Artigos sobre como programar e utilizar robôs de negociação na linguagem MQL5

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.

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.

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.

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.

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.

No artigo anterior, concluímos a análise da combinação dos osciladores Gator e Acumulação/Distribuição (A/D) em sua aplicação convencional, baseada nos sinais brutos gerados por esses indicadores. Eles se complementam: o Gator atua como indicador de tendência, enquanto o oscilador Acumulação/Distribuição funciona como indicador de volume. Agora, daremos continuidade ao tema, investigando como o aprendizado supervisionado pode melhorar alguns dos padrões de sinal estudados anteriormente. Nossa abordagem utiliza uma rede neural convolucional (CNN), na qual a regressão por kernel e a similaridade baseada no produto escalar são empregadas para definir os tamanhos dos kernels e a quantidade de canais. Como de costume, implementaremos essa abordagem em um arquivo personalizado da classe de sinal, que interage com o Assistente MQL5 durante a criação do EA.