Add a new article
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 76): Verwendung von Mustern des Awesome Oszillators und der Envelope-Kanäle mit überwachtem Lernen
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 76): Verwendung von Mustern des Awesome Oszillators und der Envelope-Kanäle mit überwachtem Lernen
Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorpaar des Awesome Oszillators und die Envelope-Kanäle vorstellten, indem wir uns ansehen, wie dieses Paar durch überwachtes Lernen verbessert werden kann. Der Awesome Oszillator und die Envelope-Kanäle sind eine Mischung aus Trendspotting und Unterstützung/Widerstand, die sich gegenseitig ergänzen. Unser überwachter Lernansatz ist ein CNN, der das Punktprodukt-Kernel mit Cross-Time-Attention einsetzt, um seine Kernel und Kanäle zu dimensionieren. Wie üblich erfolgt dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten zur Zusammenstellung eines Expert Advisors arbeitet.
Vom Neuling zum Experten: Animierte Nachrichtenschlagzeile mit MQL5 (VII) – Post-Impact-Strategie für den Nachrichtenhandel
Vom Neuling zum Experten: Animierte Nachrichtenschlagzeile mit MQL5 (VII) – Post-Impact-Strategie für den Nachrichtenhandel
In den ersten Minuten nach der Veröffentlichung einer wichtigen Wirtschaftsnachricht ist das Risiko eines „Whipsaw“ extrem hoch. In diesem kurzen Zeitfenster können Kursbewegungen unberechenbar und volatil sein und oft beide Seiten von schwebenden Aufträgen auslösen. Kurz nach der Veröffentlichung – in der Regel innerhalb einer Minute – stabilisiert sich der Markt in der Regel und nimmt den vorherrschenden Trend wieder auf oder korrigiert ihn mit der üblichen Volatilität. In diesem Abschnitt werden wir einen alternativen Ansatz für den Nachrichtenhandel untersuchen, um seine Wirksamkeit als wertvolle Ergänzung zum Instrumentarium eines Händlers zu bewerten. Lesen Sie weiter, um weitere Einblicke und Details zu dieser Diskussion zu erhalten.
Selbstoptimierende Expert Advisors in MQL5 (Teil 10): Matrix-Faktorisierung
Selbstoptimierende Expert Advisors in MQL5 (Teil 10): Matrix-Faktorisierung
Die Faktorisierung ist ein mathematischer Prozess, der dazu dient, Erkenntnisse über die Eigenschaften von Daten zu gewinnen. Wenn wir die Faktorisierung auf große Mengen von Marktdaten anwenden – die in Zeilen und Spalten organisiert sind – können wir Muster und Merkmale des Marktes aufdecken. Die Faktorisierung ist ein mächtiges Werkzeug, und dieser Artikel zeigt Ihnen, wie Sie es im MetaTrader 5-Terminal über die MQL5-API nutzen können, um tiefere Einblicke in Ihre Marktdaten zu gewinnen.
Klassische Strategien neu interpretieren (Teil 14): Analyse mehrerer Strategien
Klassische Strategien neu interpretieren (Teil 14): Analyse mehrerer Strategien
In diesem Artikel setzen wir unsere Erforschung der Erstellung eines Ensembles von Handelsstrategien und der Verwendung des MT5 genetischen Optimierers zur Abstimmung der Strategieparameter fort. Heute haben wir die Daten in Python analysiert. Dabei hat sich gezeigt, dass unser Modell besser vorhersagen kann, welche Strategie besser abschneiden wird, und eine höhere Genauigkeit erreicht als die direkte Vorhersage der Marktrenditen. Als wir unsere Anwendung jedoch mit ihren statistischen Modellen testeten, fielen unsere Leistungswerte drastisch ab. In der Folge stellten wir fest, dass der genetische Optimierer leider stark korrelierte Strategien bevorzugte, was uns dazu veranlasste, unsere Methode zu überarbeiten, um die Stimmgewichte fest zu halten und die Optimierung stattdessen auf Indikatoreinstellungen zu konzentrieren.
Automatisieren von Handelsstrategien in MQL5 (Teil 24): London Session Breakout System mit Risikomanagement und Trailing Stops
Automatisieren von Handelsstrategien in MQL5 (Teil 24): London Session Breakout System mit Risikomanagement und Trailing Stops
In diesem Artikel entwickeln wir ein London Session Breakout System, das Ausbrüche vor der Londoner Handelsspanne identifiziert und schwebende Aufträge mit anpassbaren Handelsarten und Risikoeinstellungen platziert. Wir integrieren Funktionen wie Trailing Stops, Risiko-Ertrags-Verhältnisse, maximale Drawdown-Grenzen und ein Kontrollpanel für die Überwachung und Verwaltung in Echtzeit.
Entwicklung des Price Action Analysis Toolkit (Teil 33): Candle-Range Theory Tool
Entwicklung des Price Action Analysis Toolkit (Teil 33): Candle-Range Theory Tool
Verbessern Sie Ihr Marktverständnis mit der Candle-Range Theory Suite für MetaTrader 5, einer vollständig MQL5-nativen Lösung, die rohe Preisbalken in Echtzeit-Volatilitätsinformationen umwandelt. Die leichtgewichtige Bibliothek CRangePattern vergleicht die „True Range“ jeder Kerze mit einer adaptiven ATR und klassifiziert sie in dem Moment, in dem sie schließt. Der CRT-Indikator projiziert diese Klassifizierungen dann als scharfe, farbkodierte Rechtecke und Pfeile auf Ihr Chart, die sich verengende Konsolidierungen, explosive Ausbrüche und Verengungen der gesamten Spanne in dem Moment anzeigen, in dem sie auftreten.
