Dieser Artikel befasst sich mit der Anwendung eines Break-Even-Mechanismus in automatisierten Strategien, die die Sprache MQL5 verwenden. Wir beginnen mit einer einfachen Erklärung, was der Break-Even-Modus ist, wie er umgesetzt wird und welche Varianten möglich sind. Als Nächstes wird diese Funktionalität in den Expert Advisor Order Blocks integriert, den wir in unserem letzten Artikel über Risikomanagement erstellt haben. Um seine Wirksamkeit zu bewerten, werden wir zwei Backtests unter bestimmten Bedingungen durchführen: einen mit und einen ohne Break-Even-Mechanismus.
Zweifellos wird dieser Artikel einen erheblichen Teil Ihrer Zeit in Anspruch nehmen, um zu verstehen, wie und warum das hier vorgestellte Material funktioniert. Denn alles, was hier gezeigt wird, orientiert sich zunächst an der objektorientierten Programmierung, basiert aber tatsächlich auf den Prinzipien der strukturierten Programmierung.
Der Artikel widmet sich der ereignisgesteuerten Architektur in MQL5 und beschreibt den Übergang vom monolithischen OnTick-Modell zur verteilten Verarbeitung. Wir werden uns mit vordefinierten und nutzerdefinierten Ereignissen, Diensten und Nachrichtenaustausch zwischen Programmen sowie mit häufigen Architekturfehlern befassen. Ein praktisches Beispiel zeigt, wie die Interaktionen zwischen Indikatoren und einem EA organisiert werden können, um die Last zu verringern, die Lesbarkeit zu verbessern und die Wartung zu vereinfachen.
Im heutigen Artikel zeigen wir, wie man an die Lösung von Problemen herangeht, die mit der Strukturierung verschiedener Elemente zusammenhängen, und wie man einfachere und ansprechendere Lösungen entwickelt. Obwohl der Inhalt auf das Lernen ausgerichtet ist und daher keinen Produktionscode darstellt, ist es wichtig, die Konzepte und das Wissen, das hier behandelt wird, gründlich zu verstehen. Auf diese Weise werden wir in Zukunft in der Lage sein, dem von uns vorgelegten Code zu folgen.
Der Artikel stellt einen systematischen Ansatz für den Handel mit Nachrichten in MetaTrader 5 unter Verwendung des integrierten Wirtschaftskalenders vor: Datenstruktur, API-Funktionen, Zeitsynchronisationsregeln und Ereignisfilterung. Es werden Methoden zur Zwischenspeicherung und inkrementellen Aktualisierung ohne Überlastung des Servers beschrieben. Der Artikel beschreibt außerdem einen funktionsfähigen Mechanismus für den Export historischer Ereignisse in eine .EX5-Ressource für deterministische Tests mit demselben Algorithmus.
Der Artikel stellt eine minimale arbeitsfähige Grundausstattung für die Führung eines Handelsjournals in MQL5 unter Verwendung von SQLite vor: eine Tabellenstruktur für Trades, Signale und Ereignisse, Indizes, vorbereitete Anweisungen und Trades sowie analytische Standard-SQL-Abfragen. Die Integration mit dem Statistik-Dashboard in MetaTrader 5 und das Arbeiten mit der Datenbank über MetaEditor werden demonstriert. Dieser Ansatz ermöglicht es, das Journal zu automatisieren, Berechnungen zu beschleunigen und Analysen durchzuführen, ohne den EA-Code zu verkomplizieren.
Hierbei handelt es sich um einen verbesserten chaotischen Optimierungsalgorithmus (COA), der die Effekte des Chaos mit adaptiven Suchmechanismen kombiniert. Der Algorithmus verwendet eine Reihe von chaotischen Abbildungen und Trägheitskomponenten, um den Suchraum zu erkunden. Der Artikel erläutert die theoretischen Grundlagen chaotischer Verfahren zur Finanzoptimierung.
