Jonathan Pereira
- Informações
2 anos
experiência
|
3
produtos
|
8
versão demo
|
53
trabalhos
|
0
sinais
|
0
assinantes
|
Conheci o mercado financeiro por acaso em 2016, e desde então ganhei uma nova paixão, logo na sequencia descobri sobre a existência da plataforma MetaTrader e que havia a possibilidade de codificar estratégias, logo paixão a primeira vista.
https://github.com/jowpereira/mql5-tutoriais
Para criar um novo trabalho para mim: https://www.mql5.com/pt/job/new?prefered=14134597

Este artigo fornece uma visão detalhada sobre como construir uma classe em MQL5 para gerenciamento eficiente de arquivos CSV. Ele explica como os métodos de abertura, escrita, leitura e conversão de dados são implementados e como eles podem ser utilizados para armazenar e carregar dados. Além disso, o artigo também discute as limitações e considerações importantes ao usar essa classe. É uma leitura valiosa para aqueles interessados em aprender a trabalhar com arquivos CSV em MQL5.

O perceptron multicamadas é uma evolução do perceptron simples, capaz de resolver problemas não linearmente separáveis. Juntamente com o algoritmo backpropagation, é possível treinar essa rede neural de forma eficiente. Na terceira parte da série sobre perceptron multicamadas e backpropagation, vamos mostrar como integrar essa técnica ao testador de estratégias. Essa integração permitirá a utilização de análise de dados complexos e melhores decisões para otimizar as estratégias de negociação. Nesta visão geral, discutiremos as vantagens e os desafios da implementação desta técnica.

Um pacote python foi disponibilizado com o proposito de trazer integração com MQL, com isso abre-se as portas para enumeras possibilidades como, exploração de dados, criação e uso de modelos de machine learning. Com essa integração nativa entre MQL5 e Python, abriu-se as portas para muitas possibilidades de uso, podemos construir de uma simples regressão linear a um modelo de aprendizado profundo. Vamos entender como instalar e preparar o ambiente de desenvolvimento e usar algumas das bibliotecas de aprendizado de maquina.
A média móvel Tillson's T3 foi apresentada ao mundo da análise técnica no artigo ''A Better Moving Average'', publicado na revista americana Technical Analysis of Stock Commodities . Desenvolvida por Tim Tillson, logo os analistas e operadores de mercados futuros ficaram fascinados com esta técnica que suaviza a série de preços ao mesmo tempo em que diminui o lag (atraso) típicos dos sistemas seguidores de tendências
O Volume é um indicador muito utilizado em análise técnica, no entanto existe uma variação que é ainda mais útil do que o Volume por si só: a média móvel do Volume. Ele nada mais é do que uma média móvel aplicada ao popular indicador de Volume. Como já diz o nome, o Volume + MA serve para exibir o volume transacionado (compras e vendas executadas) de certo ativo financeiro em determinado ponto do tempo juntamente com a média móvel desse mesmo volume ao longo do tempo. Para que serve? Com o

Recentemente, ao aumentar a popularidade desses métodos, tantas bibliotecas foram desenvolvidas em Matlab, R, Python, C++, e etc, que recebem o conjunto de treinamento como entrada e constroem automaticamente uma Rede Neural apropriada para o suposto problema. Vamos entender como funciona um tipo básico de Rede Neural, (Perceptron de um único neurônio e Perceptron Multicamadas), e um fascinante algoritmo responsável pelo aprendizado da rede, (Gradiente descendente e o Backpropagation). Tais modelos de rede serviram de base para os modelos mais complexos existentes hoje.
Hi-Lo é um indicador cuja finalidade é auxiliar de maneira mais precisa as tendências de um determinado ativo — indicando assim, o possível melhor momento para compra ou venda. O que é o Hi-lo? Hi-Lo é um termo derivado do inglês, onde Hi está ligado à palavra High (Alto) e Lo à palavra Low (baixo). Ele é um indicador de tendência usado para avaliação da negociação de ativos no mercado financeiro. Sendo assim, a sua utilização é dada para identificar se um determinado ativo está



