Dieser Artikel stellt ein adaptives System zur Erkennung paralleler Kanäle und den Ausbrüchen daraus in MQL5 vor. Darin wird erläutert, wie Swing-Punkte ermittelt, Kanäle konstruiert und dynamisch neu berechnet werden und wie Ausbrüche durch persistente Signale bestätigt und visualisiert werden. Das Framework vereint Trendliniengeometrie, ATR-basierte Filterung und Retest-Validierung, um eine zuverlässige Kursanalyse in Echtzeit für professionelle Chartanalysen und Handelsentscheidungen zu ermöglichen.
Wir haben ein System entwickelt, das ein tägliches Handelslimit durchsetzt, damit Sie Ihre Handelsregeln einhalten können. Es überwacht alle über das Konto ausgeführten Trades und greift automatisch ein, sobald das festgelegte Limit erreicht ist, wodurch weitere Aktivitäten verhindert werden. Durch die direkte Integration der Kontrollmechanismen in die Plattform stellt das System sicher, dass die Disziplin auch bei steigendem Marktdruck gewahrt bleibt.
Lassen Sie uns besprechen, wie wir unsere Expert Advisors mithilfe von Text-to-Speech-Technologie sprachfähig machen können, indem wir Python und MQL5 kombinieren. Nachdem Sie diesen Artikel gelesen haben, verfügen Sie über ein funktionierendes Beispiel für einen EA, der dynamische Marktinformationen ausgibt. Sie werden den Einsatz von TTS und der WebRequest-Funktion beherrschen und lernen, wie sich Python-Bibliotheken in die Sprache MQL5 integrieren lassen, um ein wirklich sprachunterstütztes Trading-Tool zu entwickeln.
In diesem Beitrag werden wir Swing Extremes und den Indikator für Rücksetzer automatisieren, der die rohe Kursbewegung in niedrigeren Zeitrahmen (LTF) in eine strukturierte Darstellung der Marktrichtung umwandelt und dabei Swing-Hochs, Swing-Tiefs und Korrekturphasen in Echtzeit präzise identifiziert. Durch die programmatische Verfolgung von Veränderungen in der Mikrostruktur antizipiert es potenzielle Umkehrungen, bevor diese sich vollständig entfalten – und verwandelt so Rauschen in handlungsrelevante Erkenntnisse.
Wir setzen das Konzept des EMA-50-Retests in einen verhaltensgesteuerten Expert Advisor für den Intraday-Handel um. Die Studie formalisiert Trendrichtung, EMA-Interaktionen (Pierce-and-Close), Reaktionsbestätigungen und optionale Filter und implementiert diese anschließend in MQL5 mithilfe modularer Funktionen und ressourcensicherer Handles. Durch visuelle Tests im Strategy Tester wird die Richtigkeit der Signale überprüft. Das Ergebnis ist eine übersichtliche Vorlage für die Codierung diskretionär gehandelter Abpraller.
Dieser Artikel verwandelt Market Memory Zones von einem reinen Chart-Konzept in einen vollwertigen MQL5-Expert Advisor. Das System automatisiert die Erkennung von Displacement-Zonen, Strukturübergängen (CHoCH) und Liquidity Sweep-Zonen mithilfe von ATR- und Kerzenstruktur-Filtern, wendet eine Bestätigung auf einem niedrigeren Zeitrahmen an und sorgt für eine risikobasierte Positionsgrößenbestimmung mit dynamischen Stop-Loss- und strukturbasierten Take-Profit-Zielen. Sie erhalten die Code-Architektur für die Erkennung, die Einstiegspunkte, das Handelsmanagement und die Visualisierung sowie eine kurze Auswertung über den Backtest.
Der Artikel erweitert eine liquiditätsbasierte Strategie um einen einfachen Trendfilter: Liquiditätszonen sollen nur in Richtung des EMA(50) gehandelt werden. Darin werden Filterregeln erläutert, die wiederverwendbare Klasse „TrendFilter.mqh“ sowie die EA-Integration in MQL5 vorgestellt und Tests mit und ohne Filter miteinander verglichen. Die Leser profitieren von einer klaren Trendorientierung, weniger übermäßigen Handelsaktivitäten in Gegentrendphasen und einsatzbereiten Quelldateien.
Der Indikator basiert auf der Marktstruktur niedrigerer Zeitrahmen und wird anschließend im höheren Zeitrahmen eingeordnet. Er erkennt Swing-Extreme, bei denen der Kurs statistisch gesehen anfällig für eine Trendumkehr wird. Er visualisiert Überdehnungs- und Rücksetzerbereiche und bietet so einen frühen Einblick in das Mean-Reversion-Verhalten.