Dieser Artikel befasst sich mit der praktischen Anwendung des L1-Trendfilters im MetaTrader 5, wobei sowohl die mathematischen Grundlagen als auch die Verwendung in MQL5-Programmen behandelt werden. Der L1-Filter ermöglicht die Extraktion stückweise linearer Trends, die die wesentliche Marktstruktur erhalten und gleichzeitig das Kursrauschen reduzieren. Die Studie analysiert die Skalierung der Parameter, das Verhalten der Trendschätzung und die Integration der Methode in algorithmische Handelsstrategien. Experimentelle Ergebnisse zeigen, wie der L1-Trendfilter die Signalstabilität, das Handels-Timing und die allgemeine Robustheit von Handelssystemen verbessern kann.
In diesem Artikel werden wir untersuchen, wie man sogenannten strukturierten Code erstellt, bei dem der gesamte Kontext und die Methoden zur Manipulation von Variablen und Informationen in eine Struktur eingebettet sind, um einen geeigneten Kontext für die Implementierung beliebiger Programmteile zu schaffen. Daher werden wir die Notwendigkeit untersuchen, einen privaten Bereich des Codes zu verwenden, um zu trennen, was öffentlich ist und was nicht, um so die Regel der Kapselung einzuhalten und den Kontext zu bewahren, für den die Datenstruktur erstellt wurde.
In diesem Artikel werden wir untersuchen, was strukturierter Code ist. Viele Leute verwechseln strukturierten Code mit organisiertem Code, aber es gibt einen Unterschied zwischen diesen beiden Konzepten. Genau darum geht es in diesem Artikel. Trotz der offensichtlichen Komplexität, die Sie vielleicht empfinden, wenn Sie dieser Art des Codierens zum ersten Mal begegnen, habe ich versucht, das Thema so einfach wie möglich anzugehen. Dieser Artikel ist jedoch nur der erste Schritt zu etwas Größerem.
In diesem Artikel werden wir das in früheren Veröffentlichungen entwickelte Risikomanagementsystem implementieren und den in anderen Artikeln beschriebenen Order-Block-Indikator hinzufügen. Darüber hinaus werden wir einen Backtest durchführen, um die Ergebnisse mit dem aktivierten Risikomanagementsystem zu vergleichen und die Auswirkungen des dynamischen Risikos zu bewerten.
Dies ist Teil 4 unserer Serie über Risikomanagement in MQL5, in der wir fortgeschrittene Methoden zum Schutz und zur Optimierung von Handelsstrategien erforschen. Nachdem wir in früheren Artikeln wichtige Grundlagen gelegt haben, werden wir uns nun darauf konzentrieren, alle verbleibenden, in Teil 3 verschobenen Methoden zu vervollständigen, einschließlich der Funktionen zur Überprüfung, ob bestimmte Gewinn- oder Verlustniveaus erreicht wurden. Ferner werden wir neue Schlüsselereignisse einführen, die ein genaueres und flexibleres Risikomanagement ermöglichen.
In diesem Artikel werden wir uns ansehen, wie man bestimmte Probleme und Fragen lösen kann, die bei der Verwendung von Python-Code in anderen Programmen auftreten. Insbesondere werden wir ein häufiges Problem demonstrieren, das bei der Verwendung von Excel in Verbindung mit MetaTrader 5 auftritt, obwohl wir Python verwenden werden, um diese Interaktion zu erleichtern. Diese Umsetzung hat jedoch einen kleinen Nachteil. Dies trifft nicht in allen Fällen zu, sondern nur in bestimmten Situationen. Wenn es dazu kommt, muss man die Ursache verstehen. Im heutigen Artikel werden wir zunächst erklären, wie dieses Problem gelöst werden kann.
