В предыдущих статьях серии «Инженерия признаков для машинного обучения » признаки создавались на основе самой структуры времени: в Части 1 было показано, как с помощью дробного дифференцирования сохранить долгосрочную память в стационарном ряду; в Части 3 торговый календарь был преобразован в координаты Фурье; а в Части 5 поток ордеров на уровне тиков был сжат в микроструктурную статистику с индексацией по барам. В данной статье признаки формируются на основе качественно иного вопроса: не о том, как выглядит текущий бар, а о том, изменился ли в последнее время процесс генерации данных, который его сформировал.
We present a production‑ready implementation of AFML Chapter 17 structural break tests. The module includes Chu-Stinchcombe-White (one-/two-sided), Chow-type DFC, SADF across six models (linear, quadratic, sm poly 1, sm poly 2, sm exp, sm power), plus QADF (q, v) and CADF (q), returning bar-indexed scalar features. We address the book snippets' scaling issues and argument‑order pitfall, and show how a fixed lookback (L=504) bounds SADF cost to O(L²) per bar for regime detection.
В 9-й части этой серии был реализован набор тестов на структурные разрывы из главы 17 книги AFML на языке Python, включающий тест Чу-Стинчкомба-Уайта (CUSUM), тест Чау-типа Дики-Фуллера, SADF для шести регрессионных моделей, а также два варианта с повышенной устойчивостью (QADF и CADF). В данной статье три основных теста — CSW, Chow и SADF — портированы на MQL5 в виде единого файла включения CStructuralBreaks.mqh, размещенного в папке MQL5/Include/StructuralBreaks/. Также включены тесты суб- и супермартингала (SM-Exp и SM-Power), что доводит набор до пяти статистических показателей на каждый бар.
Реализация на MQL5 отличается от версии на Python одним структурным решением, о котором стоит упомянуть сразу: SADF использует скользящее окно обратного обзора вместо полного расширяющегося окна. В Python расширяющееся окно является приемлемым, поскольку вычисления выполняются однократно в автономном режиме на фиксированном наборе данных. В советнике, который пересчитывается при появлении каждого нового бара, размер расширяющегося окна растёт пропорционально O(T²) по отношению к количеству завершённых баров. При T = 1 000 баров — скромном двухлетнем дневном ряду — расширяющееся окно выполняет в 15 раз больше операций во внутреннем цикле, чем скользящее окно длиной 252 бара. При T = 5 000 баров оно выполняет в 400 раз больше операций. Скользящее окно — это не компромисс; оно слегка изменяет интерпретацию статистического показателя, и это изменение описано в разделе 6.
We port AFML Chapter 17 structural break tests to MQL5 as a single include, CStructuralBreaks, delivering six bar-indexed features for EAs: CSW statistic and critical value, Chow-Type DFC, SADF with a rolling lookback (default 252), SM-Exp, and SM-Power. SADF uses O(L²) rolling windows for real-time viability. A companion StructuralBreaksViewer indicator plots all series with per‑series visibility and optional z‑score normalization. SB_EMPTY marks invalid values for safe integration.
В предыдущих статьях серии «Инженерия признаков для машинного обучения » признаки выводились из геометрии цен (часть 1), из торгового календаря (часть 3), из спреда между ценой спроса и предложения и ценового воздействия (части 5–6), из информационного содержания последовательности направлений торговли (часть 7), и, совсем недавно, из моментов смены режимов (часть 10). В этой одиннадцатой части мы возвращаемся к геометрии цен, но на более грубом структурном уровне: к максимумам и минимумам колебаний, которые определяют поддержку, сопротивление и тренд.
The article examines a Williams five‑bar fractal feature pipeline and shows how a centered rolling window creates a true look‑ahead leak. It identifies two additional silent bugs—a hardcoded shift tied to the default n and a volatility threshold that ignores its input—and consolidates fixes under a single leak_safe flag. Readers get leak‑free fractal, level, trend, and signal features, plus guidance on when unshifted columns remain valid for labeling.
MetaTrader 5 может загружать обученную нейронную сеть и запускать её. Достаточно передать путь к файлу модели в API ONNX (Open Neural Network Exchange), подать тензор и получить прогнозы. Терминал не раскрывает, что содержит файл ONNX: количество слоёв, требуемую форму входных данных или какие веса были сохранены. Когда результаты вывода выглядят некорректно, невозможно быстро определить, в чём заключается проблема — в признаках, формах тензоров или в самом файле, — поскольку модель рассматривается как непрозрачный двоичный файл. Эта статья предназначена для разработчиков на язы ке MetaQuotes Language 5 (MQL5) и алгоритмических трейдеров, которые обучают модели в других средах и хотят проверять их внутри терминала, не выходя из MetaTrader 5 и без использования каких-либо внешних библиотек.
При разработке торговых роботов для MetaTrader 5 на Python вы сталкиваетесь с привычной дилеммой: для реальной торговли вы используете пакет MetaTrader5, а для бэктестинга вам приходится создавать и поддерживать отдельный тестовый слой с другой инициализацией, источниками данных и API. Результатом этого становятся дублируемая логика, неустойчивая синхронизация между двумя ветвями кода и потеря времени при каждом изменении вашей стратегии. Вместо этого нам нужен рабочий процесс в Python, аналогичный MQL5: единая функция main() (OnTick) в стиле советника, реализующая торговую логику один раз, и возможность запускать этот же код как на исторических данных, так и на реальном рынке без его переписывания.
