HybridMicrostructure EA - expert para MetaTrader 5

Este EA foi projetado para enviar solicitações HTTP POST com uma carga JSON no estilo OpenAI (contendo `messages`, `role: system` e `role: user`) e espera uma resposta JSON contendo `decision`, `confidence` e `reason`.

Para criar uma API de IA local (servidor local) capaz de responder a essas solicitações do MT5 em milissegundos, a linguagem de programação ideal é o Python, utilizando o framework FastAPI. O FastAPI é leve, extremamente rápido e perfeitamente adequado para processar dados de alta frequência do MT5.

Abaixo está o código completo do servidor em Python. Posteriormente, você poderá integrar um modelo real de aprendizado de máquina (como TensorFlow, Scikit-Learn ou até mesmo Ollama para um LLM local) a esse mecanismo.

1. Configuração do ambiente Python

Certifique-se de que o Python esteja instalado no seu computador. Abra o Terminal ou o Prompt de Comando e instale estas duas bibliotecas essenciais:

pip install fastapi uvicorn

2. Código da API em Python (local_ai_bridge.py)

Crie um arquivo chamado local_ai_bridge.py no seu computador e copie o código a seguir: (Python)

from fastapi import FastAPI, Request
from pydantic import BaseModel
from typing import List, Optional
import json
import uvicorn

app = FastAPI(title="MT5 AI Microstructure Bridge")

# --- MODELOS DE DADOS (Compatíveis com o formato de dados MQL5) ---
class Message(BaseModel):
    role: str
    content: str

class AIRequest(BaseModel):
    model: str
    temperature: float
    response_format: Optional[dict] = None
    messages: List[Message]

# --- PONTO DE CONEXÃO PRINCIPAL (/analyze) ---
@app.post("/analyze")
async def analyze_market(payload: AIRequest):
    """
    This endpoint receives tick and microstructure data from MT5,
    analyzes the data, and returns a BUY/SELL/WAIT decision.
    """
    
    # 1. Extrair dados JSON da mensagem “user” enviada pelo MT5
    user_content = "{}"
    for msg in payload.messages:
        if msg.role == "user":
            user_content = msg.content
            break
            
    try:
        facts = json.loads(user_content)
    except json.JSONDecodeError:
        return {"decision": "WAIT", "confidence": 0.0, "reason": "Invalid JSON format"}

    # 2. Extrair dados sobre o mercado
    order_type = facts.get("order_type", "WAIT")
    high_velocity = facts.get("high_velocity", False)
    snapback_pips = facts.get("snapback_pips", 0.0)
    min_snapback = facts.get("min_snapback_pips", 2.0)
    deviation_z = facts.get("deviation_z", 0.0)
    
    mtf = facts.get("mtf", {})
    m1_structure = facts.get("m1_structure", {})

    # 3. IA / ALGORITMO DE TOMADA DE DECISÃO (pode ser substituído por um modelo de aprendizado de máquina posteriormente)
    # Este é um exemplo simples de lógica de decisão
    
    confidence = 0.0
    decision = "WAIT"
    reason = ""

    # Avaliar a lógica quando o EA solicitar a confirmação de VENDA
    if order_type == "SELL":
        score = 0
        
        # Validar o snapback e a velocidade
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # Validar desvio extremo (condição de sobrecompra)
        if deviation_z > 2.0:
            score += 0.3

        # Validar o alinhamento do MTF (pelo menos o H1 ou o M15 devem apresentar tendência de baixa)
        if mtf.get("h1_down") or mtf.get("m15_down"):
            score += 0.2

        # Validar a rejeição do M1 (bomba longa na parte superior)
        if m1_structure.get("upper_wick_ratio", 0.0) >= 0.2:
            score += 0.1

        confidence = score
        if confidence >= 0.70:
            decision = "SELL"
            reason = "High velocity drop, MTF align, Z-Score high"
        else:
            reason = f"Score only {confidence:.2 f}, lacking momentum"

    # Avaliar a lógica quando o EA solicita a confirmação de COMPRA
    elif order_type == "BUY":
        score = 0
        
        # Validar o snapback e a velocidade
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # Validar desvio extremo (deviation_z já está ajustado quanto à direção no MQL5)
        if deviation_z > 2.0:
            score += 0.3

        # Validar o alinhamento do MTF (pelo menos o H1 ou o M15 devem apresentar tendência de alta)
        if mtf.get("h1_up") or mtf.get("m15_up"):
            score += 0.2

        # Validar a rejeição da M1 (baqueta longa na parte inferior)
        if m1_structure.get("lower_wick_ratio", 0.0) >= 0.2:
            score += 0.1

        confidence = score
        if confidence >= 0.70:
            decision = "BUY"
            reason = "High velocity bounce, MTF align, Z-Score high"
        else:
            reason = f"Score only {confidence:.2 f}, lacking momentum"

    # 4. Enviar a resposta JSON de volta para o MT5
    return {
        "decision": decision,
        "confidence": round(confidence, 2),
        "reason": reason[:60]  # Limite o motivo a no máximo 60 caracteres para o MT5
    }

if __name__ == "__main__":
    # Inicie o servidor local na porta 8787, de acordo com o parâmetro InpAIEndpoint no MQL5
    print("AI Bridge Server is running on http://127.0.0.1:8787")
    uvicorn.run(app, host="127.0.0.1", port=8787)

3. Como executar o servidor e se conectar ao MT5

1. Abra o Terminal e navegue até a pasta onde o arquivo Python está armazenado.
2. Execute o comando:
3. O servidor será iniciado e ficará à escuta em [http://127.0.0.1:8787](http://127.0.0.1:8787).
4. Na plataforma MetaTrader 5, certifique-se de ter adicionado a URL [http://127.0.0.1](http://127.0.0.1) à lista de URLs permitidas para WebRequest:
1. Vá para Ferramentas -> Opções -> Consultores Especializados.
2. Marque a opção “Permitir WebRequest para URLs listados”.
3. Adicione a URL [http://127.0.0.1](http://127.0.0.1) à lista.
5. Execute seu EA. O EA agora enviará dados em tempo real para a API do Python; o Python os analisará com base nos parâmetros da função Python e enviará comandos COMPRAR/VENDER/AGUARDAR de volta para o MT5.

python local_ai_bridge.py

Visualização no Testador de Estratégias: