In diesem Artikel bauen wir einen MQL5 Expert Advisor, um harmonische Schmetterlingsmuster zu erkennen. Wir identifizieren Umkehrpunkte und validieren Fibonacci-Levels, um das Muster zu bestätigen. Wir visualisieren dann das Muster auf dem Chart und führen automatisch Handelsgeschäfte aus, wenn es bestätigt wird.
Unterstützungs- und Widerstandspunkte sind kritische Niveaus, die potenzielle Trendumkehr und -fortsetzungen signalisieren. Obwohl es schwierig sein kann, diese Niveaus zu identifizieren, sind Sie, wenn Sie sie einmal gefunden haben, gut vorbereitet, um sich auf dem Markt zurechtzufinden. Als weitere Hilfe können Sie das in diesem Artikel vorgestellte Tool „Quarters Drawer“ verwenden, mit dem Sie sowohl primäre als auch sekundäre Unterstützungs- und Widerstandsniveaus identifizieren können.
In diesem Artikel bauen wir einen Expert Advisor in MQL5 für einen Raster-Handel, der eine dynamische Los-Skalierung verwendet. Wir behandeln die Strategieentwicklung, die Code-Implementierung und den Backtest-Prozess. Abschließend vermitteln wir wichtige Erkenntnisse und bewährte Verfahren zur Optimierung des automatisierten Handelssystems.
Der Einsatz von technischen Indikatoren in der Preisaktionsanalyse ist ein wirkungsvoller Ansatz. Diese Indikatoren weisen häufig auf wichtige Umkehr- und Rücksetzpunkte hin und bieten wertvolle Einblicke in die Marktdynamik. In diesem Artikel zeigen wir, wie wir ein automatisiertes Tool entwickelt haben, das mit Hilfe des Parabolic-SAR-Indikators Signale erzeugt.
Der erste einer Reihe von Artikeln, die sich mit der Mathematik der nutzerdefinierten Kriterien befassen, mit besonderem Schwerpunkt auf nichtlinearen Funktionen, die in neuronalen Netzen verwendet werden, MQL5-Code für die Implementierung und die Verwendung von gezielten und korrigierenden Offsets.
In dieser Diskussion gehen wir einen Schritt weiter, indem wir unser MQL5-Programm in kleinere, besser handhabbare Module aufteilen. Diese modularen Komponenten werden dann in das Hauptprogramm integriert, um dessen Organisation und Wartbarkeit zu verbessern. Dieser Ansatz vereinfacht die Struktur unseres Hauptprogramms und macht die einzelnen Komponenten in anderen Expert Advisors (EAs) und Indikatorentwicklungen wiederverwendbar. Durch diesen modularen Aufbau schaffen wir eine solide Grundlage für künftige Erweiterungen, von denen sowohl unser Projekt als auch die breitere Entwicklergemeinschaft profitiert.
Dieser Artikel verbessert die Logging-Bibliothek durch Hinzufügen von Formatierern durch die Klasse CIntervalWatcher zur Verwaltung von Ausführungszyklen, Optimierung mit Caching und Dateirotation, Leistungstests und praktischen Beispielen. Mit diesen Verbesserungen gewährleisten wir ein effizientes, skalierbares und anpassungsfähiges Protokollierungssystem für unterschiedliche Entwicklungsszenarien.
Bei der Arbeit mit maschinellen Lernmodellen ist es wichtig, die Konsistenz der für Training, Validierung und Tests verwendeten Daten sicherzustellen. In diesem Artikel werden wir unsere eigene Version der Pandas-Bibliothek in MQL5 erstellen, um einen einheitlichen Ansatz für den Umgang mit maschinellen Lerndaten zu gewährleisten und sicherzustellen, dass innerhalb und außerhalb von MQL5, wo der Großteil des Trainings stattfindet, dieselben Daten verwendet werden.
Erfahren Sie, wie Sie einen nutzerdefinierten Indikator in MQL5 erstellen können. Mit einem projektbezogenen Ansatz. Dieser einsteigerfreundliche Leitfaden behandelt Indikatorpuffer, Eigenschaften und Trendvisualisierung und ermöglicht es Ihnen, Schritt für Schritt zu lernen.