Im neuesten Teil dieser Reihe gehen wir über einzelne Techniken des maschinellen Lernens hinaus und befassen uns mit dem Forschungschaos, unter dem viele quantitative Trader leiden. Im Mittelpunkt dieses Artikels steht der Übergang von Ad-hoc-Experimenten in Notebooks zu einer klar strukturierten, produktionsreifen Pipeline, die Reproduzierbarkeit, Nachvollziehbarkeit und Effizienz gewährleistet.
Der Artikel erweitert unser Copula-Toolkit um gemischte Copulas, die nativ in MQL5 implementiert sind. Wir konstruieren aus Clayton–Frank–Gumbel und Clayton–Student–t–Gumbel gemischte Copula-Modelle, schätzen diese mittels EM und ermöglichen eine Sparsitätskontrolle durch SCAD mit Kreuzvalidierung. Die bereitgestellten Skripte optimieren Hyperparameter, vergleichen Mischmodelle anhand von Informationskriterien und speichern bereits trainierte Modelle. Anwender können diese Komponenten nutzen, um asymmetrische Tail-Abhängigkeit zu erfassen und das ausgewählte Modell in Indikatoren oder Expert Advisors einzubinden.
Wir stellen ein Tool zur Erkennung von Ausbrüchen aus schrägen Trendlinien vor, das auf einer Validierung anhand von drei Swings basiert, um objektive Signale aus der Price‑Action zu generieren. Das System automatisiert die Erkennung von Swings, die Erstellung von Trendlinien und die Bestätigung von Ausbrüchen anhand einer Kreuzungslogik, um Störsignale zu reduzieren und die Ausführung zu standardisieren. Der Artikel erläutert die Strategievorgaben, zeigt die MQL5-Implementierung und gibt einen Überblick über die Testergebnisse; das Tool ist für die Analyse und die Bestätigung von Signalen gedacht, nicht für den automatisierten Handel.
Wir stellen einen regelbasierten Ansatz für Trendlinien vor, der Indikator-Pivots vermeidet und geordnete Swings nutzt, die direkt aus unverarbeiteten Kursdaten abgeleitet werden. Der Artikel behandelt die Swing-Erkennung, die Bewertung der Swing-Größe mittels ATR oder fester Schwellenwerte sowie die Validierung von Aufwärts- und Abwärtsstrukturen und setzt diese Regeln anschließend in MQL5 mit einer Darstellung ohne Repainting und selektiver Anzeige um. Sie erhalten eine klare, reproduzierbare Methode zur Ermittlung struktureller Unterstützungs- und Widerstandsniveaus, die über verschiedene Marktbedingungen hinweg tragfähig bleibt.
Disziplin wird dann zuverlässig, wenn sie durch die Gestaltung des Systems und nicht durch Willenskraft entsteht. Mithilfe von MQL5 implementiert der Artikel Echtzeit-Beschränkungen – Obergrenzen für die Handelshäufigkeit und tägliche, auf dem Eigenkapital basierende Stopps –, die das Verhalten überwachen und bei Verstößen Maßnahmen auslösen. Die Leser erhalten eine praktische Vorlage für Steuerungsebenen, die die Umsetzung unter Marktdruck stabilisieren.
Bei der Untersuchung einer Vielzahl von Breakout-Setups ist mir aufgefallen, dass gescheiterte Breakouts selten auf mangelnde Volatilität zurückzuführen waren, sondern häufiger auf eine schwache interne Struktur. Diese Beobachtung führte zu dem in diesem Artikel vorgestellten Rahmenkonzept. Der Ansatz identifiziert Muster, bei denen das letzte Kurssegment eine überdurchschnittliche Länge, Steilheit und Geschwindigkeit aufweist – eindeutige Anzeichen für den Aufbau von Momentum im Vorfeld einer gerichteten Ausweitung. Indem sie diese subtilen geometrischen Ungleichgewichte innerhalb der Konsolidierungsphase erkennen, können Trader Ausbrüche mit höherer Wahrscheinlichkeit antizipieren, bevor der Kurs die Konsolidierungsspanne verlässt. Lesen Sie weiter, um zu erfahren, wie dieses auf Fraktalen basierende geometrische Modell strukturelle Ungleichgewichte in präzise Ausbruchsignale umsetzt.