Die Marktregeln entwickeln sich ständig weiter, und viele einst verlässliche Grundsätze verlieren allmählich ihre Wirksamkeit. Was in der Vergangenheit funktioniert hat, funktioniert auf Dauer nicht mehr. Die heutige Diskussion konzentriert sich auf die Wahrscheinlichkeitsbereiche und darauf, wie diese zur Steuerung von Marktunregelmäßigkeiten genutzt werden können. Wir werden MQL5 nutzen, um einen Algorithmus zu entwickeln, der in der Lage ist, selbst unter den unruhigsten Marktbedingungen effektiv zu handeln. Nehmen Sie an dieser Diskussion teil und erfahren Sie mehr.
In dieser Diskussion werden wir einen Indikator entwickeln, um Preiszonen zu identifizieren, die durch starke Marktaktivitäten entstehen, wie z. B. impulsive Bewegungen, Strukturverschiebungen und Liquiditätsereignisse. Diese Zonen stellen Bereiche dar, in denen der Markt aufgrund nicht ausgeführter Aufträge oder rascher Preisverschiebungen einen „Speicher“ verlassen hat. Durch die Markierung dieser Regionen auf dem Chart hebt der Indikator hervor, wo der Preis statistisch gesehen mit größerer Wahrscheinlichkeit in der Zukunft wieder auftauchen und reagieren wird.
Dieser Artikel stellt einen sitzungsbasierten Analyseansatz vor, der zeitlich definierte Marktsitzungen mit dem Candle Pressure Index (CPI) kombiniert, um anhand von Schlusskursdaten und klar definierten Regeln das Annahme- und Ablehnungsverhalten an Sitzungsgrenzen zu klassifizieren.
Dieser Artikel befasst sich mit der Entwicklung einer algorithmischen Handelsstrategie für den EURUSD-Markt, die die Bollinger-Bänder und den Relative Strength Indicator (RSI) kombiniert. Die ersten regelbasierten Strategien lieferten zwar hochwertige Signale, litten aber unter einer geringen Handelsfrequenz und begrenzter Rentabilität. Mehrere Iterationen der Strategie wurden evaluiert, wobei sich herausstellte, dass unser Verständnis des Marktes unzureichend war, das Rauschen zunahm und die Leistung sich verschlechterte. Durch den angemessenen Einsatz statistischer Lernalgorithmen, die Verlagerung des Modellierungsziels auf technische Indikatoren, die Anwendung einer angemessenen Skalierung und die Kombination von maschinellen Lernprognosen mit klassischen Handelsregeln erzielte die endgültige Strategie eine deutlich verbesserte Rentabilität und Handelshäufigkeit bei gleichzeitig akzeptabler Signalqualität.
Dieser Artikel stellt einen strukturierten Weg zur Verwaltung von SQLite-Daten in MQL5 durch eine ORM-Schicht für MetaTrader 5 vor. Es führt Kernklassen für die Entitätsmodellierung und den Datenbankzugriff ein, eine flüssige CRUD-API, Reflection Hooks für OnGet/OnSet und Makros zur schnellen Definition von Modellen. Der praxisnahe Code zeigt das Erstellen von Tabellen, das Binden von Feldern, Einfügen, Aktualisieren, Abfragen und Löschen von Datensätzen. Entwickler erhalten wiederverwendbare, typsichere Komponenten, die wiederholtes SQL auf ein Minimum reduzieren.
In diesem Artikel stellen wir eine MQL5-Bibliothek für die Modellierung von Volatilität vor, die ähnlich wie das Arch-Paket von Python funktioniert. Die Bibliothek unterstützt derzeit die Spezifikation gängiger bedingter Mittelwert- (HAR, AR, Constant Mean, Zero Mean) und bedingter Volatilitätsmodelle (Constant Variance, ARCH, GARCH).
Dieser Artikel zeigt auf, wie der stochastische Oszillator, ein klassischer technischer Indikator, über seine herkömmliche Verwendung als Instrument der Rückkehr zum Mittelwert hinaus umfunktioniert werden kann. Indem wir den Indikator durch eine andere analytische Linse betrachten, zeigen wir, wie vertraute Strategien neuen Wert schaffen und alternative Handelsregeln unterstützen können, einschließlich trendfolgender Interpretationen. Letztlich zeigt der Artikel auf, wie jeder technische Indikator im Terminal MetaTrader 5 ungenutztes Potenzial birgt und wie durch aufmerksames Ausprobieren sinnvolle Interpretationen aufgedeckt werden können, die nicht sichtbar sind.