Diese Diskussion befasst sich mit den Herausforderungen, die bei der Arbeit mit großen Codebasen auftreten. Wir werden die besten Praktiken für die Codeorganisation in MQL5 untersuchen und einen praktischen Ansatz zur Verbesserung der Lesbarkeit und Skalierbarkeit des Quellcodes unseres Trading Administrator Panels implementieren. Darüber hinaus wollen wir wiederverwendbare Code-Komponenten entwickeln, von denen andere Entwickler bei der Entwicklung ihrer Algorithmen profitieren können. Lesen Sie weiter und beteiligen Sie sich an der Diskussion.
Bei der Entwicklung von Strategien sind viele komplizierte Details zu berücksichtigen, von denen viele für Anfänger nicht besonders interessant sind. Infolgedessen mussten viele Händler, mich eingeschlossen, diese Lektionen auf die harte Tour lernen. Dieser Artikel basiert auf meinen Beobachtungen von häufigen Fallstricken, die den meisten Anfängern bei der Entwicklung von Strategien auf MQL5 begegnen. Es wird eine Reihe von Tipps, Tricks und Beispielen bieten, die dabei helfen, die Untauglichkeit eines EA zu erkennen und die Robustheit unserer eigenen EAs auf einfache Weise zu testen. Ziel ist es, die Leser aufzuklären und ihnen zu helfen, zukünftige Betrügereien beim Kauf von EAs zu vermeiden und Fehler bei der eigenen Strategieentwicklung zu verhindern.
Die Kursentwicklung kann durch die Identifizierung von Divergenzen effektiv analysiert werden, wobei technische Indikatoren wie der RSI wichtige Bestätigungssignale liefern. Im folgenden Artikel erläutern wir, wie eine automatisierte RSI-Divergenzanalyse Trendfortsetzungen und -umkehrungen erkennen kann und damit wertvolle Einblicke in die Marktstimmung bietet.
Soft Actor Critic ist ein Reinforcement Learning-Algorithmus, den wir bereits in einem früheren Artikel vorgestellt haben, in dem wir auch Python und ONNX als effiziente Ansätze für das Training von Netzwerken vorgestellt haben. Wir überarbeiten den Algorithmus mit dem Ziel, Tensoren, Berechnungsgraphen, die häufig in Python verwendet werden, zu nutzen.
Long Short-Term Memory (LSTM) ist eine Art rekurrentes neuronales Netz (RNN), das für die Modellierung sequenzieller Daten entwickelt wurde, indem es langfristige Abhängigkeiten effektiv erfasst und das Problem des verschwindenden Gradienten löst. In diesem Artikel werden wir untersuchen, wie LSTM zur Vorhersage zukünftiger Trends eingesetzt werden kann, um die Leistung von Trendfolgestrategien zu verbessern. Der Artikel behandelt die Einführung von Schlüsselkonzepten und die Motivation hinter der Entwicklung, das Abrufen von Daten aus dem MetaTrader 5, die Verwendung dieser Daten zum Trainieren des Modells in Python, die Integration des maschinellen Lernmodells in MQL5 und die Reflexion der Ergebnisse und zukünftigen Bestrebungen auf der Grundlage von statistischem Backtesting.
Der Market Facilitation Index ist ein weiterer Bill-Williams-Indikator, der die Effizienz der Preisbewegung in Verbindung mit dem Volumen messen soll. Wie immer betrachten wir die verschiedenen Muster dieses Indikators im Rahmen einer Assistentensignalklasse und präsentieren eine Vielzahl von Testberichten und Analysen zu den verschiedenen Mustern.
Das Marktgeschehen wird von den Kräften zwischen Bullen und Bären bestimmt. Es gibt bestimmte Niveaus, die der Markt aufgrund der auf ihn wirkenden Kräfte einhält. Fibonacci- und VWAP-Levels sind besonders wirkungsvoll, um das Marktverhalten zu beeinflussen. Begleiten Sie mich in diesem Artikel bei der Erforschung einer Strategie, die auf VWAP und Fibonacci-Levels zur Signalgenerierung basiert.
