio de objetos gráficos, como triângulos e linhas de tendência, para representar a estrutura XABCD do padrão e os níveis de negociação.

Neste artigo, veremos como combinar o Parabolic SAR e o indicador Fractals para criar um novo indicador do tipo oscilador. Ao aproveitar os pontos fortes de ambas as ferramentas, os traders podem desenvolver uma estratégia de negociação mais precisa e eficiente.