Группа пользователей MetaTrader 5 Python - краткое содержание - страница 37

[Sergey Golubev]

Тестер стратегий Python-MetaTrader 5 (часть 04): Тестер 101

В предыдущих статьях этого цикла мы заложили основу для создания с нуля тестера стратегий, подобного MetaTrader 5. При наличии основной структуры в нашем проекте все еще не хватает нескольких критически важных компонентов.

На данном этапе нам еще предстоит последовательно обрабатывать тики и бары, отсутствуют механизмы мониторинга открытых ордеров и симулируемого торгового счета, а также метрики эффективности, такие как прибыль и убытки, просадка, коэффициент выигрыша, соотношение риска и вознаграждения, и подробная статистика торговли в симуляторе.

[Sergey Golubev]

Тестер стратегий Python-MetaTrader 5 (часть 05): Тестер стратегий на нескольких символах и таймфреймах

В предыдущей статье мы смогли использовать реальные тики, сгенерированные тики и бары, полученные из терминала MetaTrader 5, в нашем пользовательском тестере стратегий. Несмотря на первый успешный опыт работы с тестером стратегий, нам еще предстоит полностью обработать данные по разным инструментам и таймфреймам (с чем тестер стратегий MetaTrader 5 справляется очень хорошо).

[Sergey Golubev]

Количественный анализ тенденций: Сбор статистики в Python

Количественный анализ трендов - это подход, который превращает хаотичные движения рынка в упорядоченную систему чисел и закономерностей. В мире, где большинство трейдеров полагаются на интуицию и визуальную оценку графиков, математический анализ трендовых движений дает неоспоримое преимущество. Вместо субъективных ощущений вы получаете точные данные: среднюю продолжительность тренда в днях, его типичное значение в пунктах, характерные закономерности развития и завершения.

Именно эта объективность делает количественный анализ краеугольным камнем профессионального трейдинга. Уильям Экхардт, известный трейдер, справедливо заметил, что трейдинг - это не область психологии, а область статистики. Когда вы знаете, что восходящие тренды на паре EURUSD по статистике длятся дольше, чем нисходящие, или что 70 % трендов на GBPUSD заканчиваются, не достигнув 200 пунктов, это не просто информация, а конкретное руководство к действию.

[Sergey Golubev]

Добыча данных CFTC на Python и построение модели искусственного интеллекта

Предлагаемый подход объединяет данные COT/TFF и рыночные котировки в единую модель на языке Python с автоматической торговлей через MetaTrader 5. Это позволяет переходить от анализа к действиям без задержек и вмешательства человека.

[Sergey Golubev]

Python + MetaTrader 5: быстрый исследовательский фреймворк для данных, функций и прототипов

В этой статье мы покажем:

• как Python интегрирован с MetaTrader 5;
• как использовать его для анализа финансовых данных и проверки гипотез;
• как построить и обучить небольшую модель, а затем перенести результат обучения в советник с помощью ONNX.

Это позволит нам перейти от исследовательского эксперимента к практической реализации в торговой системе.

[Sergey Golubev]

За пределами часов (часть 1): Построение баров активности и дисбаланса на Python и MQL5

Явно рассматриваются четыре производственные проблемы конвейера: загрузка многолетних тиковых данных без превышения объема памяти (разделенное хранилище Parquet читается через Dask), очистка артефактов брокерского фида, которые портят построение баров (нулевые спреды, дублирующиеся временные метки, индексы NaT), автоматическая калибровка адаптивного порога для баров дисбаланса, чтобы первый бар не искажал историю EWM, и сохранение трекера EWM при перезапуске советника, чтобы порог не сбрасывался в середине сессии. Короткий тест на паритет в конце проверяет, что обе реализации, питающиеся одним и тем же тиковым потоком, выдают одинаковые бары.

[Sergey Golubev]

Загрузка данных Международного валютного фонда с помощью Python

За десятилетия своего существования МВФ накопил уникальную базу данных, охватывающую экономические показатели 190 стран. Эти данные включают в себя не только традиционные метрики, такие как ВВП и инфляция, но и сложные структурные показатели, которые позволяют увидеть реальное состояние экономики задолго до того, как рынки начнут реагировать. Проблема в том, что эти данные представлены в необработанном виде и требуют значительной обработки, чтобы приобрести практическую ценность.

[Sergey Golubev]

Обнаружение и классификация фрактальных узоров с помощью машинного обучения

В этой статье представлен оригинальный подход к выявлению и классификации фрактальных паттернов. Анализ будет проводиться на языке Python с возможностью экспорта итоговых моделей в терминал MetaTrader 5 в формате ONNX.

[Sergey Golubev]

Feature Engineering for ML (часть 5): Микроструктурные особенности в Python

В предыдущих статьях этого цикла время рассматривалось как самостоятельный признак: дробное дифференцирование сохраняет память в стационарном ряду, а циклическое кодирование встраивает в матрицу признаков структуру Фурье торгового календаря. Оба метода работают с данными на уровне баров. Микроструктурные признаки работают по-другому. Они рассматривают каждый бар не как единичное наблюдение, а как сжатое резюме множества отдельных сделок, и задаются вопросом, что эти сделки раскрывают о внутреннем состоянии рынка в момент закрытия бара.