In diesem Artikel bauen wir einen Keltner-Kanal-Indikator mit nutzerdefinierten Canvas-Grafiken in MQL5. Wir erläutern die Integration von gleitenden Durchschnitten, ATR-Berechnungen und verbesserter Chartvisualisierung. Wir behandeln auch die Backtests, um die Leistung des Indikators für praktische Handelseinblicke zu bewerten.
MQL5 bietet unendlich viele Möglichkeiten, automatisierte Handelssysteme zu entwickeln, die auf Ihre Wünsche zugeschnitten sind. Wussten Sie, dass er sogar komplexe mathematische Berechnungen durchführen kann? In diesem Artikel stellen wir die japanische Heikin Ashi Technik als automatisierte Handelsstrategie vor.
In diesem Artikel unternehmen wir den zweiten Versuch, die Veränderungen des Preisniveaus auf einem beliebigen Markt in eine entsprechende Veränderung des Winkels umzuwandeln. Diesmal haben wir einen mathematisch anspruchsvolleren Ansatz gewählt als bei unserem ersten Versuch, und die Ergebnisse, die wir erhalten haben, legen nahe, dass unsere Änderung des Ansatzes die richtige Entscheidung war. Diskutieren Sie heute mit uns, wie wir Polarkoordinaten verwenden können, um den Winkel zu berechnen, der durch Veränderungen der Preisniveaus gebildet wird, und zwar auf sinnvolle Weise, unabhängig davon, welchen Markt Sie gerade analysieren.
In diesem Artikel automatisieren wir das Erkennen von Auftragsblöcken in MQL5 mithilfe der reinen Preisaktionsanalyse. Wir definieren Auftragsblöcke, implementieren ihre Erkennung und integrieren die automatische Handelsausführung. Schließlich führen wir einen Backtest der Strategie durch, um ihre Leistung zu bewerten.
Angesichts der rasanten Entwicklung der künstlichen Intelligenz sind Sprachmodelle (language models, LLMs) heute ein wichtiger Bestandteil der künstlichen Intelligenz, sodass wir darüber nachdenken sollten, wie wir leistungsstarke LLMs in unseren algorithmischen Handel integrieren können. Für die meisten Menschen ist es schwierig, diese leistungsstarken Modelle auf ihre Bedürfnisse abzustimmen, sie lokal einzusetzen und sie dann auf den algorithmischen Handel anzuwenden. In dieser Artikelserie werden wir Schritt für Schritt vorgehen, um dieses Ziel zu erreichen.
Erleben Sie eine Schritt-für-Schritt-Anleitung zur Erstellung eines nutzerdefinierten JSON-Parsers in MQL5, komplett mit Objekt- und Array-Handling, Fehlerprüfung und Serialisierung. Gewinnen Sie praktische Einblicke in die Verknüpfung Ihrer Handelslogik mit strukturierten Daten mit dieser flexiblen Lösung für den Umgang mit JSON in MetaTrader 5.
Meistern Sie die Macht des VWAP mit unserem umfassenden Leitfaden! Lernen Sie, wie Sie mit MQL5 und Python die VWAP-Analyse in Ihre Handelsstrategie integrieren können. Optimieren Sie Ihre Markteinblicke und verbessern Sie Ihre Handelsentscheidungen noch heute.
In diesem Artikel entwickeln wir ein System für die Strategie „Adaptive Crossover RSI Trading Suite“, das das Kreuzen der gleitende Durchschnitte mit Periodenlängen von 14 und 50 als Signale verwendet, die durch einen 14-periodischen RSI-Filter bestätigt werden. Das System umfasst einen Filter für den Handelstag, Signalpfeile mit Kommentaren und ein Echtzeit-Dashboard zur Überwachung. Dieser Ansatz gewährleistet Präzision und Anpassungsfähigkeit beim automatisierten Handel.
