Artigos com exemplos de como programar indicadores na linguagem MQL5
Os indicadores técnicos são as ferramentas mais simples e práticas para analisar gráficos de preços. Nesta seção, você encontra artigos que lhe ensinam passo a passo a aprender MQL5. Desse modo, você pode contruir indicadores clássicos de análise técnica e aprender a criar os seus próprios.
Estes artigos oferecem uma explicação detalhada dos códigos-fonte que estão anexados a eles. Você pode baixá-los e abri-los no MetaEditor enquanto segue a leitura do artigo.
Novo artigo
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Introdução ao MQL5 (Parte 15): Criando Indicadores Personalizados com MQL5 — Guia para Iniciantes (IV)
Neste artigo, você aprenderá a criar um indicador de Price Action em MQL5, com foco em pontos-chave como mínima (L), máxima (H), mínima mais alta (HL), máxima mais alta (HH), mínima mais baixa (LL) e máxima mais baixa (LH) para análise de tendências. Você também aprenderá a identificar as zonas de prêmio e desconto, marcar o nível de retração de 50% e utilizar a relação risco-retorno para calcular metas de lucro. O artigo aborda a determinação dos pontos de entrada, stop loss (SL) e take profit (TP) com base na estrutura da tendência.
Análise da variação por hora dos símbolos de negociação e de seus spreads no MetaTrader 5
O indicador de índice de sazonalidade ProSpread com média móvel é uma ferramenta de análise técnica que identifica padrões sazonais de movimento dos preços, analisa o comportamento dos preços em horários específicos de negociação, pode trabalhar tanto com um único instrumento quanto com o spread entre dois ativos e também representa visualmente a probabilidade estatística de movimentos direcionados.
Previsão da distribuição condicional com uma MLP
Neste artigo, analisaremos um modelo de regressão baseado em MLP que prevê não apenas a esperança matemática condicional, mas também a variância condicional. Em outras palavras, treinaremos nossa rede para prever toda a distribuição dos preços futuros com base em um vetor de atributos de entrada. Para isso, porém, precisaremos implementar nossa própria função de perda.