В этой статье показано, как фреймворк StrategyTester5 решает эту задачу: он предоставляет объект VirtualMetaTrader5, который отражает API MetaTrader 5, простой обмен переменной mt5 для переключения сред, а также функцию run_backtesting(), которая воспроизводит рыночные данные и возвращает объект TesterStats. Цель практическая: написать стратегию один раз, а затем выбрать, запускать ли её на исторических данных или на реальном счёте.
Чтобы убедиться, что я правильно понял: относится ли ваше утверждение также конкретно к history_orders_get () и history_deals_get () , включая date_from , date_to , ORDER_TIME_SETUP , ORDER_TIME_DONE , DEAL_TIME и соответствующие поля *_MSC ?
Кроме того, знаете ли вы, включает ли date_to само число или нет, и с какой точностью?
Наконец, поскольку вы сообщили в MetaQuotes о проблеме с документацией по datetime/timezone, есть ли какой-либо официальный тикет MetaQuotes, обновленная страница документации или подтверждение, на которое можно сослаться?
Спасибо.
То же самое относится ко всему API.
В параметрах необходимо использовать часовой пояс UTC, а возвращаемые данные соответствуют времени сервера брокера.
Мы создали считыватель, который открывает файл ONNX и сообщает нам, что в нём содержится. Он работает, и отчёт точен, но отображается в виде сплошного текста на вкладке «Эксперты». Прокручиваются тринадцать слоёв с названиями их входов и выходов. Чтобы понять связи между ними, нам приходится отслеживать эти названия на глаз, строка за строкой, держа в уме структуру графа. Модель с двумя параллельными ветвями читается точно так же, как модель с одной длинной цепочкой, поскольку список не позволяет показать, что два слоя работают параллельно. То, что нам больше всего хочется знать о сети, — её форма, — это единственное, чего список нам дать не может. Эта статья предназначена для разработчиков на языке MetaQuotes Language 5 (MQL5) и алгоритмических трейдеров, которые хотят видеть запускаемую модель, а не читать о ней.
MetaQuotes Language 5 (MQL5) is a specialized C++ based high-level object-oriented programming language. All trading applications for MetaTrader 5 are written in MQL5. The major difference of MQL5 from other programming languages is its trading...
В предыдущей части мы разместили модель на графике и наконец смогли увидеть её форму. Слои расположены в правильном порядке, ветви отображаются как ветви, а при нажатии на вес отображаются его диапазон и разброс. Но ничто из этого не показывает саму сеть. Прямоугольник с надписью «Gemm» и строкой размером 24 на 16 говорит нам, что внутри находится матрица, и на этом всё. Матрица хранит информацию о том, какой входной сигнал поступает на какой нейрон, является ли каждое соединение толкающим или тянущим, и какие входные сигналы доминируют. Ничто из этого не отображается графически. Мы видим архитектуру, но веса остаются просто числами на панели. Эта статья предназначена для разработчиков на языке MetaQuotes Language 5 (MQL5) и алгоритмических трейдеров, которые хотят заглянуть внутрь обученной модели, а не просто рассматривать её общую структуру.
We build a neuron-level view for MQL5 models: count neurons per row, compute ranks, and render one line per stored weight from dense layers. The implementation reads matrix orientation from attributes, colors connections by sign and relative strength, and keeps activations on the same row. You can toggle between the layer graph and neurons, or see why the neuron view is unavailable, to analyze how weights connect inputs to outputs.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Инженерия признаков для машинного обучения (Часть 9): Тесты на структурные разрывы в Python
В предыдущих статьях серии «Инженерия признаков для машинного обучения » признаки создавались на основе самой структуры времени: в Части 1 было показано, как с помощью дробного дифференцирования сохранить долгосрочную память в стационарном ряду; в Части 3 торговый календарь был преобразован в координаты Фурье; а в Части 5 поток ордеров на уровне тиков был сжат в микроструктурную статистику с индексацией по барам. В данной статье признаки формируются на основе качественно иного вопроса: не о том, как выглядит текущий бар, а о том, изменился ли в последнее время процесс генерации данных, который его сформировал.
Инженерия признаков для машинного обучения (Часть 10): Тесты на структурный разрыв в MQL5
В 9-й части этой серии был реализован набор тестов на структурные разрывы из главы 17 книги AFML на языке Python, включающий тест Чу-Стинчкомба-Уайта (CUSUM), тест Чау-типа Дики-Фуллера, SADF для шести регрессионных моделей, а также два варианта с повышенной устойчивостью (QADF и CADF). В данной статье три основных теста — CSW, Chow и SADF — портированы на MQL5 в виде единого файла включения CStructuralBreaks.mqh, размещенного в папке MQL5/Include/StructuralBreaks/. Также включены тесты суб- и супермартингала (SM-Exp и SM-Power), что доводит набор до пяти статистических показателей на каждый бар.