In diesem Artikel erstellen wir ein synthetisches Symbol mit Hilfe eines Generative Adversarial Network (GAN), das realistische Finanzdaten generiert, die das Verhalten tatsächlicher Marktinstrumente, wie z. B. EURUSD, nachahmen. Das GAN-Modell lernt Muster und Volatilität aus historischen Marktdaten und erstellt synthetische Preisdaten mit ähnlichen Merkmalen.
Die besten Praktiken, die festlegen, wie ein Indikator sicher zu verwenden ist, sind nicht immer leicht zu befolgen. Bei ruhigen Marktbedingungen kann der Indikator überraschenderweise Werte anzeigen, die nicht als Handelssignal gelten, was dazu führt, dass algorithmischen Händlern Chancen entgehen. In diesem Artikel wird eine mögliche Lösung für dieses Problem vorgeschlagen, da wir erörtern, wie Handelsanwendungen entwickelt werden können, die ihre Handelsregeln an die verfügbaren Marktdaten anpassen.
In diesem Artikel entwickeln wir ein mehrstufiges Zone Recovery System in MQL5, das den RSI zur Erzeugung von Handelssignalen nutzt. Jede Signalinstanz wird dynamisch zu einer Array-Struktur hinzugefügt, sodass das System mehrere Signale gleichzeitig innerhalb der Zonenwiederherstellungslogik verwalten kann. Mit diesem Ansatz zeigen wir, wie man komplexe Handelsverwaltungsszenarien effektiv handhabt und gleichzeitig einen skalierbaren und robusten Codeentwurf beibehält.
Entdecken Sie, wie man einen Expert Advisor (EA) in MQL5 entwickelt, der mehrere Indikatoren wie RSI, MA und Stochastik-Oszillator verwendet, um versteckte steigende und fallende Divergenzen zu erkennen. Lernen Sie, ein effektives Risikomanagement zu implementieren und den Handel zu automatisieren - mit detaillierten Beispielen und vollständig kommentiertem Quellcode für Ausbildungszwecke!
In diesem Artikel setzen wir unsere Untersuchung von Ensemblemodellen fort, indem wir das Konzept der Gates erörtern, insbesondere wie sie bei der Kombination von Modellergebnissen nützlich sein können, um entweder die Vorhersagegenauigkeit oder die Modellgeneralisierung zu verbessern.
Der erfolgreiche Einsatz des algorithmischen Handels erfordert kontinuierliches, interdisziplinäres Lernen. Die unendlichen Möglichkeiten können jedoch jahrelange Bemühungen verschlingen, ohne greifbare Ergebnisse zu liefern. Um dieses Problem zu lösen, schlagen wir einen Rahmen vor, der die Komplexität schrittweise einführt und es den Händlern ermöglicht, ihre Strategien iterativ zu verfeinern, anstatt sich für unbestimmte Zeit auf ungewisse Ergebnisse festzulegen.
Die Entwicklung DLL-freier Integrationen von Kryptowährungsbörsen war lange Zeit eine Herausforderung, aber diese Lösung bietet ein komplettes Framework für die direkte Marktanbindung.
Ein innovativer Ansatz zur Erfassung von Indikatorinformationen in MQL5 ermöglicht eine flexiblere und rationalisierte Datenanalyse, indem Entwickler nutzerdefinierte Eingaben an Indikatoren für sofortige Berechnungen weitergeben können. Dieser Ansatz ist besonders nützlich für den algorithmischen Handel, da er eine bessere Kontrolle über die von den Indikatoren verarbeiteten Informationen ermöglicht und über die traditionellen Beschränkungen hinausgeht.
Angesichts der rasanten Entwicklung der künstlichen Intelligenz sind Sprachmodelle (language models, LLMs) heute ein wichtiger Bestandteil der künstlichen Intelligenz, sodass wir darüber nachdenken sollten, wie wir leistungsstarke LLMs in unseren algorithmischen Handel integrieren können. Für die meisten Menschen ist es schwierig, diese leistungsstarken Modelle auf ihre Bedürfnisse abzustimmen, sie lokal einzusetzen und sie dann auf den algorithmischen Handel anzuwenden. In dieser Artikelserie werden wir Schritt für Schritt vorgehen, um dieses Ziel zu erreichen.