In dieser Diskussion stellen wir ein strukturiertes, mehrschichtiges Verteidigungssystem vor, das darauf ausgelegt ist, aggressive Gewinnziele zu verfolgen und gleichzeitig das Risiko katastrophaler Verluste zu minimieren. Der Schwerpunkt liegt auf der Verbindung einer offensiven Handelslogik mit Schutzmaßnahmen auf jeder Ebene der Handelskette. Die Idee ist, einen EA zu entwickeln, der sich wie ein „risikobewusstes Raubtier“ verhält – fähig, hochwertige Gelegenheiten zu ergreifen,jedoch stets mit einem mehrschichtigen Schutz, um zu verhindern, dass man von plötzlichen Marktturbulenzen überrascht wird.
Dieses Thema befasst sich mit dem Aufbau einer Adaptive Smart Money Architecture (ASMA) – einem intelligenten Expert Advisor, der Smart-Money-Konzepte (Orderblöcke, Strukturbrüche, Fair-Value-Gaps) mit der Marktstimmung in Echtzeit kombiniert, um automatisch die beste Handelsstrategie in Abhängigkeit von den aktuellen Marktbedingungen auszuwählen.
Selbstüberwachtes Lernen ist ein leistungsstarkes Paradigma des statistischen Lernens, das nach Überwachungssignalen sucht, die aus den Beobachtungen selbst generiert werden. Mit diesem Ansatz werden schwierige Probleme des unüberwachten Lernens in vertrautere überwachte Probleme umgewandelt. Diese Technologie hat Anwendungen für unser Ziel als Gemeinschaft von algorithmischen Händlern übersehen. Unsere Diskussion zielt daher darauf ab, dem Leser eine leicht verständliche Brücke in das offene Forschungsgebiet des selbstüberwachten Lernens zu schlagen und bietet praktische Anwendungen, die robuste und zuverlässige statistische Modelle der Finanzmärkte ohne Überanpassung an kleine Datensätze liefern.
In diesem Artikel wird die klassische Strategie des Kreuzens von gleitenden Durchschnitten wieder aufgegriffen und untersucht, warum sie in bewegten, schnelllebigen Märkten oft scheitert. Es werden fünf alternative Filtermethoden vorgestellt, die die Signalqualität verbessern und schwache oder unrentable Handelsgeschäfte entfernen sollen. Die Diskussion zeigt, wie statistische Modelle lernen und Fehler korrigieren können, die der menschlichen Intuition und traditionellen Regeln entgehen. Die Leser erhalten ein besseres Verständnis dafür, wie man eine veraltete Strategie modernisieren kann und welche Fallstricke es gibt, wenn man sich bei der Finanzmodellierung ausschließlich auf Kennzahlen wie den RMSE verlässt.
In dieser Sitzung werden wir einen ausgeklügelten Multi-Signal-Expert Advisor unter Verwendung der MQL5-Standardbibliothek erstellen. Dieser Ansatz ermöglicht es uns, integrierte Signale nahtlos mit unserer eigenen Logik zu kombinieren und so einen leistungsstarken und flexiblen Handelsalgorithmus zu entwickeln. Klicken Sie hier, um mehr zu erfahren.
Analytical Volume Profile Trading (AVPT) untersucht, wie die Liquiditätsarchitektur und das Marktgedächtnis das Preisverhalten beeinflussen, und ermöglicht so einen tieferen Einblick in die institutionelle Positionierung und die volumengesteuerte Struktur. Durch die Zuordnung von POC, HVNs, LVNs und Value Areas können Händler Annahme-, Ablehnungs- und Ungleichgewichtszonen präzise identifizieren.
