Artigos sobre como integrar a MetaTrader 5 usando a linguagem MQL5

Continuação do tema de otimização por comunidade científica. O CoSO não deve ser tratado como uma solução pronta, mas como uma plataforma de pesquisa promissora. Com o refinamento adequado, o CoSO pode encontrar seu nicho em tarefas em que a adaptabilidade e a robustez a mudanças sejam importantes, e quando o tempo de processamento não for crítico.

Algoritmo meta-heurístico que simula o crescimento das artérias coronárias do coração humano para resolver problemas de otimização. Utiliza os princípios da angiogênese (crescimento de novos vasos), da bifurcação (ramificação) e da poda de ramos fracos para buscar soluções ótimas em um espaço multidimensional. Os testes de sua eficiência em uma ampla variedade de problemas produziram resultados inesperados.

A Média Móvel e o Oscilador Estocástico são indicadores muito comuns cujos padrões coletivos exploramos no artigo anterior, por meio de uma rede de aprendizado supervisionado, para verificar quais “padrões permaneceriam consistentes”. Levamos nossas análises daquele artigo um passo adiante ao considerar os efeitos que o aprendizado por reforço, quando utilizado com essa rede treinada, teria sobre o desempenho. Os leitores devem observar que nossos testes foram realizados em uma janela de tempo muito limitada. Ainda assim, continuamos a aproveitar os requisitos mínimos de codificação proporcionados pelo MQL5 Wizard para demonstrar isso.

No artigo anterior, apresentamos uma combinação dos indicadores SAR e RVI. Neste artigo, veremos como aprimorá-la com técnicas de machine learning. Juntos, o SAR e o RVI combinam informações de tendência e momentum. Nossa abordagem utiliza uma rede neural convolucional (convolutional neural network) com um kernel exponencial (Exponential kernel) para definir o tamanho dos kernels e o número de canais da rede, utilizada para aprimorar as previsões baseadas nesses dois indicadores. Como de costume, essa abordagem é implementada em um arquivo personalizado da classe de sinais (signal class), que interage com o Assistente MQL5 para gerar um EA.

Continuamos nosso último artigo sobre DDPG com indicadores de Média Móvel e Estocástico, examinando outras classes-chave de Aprendizado por Reforço cruciais para a implementação do DDPG. Embora estejamos codificando principalmente em Python, será exportado para o formato ONNX para o MQL5, onde a integraremos como um recurso em um Expert Advisor montado pelo Wizard.

Passamos a usar várias instâncias do terminal no servidor, criando um painel de controle simples para iniciá-las e encerrá-las. Agora chegou a hora de ampliar a funcionalidade e avançar para as próximas etapas, implementando recursos mais complexos, como o gerenciamento de várias instâncias, o armazenamento de estado, a integração com a API do MetaTrader 5 e uma interface web com informações completas sobre os terminais.

O novo método de otimização Bison Algorithm (BIA) combina duas estratégias inspiradas no comportamento dos bisões para resolver problemas contínuos com uma única função objetivo. O BIA se baseia em dois princípios fundamentais observados no comportamento dos bisões: a capacidade de deslocamento dinâmico e a estratégia defensiva.

O oscilador DeMarker (DeMarker Oscillator) e o Envelopes são ferramentas que identificam o momentum e os níveis de suporte/resistência e podem ser combinadas no desenvolvimento de um EA. No artigo anterior, apresentamos esses dois indicadores. Agora, acrescentaremos machine learning a essa combinação. Utilizamos uma rede neural recorrente que aplica um kernel de ruído branco (white-noise kernel) para processar os sinais vetorizados desses dois indicadores. Essa lógica é implementada em um arquivo personalizado da classe de sinais (signal class), que interage com o Assistente MQL5 para criar o EA.

O Correlation Pathfinder oferece uma nova abordagem para compreender a dinâmica dos pares de moedas como parte da Série de Desenvolvimento do Kit de Ferramentas de Análise de Price Action. Essa ferramenta automatiza a coleta e a análise de dados, fornecendo insights sobre como pares como EUR/USD e GBP/USD interagem. Aprimore sua estratégia de trading com informações práticas e em tempo real que ajudam você a gerenciar riscos e identificar oportunidades com mais eficiência.

A modificação do algoritmo Dingo proposta pelo autor e apresentada neste artigo elevou consideravelmente o patamar na busca pelo melhor algoritmo de otimização. Será que ainda é possível alcançar resultados superiores?