In diesem Artikel zeigen wir, wie man mithilfe von CCanvas aus der MQL5-Standardbibliothek ein Tool zur Visualisierung von Positionsdaten erstellt. Dieses Projekt vertieft Ihre Kenntnisse im Umgang mit Bibliotheksmodulen und bietet Händlern gleichzeitig ein praktisches Werkzeug, um offene Positionen direkt in einem Live-Chart zu visualisieren und mit ihnen zu interagieren. Nehmen Sie an der Diskussion teil, um mehr zu erfahren.
In diesem Artikel wird gezeigt, wie man in MQL5 abgerundete Sprechblasen erstellt, indem man ein abgerundetes Rechteck mit einem Zeigerdreieck kombiniert und die Ausrichtung (nach oben, unten, links, rechts) steuert. Darin werden die Vorberechnung der Geometrie, das Füllen mit Supersampling zur Kantenglättung, abgerundete Bögen an der Zeigerspitze sowie segmentierte Umrandungen mit einem Erweiterungsverhältnis für nahtlose Übergänge detailliert beschrieben. Leser erhalten konfigurierbaren Code für Größe, Radien, Farben, Deckkraft und Strichstärke, der sich direkt für Warnmeldungen oder Tooltips in Handelsoberflächen einsetzen lässt.
Der Artikel stellt eine vollständige Python-MQL5-Integration für den Multi-Agenten-Handel vor: MT5-Datenerfassung, Berechnung von Indikatoren, Entscheidungen pro Agent und ein gewichteter Konsens, der zu einer einzigen Handelsaktion führt. Die Signale werden im JSON-Format gespeichert, über Flask bereitgestellt und von einem MQL5-Expert Advisor zur Ausführung mit Positionsgrößenbestimmung und aus dem ATR abgeleiteten SL/TP verarbeitet. Flask-Routen ermöglichen eine sichere Steuerung des Lebenszyklus und eine Statusüberwachung.
Dieser Artikel befasst sich mit einer auf Barrierefreiheit ausgerichteten Erweiterung, die über die standardmäßigen Terminal-Warnmeldungen hinausgeht und mithilfe der MQL5-Ressourcenverwaltung kontextbezogenes Sprachfeedback bereitstellt. Anstelle von allgemeinen Signaltönen vermittelt der Indikator, was geschehen ist und warum, sodass Trader die Marktgeschehnisse nachvollziehen können, ohne sich ausschließlich auf visuelle Beobachtungen verlassen zu müssen. Dieser Ansatz ist besonders für sehbehinderte Trader von großem Nutzen, kommt aber auch vielbeschäftigten Nutzern oder Nutzern, die mehrere Aufgaben gleichzeitig erledigen und eine freihändige Bedienung bevorzugen.
In diesem Artikel befassen wir uns mit den Dateiverarbeitungsklassen der MQL5-Standardbibliothek, um ein robustes Reporting-Modul zu entwickeln, das automatisch Excel-kompatible CSV-Dateien generiert. Dabei unterscheiden wir klar zwischen manuell ausgeführten Trades und algorithmisch ausgeführten Orders und schaffen damit die Grundlage für ein zuverlässiges, auditierbares Trade-Reporting.
Sie haben wahrscheinlich schon einmal von Zeigern gehört, wenn es um das Programmieren geht. Aber wussten Sie, dass wir Zeiger auch hier in MQL5 verwenden können? Das muss natürlich so geschehen, dass wir die Kontrolle behalten und seltsames Programmverhalten während der Ausführung vermeiden. Da es sich jedoch um eine sehr spezifische Funktion handelt, die auf bestimmte Aufgaben ausgerichtet ist, hört man selten, dass wir dieses Sprachkonstrukt auch hier in MQL5 nutzen können.
Erfahren Sie, wie der „Boom & Crash Interceptor EA“ Ihre Charts in ein proaktives Warnsystem verwandelt – indem er explosive Kursbewegungen durch blitzschnelle Scans, Prüfungen auf Volatilitätsschübe, Trendbestätigungen und Pivot-Zone-Filter erkennt. Mit den klar erkennbaren Pfeilen, grün für „Boom“ und rot für „Crash“, die Sie bei jeder Entscheidung leiten, filtert dieses Tool das Marktrauschen heraus und ermöglicht es Ihnen, von Kurssprüngen zu profitieren wie nie zuvor. Tauchen Sie ein und erfahren Sie, wie es funktioniert und warum es zu Ihrem nächsten entscheidenden Vorteil werden kann.