Gamma und Delta wurden ursprünglich als Risikomanagement-Tools zur Absicherung von Optionsrisiken entwickelt, entwickelten sich aber im Laufe der Zeit zu leistungsstarken Instrumenten für fortgeschrittenes Scalping, Orderflow-Modellierung und Mikrostrukturhandel. Heute dienen sie als Echtzeit-Indikatoren für die Preisempfindlichkeit und das Liquiditätsverhalten und ermöglichen es den Händlern, kurzfristige Schwankungen mit bemerkenswerter Präzision zu antizipieren.
Dieser Artikel zeigt, wie man mit MetaTrader 5 automatisch potenziell profitable Handelsstrategien identifizieren kann. White-Box-Lösungen, die auf unüberwachter Matrixfaktorisierung beruhen, sind schneller zu konfigurieren, leichter zu interpretieren und bieten eine klare Anleitung, welche Strategien beibehalten werden sollen. Black-Box-Lösungen sind zwar zeitaufwändiger, eignen sich aber besser für komplexe Marktbedingungen, die mit White-Box-Ansätzen nicht erfasst werden können. Diskutieren Sie mit uns, wie unsere Handelsstrategien uns helfen können, unter allen Umständen profitable Strategien zu identifizieren.
Dieser Artikel richtet sich an algorithmische Händler, quantitative Analysten und MQL5-Entwickler, die ihr Verständnis für die Erkennung von Kerzenmustern durch praktische Umsetzung verbessern möchten. Es bietet eine eingehende Untersuchung des CandlePatternSearch.mq5 Expert Advisor – ein komplettes Framework zur Erkennung, Visualisierung und Überwachung klassischer Kerzenmuster in MetaTrader 5. Neben einer Zeile-für-Zeile-Überprüfung des Codes erörtert der Artikel die Architektur, die Logik zur Mustererkennung, die Integration in die grafische Nutzeroberfläche und die Warnmechanismen und zeigt, wie die traditionelle Preis-Aktions-Analyse effizient automatisiert werden kann.
Alle algorithmischen Handelsstrategien sind, unabhängig von ihrer Komplexität, schwierig einzurichten und zu pflegen – eine Herausforderung für Anfänger und Experten gleichermaßen. In diesem Artikel wird ein Ensemble-Rahmenwerk vorgestellt, in dem überwachte Modelle und menschliche Intuition zusammenarbeiten, um ihre gemeinsamen Einschränkungen zu überwinden. Indem wir eine Kanalstrategie mit gleitendem Durchschnitt mit einem Ridge-Regressionsmodell für dieselben Indikatoren abgleichen, erreichen wir eine zentralisierte Kontrolle, eine schnellere Selbstkorrektur und die Rentabilität von ansonsten unrentablen Systemen.
Vielen Händlern fällt es schwer, echte Umkehrungen zu erkennen. Dieser Artikel stellt einen EA vor, der RVGI, CCI (±100) und einen SMA-Trendfilter kombiniert, um ein einziges klares Umkehrsignal zu erzeugen. Der EA enthält ein On-Chart-Panel, konfigurierbare Warnungen und die vollständige Quelldatei zum sofortigen Herunterladen und Testen.
Nehmen Sie an unserer Diskussion teil, in der wir nach weiteren Verbesserungen für unsere Strategie des Kreuzens von gleitenden Durchschnitten suchen, um die Verzögerung in unserer Handelsstrategie durch den Einsatz unserer Kompetenzen im Bereich Data Science auf ein zuverlässigeres Niveau zu reduzieren. Es ist eine gut untersuchte Tatsache, dass die Projektion Ihrer Daten in höhere Dimensionen manchmal die Leistung Ihrer Machine-Learning-Modelle verbessern kann. Wir zeigen Ihnen, was dies für Sie als Händler konkret bedeutet, und veranschaulichen, wie Sie dieses leistungsstarke Prinzip mit Ihrem MetaTrader 5-Terminal für sich nutzen können.