Nesta discussão, veremos aprimoramentos adicionais, ao integrarmos uma lógica avançada de alertas para os eventos do calendário econômico exibidos pelo EA "Manchetes de notícias". Esse aprimoramento é decisivo, pois garante que os usuários recebam notificações em tempo hábil pouco antes dos principais eventos programados. Acompanhe esta discussão para saber mais.

E se os ciclos lunares e os padrões sazonais influenciarem os mercados cambiais? Este artigo mostra como traduzir conceitos astrológicos para a linguagem da matemática e do machine learning. Criei um sistema em Python com 88 atributos baseados em ciclos astronômicos, treinei o CatBoost com 15 anos de dados do EUR/USD e obtive resultados intrigantes. O código é aberto, os métodos podem ser verificados e as conclusões são inesperadas: a sabedoria antiga encontra o gradient boosting.

Neste artigo, vamos apresentar a implementação de um módulo semelhante ao requests do Python, com o objetivo de simplificar o envio de requisições web e o recebimento de respostas no MetaTrader 5 usando MQL5.

O cálculo preciso das principais métricas de negociação é uma parte essencial da rotina de qualquer trader. Neste artigo, veremos como integrar uma ferramenta poderosa, a calculadora Forex, ao painel de gerenciamento de operações, ampliando ainda mais as funcionalidades do nosso sistema administrativo para traders, composto por vários painéis. Calcular corretamente o risco, o tamanho da posição e o lucro potencial é fundamental para a execução de operações. A nova funcionalidade busca agilizar esses cálculos e facilitar sua realização diretamente no painel. Ao longo do artigo, exploraremos a aplicação prática do MQL5 no desenvolvimento de painéis de negociação avançados.

Aprenda a implementar um poderoso framework personalizado de logging em MQL5 que vai muito além de simples chamadas a Print(), oferecendo suporte a níveis de severidade, vários handlers de saída e rotação automática de arquivos, tudo isso com possibilidade de ajuste dinâmico durante a execução. Integre o singleton CLogger com ConsoleLogHandler e FileLogHandler para registrar logs contextuais com marcas de tempo tanto na guia "Experts" quanto em arquivos persistentes. Torne a depuração e o rastreamento de desempenho dos seus EAs mais eficientes com formatos de log claros e configuráveis e gerenciamento centralizado.

O indicador FrAMA e o oscilador Force Index são ferramentas de análise de tendência e volume que podem ser usadas em conjunto no desenvolvimento de um EA. Dando continuidade ao artigo anterior, no qual apresentamos essa combinação, vamos analisar como o aprendizado de máquina pode ser aplicado a ela. Usaremos uma rede neural convolucional (convolutional neural network) que emprega um kernel de produto escalar (dot-product kernel) para gerar previsões com base nos dados de entrada desses indicadores. Essa lógica é implementada em um arquivo personalizado da classe de sinais (signal class), que interage com o Assistente MQL5 para criar o EA.

O artigo apresenta duas versões do Algoritmo de Estrutura Cristalina: a original e a modificada. O Crystal Structure Algorithm (CryStAl), publicado em 2021 e inspirado na física das estruturas cristalinas, foi apresentado como uma meta-heurística parameter-free para otimização global. No entanto, os testes revelaram um problema crítico no algoritmo. O artigo também apresenta a versão modificada CryStAlm, que corrige as principais deficiências da versão original.

Como garantir um controle prático de vários terminais nos quais os EAs estão operando, inclusive em computadores diferentes? Vamos tentar criar uma interface web para gerenciar a inicialização dos terminais de negociação MetaTrader 5 e visualizar informações detalhadas sobre o funcionamento de cada instância.

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 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.

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.

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.

Este artigo apresenta um guia passo a passo para dominar as operações CRUD (Create, Read, Update, Delete, ou criação, leitura, atualização e exclusão) no Firebase, com foco no Realtime Database e no Firestore. Você aprenderá a utilizar os métodos do SDK do Firebase para gerenciar dados de forma eficiente em aplicações web e móveis, desde a criação de novos registros até sua consulta, atualização e exclusão. O artigo também apresenta exemplos práticos de código e boas práticas para estruturar e processar dados em tempo real, ajudando os desenvolvedores a criar aplicações dinâmicas e escaláveis com a arquitetura NoSQL flexível do Firebase.

A negociação baseada em notícias muitas vezes exige o gerenciamento de várias posições e símbolos em um intervalo muito curto, devido à alta volatilidade. Neste artigo, vamos abordar os desafios de operar com múltiplos símbolos e incorporar essa funcionalidade ao nosso EA "Manchetes de notícias". Acompanhe como a negociação algorítmica com MQL5 pode tornar essas operações mais eficientes e eficazes.

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.