Wenn Text in einem Chart angezeigt werden soll, können wir die Funktion „Comment()“ verwenden. Aber ihre Möglichkeiten sind recht begrenzt. Daher werden wir in diesem Artikel eine eigene Komponente erstellen – ein Dialogfenster über die gesamte Chartfläche, das mehrzeiligen Text mit flexiblen Schriftarteneinstellungen und Scroll-Unterstützung anzeigen kann.
Liquiditätszonen werden üblicherweise gehandelt, indem man darauf wartet, dass der Kurs zurückkehrt und die Zone von Interesse erneut testet, oft durch die Platzierung von Pending Orders innerhalb dieser Bereiche. In diesem Artikel setzen wir MQL5 ein, um dieses Konzept praktisch umzusetzen. Wir zeigen, wie solche Zonen programmatisch identifiziert werden können und wie das Risikomanagement systematisch angewendet werden kann. Nehmen Sie an der Diskussion teil, in der wir sowohl die Logik hinter dem liquiditätsbasierten Handel als auch seine praktische Umsetzung untersuchen.
In diesem Artikel wird ein Modul zur Klassifizierung von Marktzuständen für MQL5 entwickelt, das das Preisverhalten anhand abgeschlossener Preisdaten interpretiert. Durch die Analyse von Volatilitätskontraktion, -expansion und struktureller Konsistenz klassifiziert das Tool die Marktbedingungen als Kompression, Transition, Expansion oder Trend und bietet so einen klaren kontextuellen Rahmen für die Price-Action-Analyse.
Breadth First Search (BFS) verwendet Level-Order-Traversierung, um die Marktstruktur als einen gerichteten Graphen von Swings zu modellieren, der sich im Zeitverlauf entwickelt. Durch die schichtweise Analyse historischer Bars oder Sitzungen priorisiert BFS das jüngste Kursverhalten und berücksichtigt gleichzeitig die historische Marktprägung.
Das Ausmaß der Liquiditätszonen und das Ausmaß der Ausbruchsbewegung sind Schlüsselvariablen, die die Wahrscheinlichkeit eines Retests erheblich beeinflussen. In diesem Beitrag zeigen wir den vollständigen Entwicklungsprozess eines Indikators, der diese Verhältnisse berücksichtigt.
In diesem Teil werden wir uns auf die Entwicklung einer intelligenten Ausführungsschicht konzentrieren, die die Spread-Bedingungen in Echtzeit über mehrere Symbole hinweg kontinuierlich überwacht und auswertet. Der EA passt seine Symbolauswahl dynamisch an, indem er den Handel auf der Grundlage der Spread-Effizienz und nicht nach festen Regeln aktiviert oder deaktiviert. Dieser Ansatz ermöglicht es Hochfrequenz-Multi-Pair-Systemen, kostengünstige Symbole zu priorisieren.
Heute decken wir die oft übersehene statistische Grundlage hinter den Handelsstrategien für Angebot und Nachfrage auf. Durch die Kombination von MQL5 mit Python über einen Jupyter-Notebook-Workflow führen wir eine strukturierte, datengesteuerte Untersuchung durch, die darauf abzielt, visuelle Marktannahmen in messbare Erkenntnisse zu verwandeln. Dieser Artikel behandelt den gesamten Forschungsprozess, einschließlich der Datenerfassung, der Python-basierten statistischen Analyse, des Algorithmusentwurfs, der Tests und der endgültigen Schlussfolgerungen. Um die Methodik und die Ergebnisse im Detail nachzuvollziehen, lesen Sie den vollständigen Artikel.
Erfahren Sie, wie Sie Ihrer Android-App mit dem OAuth-2.0-Autorisierungscodefluss die Funktion „Sign in with MQL5“ hinzufügen. Die Anleitung behandelt die App-Registrierung, Endpunkte, Redirect URI, Custom Tabs, Deep-Link-Handling und ein PHP-Backend, das den Code für ein Access-Token über HTTPS austauscht. Sie werden echte MQL5-Nutzer authentifizieren und auf Profildaten wie Rang und Ruf zugreifen.
In dieser Diskussion knüpfen wir an den zuvor entwickelten Multi-Signal-Expert Advisor an, mit dem Ziel, verfügbare Optimierungsmethoden zu erforschen und anzuwenden. Ziel ist es, festzustellen, ob die Handelsleistung des EA durch systematische Optimierung auf Basis historischer Daten sinnvoll verbessert werden kann.
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.