Im zweiten Teil der Serie diskutieren wir die Eigenschaften bivariater archimedischer Copulae und ihre Implementierung in MQL5. Wir untersuchen auch die Anwendung von Copulae bei der Entwicklung einer einfachen Paarhandelsstrategie.
Dieser Artikel hilft neuen Community-Mitgliedern, ihre eigenen Kerzenmuster zu suchen und zu entdecken. Die Beschreibung dieser Muster kann entmutigend sein, da sie eine manuelle Suche und kreative Identifizierung von Verbesserungen erfordert. Hier stellen wir die Engulfing-Kerzen vor und zeigen, wie es für profitablere Handelsanwendungen verbessert werden kann.
Dieser Teil befasst sich mit der Entwicklung eines dynamischen Multi-Pair Expert Advisors, der in der Lage ist, sich zwischen den Modi Scalping und Swing Trading anzupassen. Sie deckt die strukturellen und algorithmischen Unterschiede bei der Signalerzeugung, der Handelsausführung und dem Risikomanagement ab und ermöglicht es dem EA, Strategien auf der Grundlage des Marktverhaltens und der Nutzereingaben intelligent zu wechseln.
In dieser Diskussion konzentrieren wir uns auf die Frage, wie wir die gläserne Decke durchbrechen können, die uns die klassischen Techniken des maschinellen Lernens im Finanzbereich auferlegen. Es scheint, dass die größte Einschränkung für den Wert, den wir aus statistischen Modellen ziehen können, nicht in den Modellen selbst liegt – weder in den Daten noch in der Komplexität der Algorithmen – sondern vielmehr in der Methodik, mit der wir sie anwenden. Mit anderen Worten: Der wahre Engpass kann darin liegen, wie wir das Modell einsetzen, und nicht in der eigentlichen Fähigkeit des Modells.
In dieser Diskussion werden wir einen Expert Advisor entwickeln, der die Klassen CTrade und CStdDevChannel verwendet und dabei mehrere Filter zur Verbesserung der Rentabilität anwendet. In dieser Phase wird unsere vorherige Diskussion in die Praxis umgesetzt. Außerdem werde ich einen weiteren einfachen Ansatz vorstellen, der Ihnen helfen soll, die MQL5-Standardbibliothek und die ihr zugrunde liegende Codebasis besser zu verstehen. Nehmen Sie an der Diskussion teil, um diese Konzepte in der Praxis zu erkunden.
Vereinfachen Sie Ihre MetaTrader 5 Charts mit dem Multi Indicator Handler EA. Dieses interaktive Dashboard fasst Trend-, Momentum- und Volatilitätsindikatoren in einem Echtzeit-Panel zusammen. Wechseln Sie im Handumdrehen zwischen den Profilen und konzentrieren Sie sich auf die Analyse, die Sie am meisten benötigen. Mit den Ein-Klick-Steuerelementen zum Ausblenden/Einblenden können Sie sich auf die Kursentwicklung konzentrieren. Lesen Sie weiter, um Schritt für Schritt zu erfahren, wie Sie es in MQL5 selbst erstellen und anpassen können.
In diesem Artikel wird der „Multi-Timeframe Harmony Index“ vorgestellt – ein fortschrittlicher Expert Advisor für MetaTrader 5, der einen gewichteten Bias aus mehreren Timeframes berechnet, die Messwerte mithilfe des EMA glättet und die Ergebnisse in einem übersichtlichen Dashboard anzeigt. Es umfasst anpassbare Warnungen und automatische Kauf-/Verkaufssignale bei Überschreiten von Schwellenwerten für starke Verzerrungen. Geeignet für Händler, die Multi-Timeframe-Analysen nutzen, um ihre Einstiege an der allgemeinen Marktstruktur auszurichten.
In diesem Artikel werden wir untersuchen, wie man die Implementierung einer gemeinsamen strukturellen Codebasis angehen kann. Ziel ist es, den Programmieraufwand zu verringern und das volle Potenzial der Programmiersprache selbst – in diesem Fall MQL5 – zu nutzen.