In diesem Artikel wird eine neue Dimension der Analyse unter Verwendung externer Bibliotheken untersucht, die speziell für fortgeschrittene Analysen entwickelt wurden. Diese Bibliotheken, wie z. B. Pandas, bieten leistungsstarke Werkzeuge für die Verarbeitung und Interpretation komplexer Daten, die es Händlern ermöglichen, tiefere Einblicke in die Marktdynamik zu gewinnen. Durch die Integration solcher Technologien können wir die Lücke zwischen Rohdaten und umsetzbaren Strategien schließen. Begleiten Sie uns, wenn wir den Grundstein für diesen innovativen Ansatz legen und das Potenzial der Kombination von Technologie und Handelskompetenz erschließen.
In diesem Artikel zeige ich Ihnen die grundlegenden Dateioperationen und wie Sie einen flexiblen Handler zur Anpassung konfigurieren. Wir werden die Klasse CLogifyHandlerFile aktualisieren, um Protokolle direkt in die Datei zu schreiben. Wir werden einen Leistungstest durchführen, indem wir eine Strategie für EURUSD eine Woche lang simulieren und bei jedem Tick Protokolle erstellen, mit einer Gesamtzeit von 5 Minuten und 11 Sekunden. Das Ergebnis wird in einem zukünftigen Artikel verglichen, in dem wir ein Caching-System zur Verbesserung der Leistung implementieren werden.
Nutzen Sie das Potenzial der Multi-Timeframe-Analyse mit „Signal Pulse“, einem MQL5 Expert Advisor, der Bollinger Bänder und den Stochastik Oszillator integriert, um präzise, hochwahrscheinliche Handelssignale zu liefern. Erfahren Sie, wie Sie diese Strategie umsetzen und Kauf- und Verkaufschancen mithilfe von nutzerdefinierten Pfeilen effektiv visualisieren können. Ideal für Händler, die ihr Urteilsvermögen durch automatisierte Analysen über mehrere Zeitrahmen hinweg verbessern möchten.
Hidden Markov Modelle (HMM) sind leistungsstarke statistische Instrumente, die durch die Analyse beobachtbarer Kursbewegungen die zugrunde liegenden Marktzustände identifizieren. Im Handel verbessern HMM die Volatilitätsprognose und liefern Informationen für Trendfolgestrategien, indem sie Marktverschiebungen modellieren und antizipieren. In diesem Artikel stellen wir das vollständige Verfahren zur Entwicklung einer Trendfolgestrategie vor, die HMM zur Prognose der Volatilität als Filter einsetzt.
In diesem Artikel werden wir das Konzept der Handler in der Logging-Bibliothek erkunden, verstehen, wie sie funktionieren, und drei erste Implementierungen erstellen: Konsole, Datenbank und Datei. Wir werden alles von der grundlegenden Struktur der Handler bis hin zu praktischen Tests behandeln, um den Boden für ihre volle Funktionalität in zukünftigen Artikeln zu bereiten.
In dieser Artikelserie werden verschiedene Methoden zur Kennzeichnung (labeling) von Zeitreihen vorgestellt, mit denen Daten erstellt werden können, die den meisten Modellen der künstlichen Intelligenz entsprechen. Eine gezielte und bedarfsgerechte Kennzeichnung von Daten kann dazu führen, dass das trainierte Modell der künstlichen Intelligenz besser mit dem erwarteten Design übereinstimmt, die Genauigkeit unseres Modells verbessert wird und das Modell sogar einen qualitativen Sprung machen kann!
In dieser Artikelserie werden verschiedene Methoden zur Kennzeichnung von Zeitreihen vorgestellt, mit denen Daten erstellt werden können, die den meisten Modellen der künstlichen Intelligenz entsprechen. Eine gezielte und bedarfsgerechte Kennzeichnung von Daten kann dazu führen, dass das trainierte Modell der künstlichen Intelligenz besser mit dem erwarteten Design übereinstimmt, die Genauigkeit unseres Modells verbessert wird und das Modell sogar einen qualitativen Sprung machen kann!