Реализация на MQL5 отличается от версии на Python одним структурным решением, о котором стоит упомянуть сразу: SADF использует скользящее окно обратного обзора вместо полного расширяющегося окна. В Python расширяющееся окно является приемлемым, поскольку вычисления выполняются однократно в автономном режиме на фиксированном наборе данных. В советнике, который пересчитывается при появлении каждого нового бара, размер расширяющегося окна растёт пропорционально O(T²) по отношению к количеству завершённых баров. При T = 1 000 баров — скромном двухлетнем дневном ряду — расширяющееся окно выполняет в 15 раз больше операций во внутреннем цикле, чем скользящее окно длиной 252 бара. При T = 5 000 баров оно выполняет в 400 раз больше операций. Скользящее окно — это не компромисс; оно слегка изменяет интерпретацию статистического показателя, и это изменение описано в разделе 6.
Инженерия признаков для машинного обучения (Часть 11): Фрактальные признаки в Python
В предыдущих статьях серии «Инженерия признаков для машинного обучения » признаки выводились из геометрии цен (часть 1), из торгового календаря (часть 3), из спреда между ценой спроса и предложения и ценового воздействия (части 5–6), из информационного содержания последовательности направлений торговли (часть 7), и, совсем недавно, из моментов смены режимов (часть 10). В этой одиннадцатой части мы возвращаемся к геометрии цен, но на более грубом структурном уровне: к максимумам и минимумам колебаний, которые определяют поддержку, сопротивление и тренд.
Работа с моделями ONNX в MQL5 (Часть 1): декодирование файла модели с помощью парсера Protobuf
MetaTrader 5 может загружать обученную нейронную сеть и запускать её. Достаточно передать путь к файлу модели в API ONNX (Open Neural Network Exchange), подать тензор и получить прогнозы. Терминал не раскрывает, что содержит файл ONNX: количество слоёв, требуемую форму входных данных или какие веса были сохранены. Когда результаты вывода выглядят некорректно, невозможно быстро определить, в чём заключается проблема — в признаках, формах тензоров или в самом файле, — поскольку модель рассматривается как непрозрачный двоичный файл. Эта статья предназначена для разработчиков на язы ке MetaQuotes Language 5 (MQL5) и алгоритмических трейдеров, которые обучают модели в других средах и хотят проверять их внутри терминала, не выходя из MetaTrader 5 и без использования каких-либо внешних библиотек.
Тестер стратегий Python для MetaTrader 5 (Часть 06): Бэктестинг в стиле MQL5 для советников на Python
При разработке торговых роботов для MetaTrader 5 на Python вы сталкиваетесь с привычной дилеммой: для реальной торговли вы используете пакет MetaTrader5, а для бэктестинга вам приходится создавать и поддерживать отдельный тестовый слой с другой инициализацией, источниками данных и API. Результатом этого становятся дублируемая логика, неустойчивая синхронизация между двумя ветвями кода и потеря времени при каждом изменении вашей стратегии. Вместо этого нам нужен рабочий процесс в Python, аналогичный MQL5: единая функция main() (OnTick) в стиле советника, реализующая торговую логику один раз, и возможность запускать этот же код как на исторических данных, так и на реальном рынке без его переписывания.
В этой статье показано, как фреймворк StrategyTester5 решает эту задачу: он предоставляет объект VirtualMetaTrader5, который отражает API MetaTrader 5, простой обмен переменной mt5 для переключения сред, а также функцию run_backtesting(), которая воспроизводит рыночные данные и возвращает объект TesterStats. Цель практическая: написать стратегию один раз, а затем выбрать, запускать ли её на исторических данных или на реальном счёте.
Форум, посвящённый торговле, автоматизированным торговым системам и тестированию торговых стратегий
MetaTrader5 Python history_orders_get/history_deals_get — авторитетная семантика времени
Ален Верлейен, 25.09.2026 15:05
Форум по трейдингу, автоматизированным торговым системам и тестированию торговых стратегий
MetaTrader5 Python history_orders_get/history_deals_get — авторитетная семантика времени
Саване Умар, 25.09.2026 13:10
Спасибо, это очень важно.
Чтобы убедиться, что я правильно понял: относится ли ваше утверждение также конкретно к history_orders_get () и history_deals_get () , включая date_from , date_to , ORDER_TIME_SETUP , ORDER_TIME_DONE , DEAL_TIME и соответствующие поля *_MSC ?
Кроме того, знаете ли вы, включает ли date_to само число или нет, и с какой точностью?
Наконец, поскольку вы сообщили в MetaQuotes о проблеме с документацией по datetime/timezone, есть ли какой-либо официальный тикет MetaQuotes, обновленная страница документации или подтверждение, на которое можно сослаться?
Спасибо.
То же самое относится ко всему API.
В параметрах необходимо использовать часовой пояс UTC, а возвращаемые данные соответствуют времени сервера брокера.
Работа с моделями ONNX в MQL5 (Часть 2): отображение графика модели на панели интерактивного графика
Работа с моделями ONNX в MQL5 (Часть 3): отображение нейронов и весов между ними