Neuronale Netze im Handel: Ein Agent mit geschichtetem Speicher
Neuronale Netze im Handel: Ein Agent mit geschichtetem Speicher
Mehrschichtige Speicher, die die kognitiven Prozesse des Menschen nachahmen, ermöglichen die Verarbeitung komplexer Finanzdaten und die Anpassung an neue Signale, wodurch die Wirksamkeit von Anlageentscheidungen auf dynamischen Märkten verbessert wird.
Neuronale Netze im Handel: Modelle mit Wavelet-Transformation und Multitasking-Aufmerksamkeit
Neuronale Netze im Handel: Modelle mit Wavelet-Transformation und Multitasking-Aufmerksamkeit
Wir laden Sie ein, einen Rahmen zu erkunden, der Wavelet-Transformationen und ein Multitasking-Selbstaufmerksamkeitsmodell kombiniert, um die Reaktionsfähigkeit und Genauigkeit von Prognosen unter volatilen Marktbedingungen zu verbessern. Die Wavelet-Transformation ermöglicht die Zerlegung der Renditen von Vermögenswerten in hohe und niedrige Frequenzen, wodurch langfristige Markttrends und kurzfristige Schwankungen sorgfältig erfasst werden.
Neuronale Netze im Handel: Ein hybrider Handelsrahmen mit prädiktiver Kodierung (letzter Teil)
Neuronale Netze im Handel: Ein hybrider Handelsrahmen mit prädiktiver Kodierung (letzter Teil)
Wir setzen unsere Untersuchung des hybriden Handelssystems StockFormer fort, das prädiktive Kodierungs- und Verstärkungslernalgorithmen für die Analyse von Finanzzeitreihen kombiniert. Das System basiert auf drei Transformer-Zweigen mit einem diversifizierten Mehrkopf-Aufmerksamkeitsmechanismus (DMH-Attn), der die Erfassung komplexer Muster und Abhängigkeiten zwischen Assets ermöglicht. Zuvor haben wir uns mit den theoretischen Aspekten des Frameworks vertraut gemacht und die DMH-Attn-Mechanismus implementiert. Heute werden wir über die Modellarchitektur und das Training sprechen.
Neuronale Netze im Handel: Ein hybrider Handelsrahmen mit prädiktiver Kodierung (StockFormer)
Neuronale Netze im Handel: Ein hybrider Handelsrahmen mit prädiktiver Kodierung (StockFormer)
In diesem Artikel wird das hybride Handelssystem StockFormer vorgestellt, das die Algorithmen von Predictive Coding und dem Reinforcement Learning (RL) kombiniert. Das Framework verwendet 3 Transformer-Zweige mit einem integrierten Diversified Multi-Head Attention (DMH-Attn)-Mechanismus, der das ursprüngliche Aufmerksamkeitsmodul mit einem mehrköpfigen Block des Vorwärtsdurchlaufs verbessert und es ermöglicht, diverse Zeitreihenmuster über verschiedene Teilräume hinweg zu erfassen.
Neuronale Netze im Handel: Ein Ensemble von Agenten mit Aufmerksamkeitsmechanismen (MASAAT)
Neuronale Netze im Handel: Ein Ensemble von Agenten mit Aufmerksamkeitsmechanismen (MASAAT)
Wir stellen das Multi-Agent Self-Adaptive Portfolio Optimization Framework (MASAAT) vor, das Aufmerksamkeitsmechanismen und Zeitreihenanalyse kombiniert. MASAAT generiert eine Reihe von Agenten, die Preisreihen und Richtungsänderungen analysieren und so die Identifizierung signifikanter Fluktuationen in Vermögenspreisen auf verschiedenen Detailebenen ermöglichen.
Neuronale Netze im Handel: Ein Multi-Agent Self-Adaptive Modell (letzter Teil)
Neuronale Netze im Handel: Ein Multi-Agent Self-Adaptive Modell (letzter Teil)
Im vorangegangenen Artikel haben wir das adaptive Multi-Agenten-System MASA vorgestellt, das Reinforcement-Learning-Ansätze und selbstanpassende Strategien kombiniert und so ein harmonisches Gleichgewicht zwischen Rentabilität und Risiko unter turbulenten Marktbedingungen ermöglicht. Wir haben die Funktionalität der einzelnen Agenten in diesem Rahmen aufgebaut. In diesem Artikel setzen wir die begonnene Arbeit fort und bringen sie zu einem logischen Abschluss.
Trendkriterien im Handel
Trendkriterien im Handel
Trends sind ein wichtiger Bestandteil vieler Handelsstrategien. In diesem Artikel werden wir einige der Instrumente zur Ermittlung von Trends und deren Merkmale betrachten. Das Verständnis und die richtige Interpretation von Trends können die Handelseffizienz erheblich verbessern und die Risiken minimieren.
Einführung in MQL5 (Teil 18): Einführung in das Muster der Wolfe-Wellen
Einführung in MQL5 (Teil 18): Einführung in das Muster der Wolfe-Wellen
In diesem Artikel wird das Muster der Wolfe-Wellen im Detail erklärt, wobei sowohl die Abwärts- wie die Aufwärts-Variante behandelt wird. Außerdem wird die Logik zur Identifizierung gültiger Kauf- und Verkaufsarrangements auf der Grundlage dieses fortgeschrittenen Chartmusters Schritt für Schritt erläutert.
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 74): Verwendung von Ichimoku-Mustern und ADX-Wilder mit überwachtem Lernen
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 74): Verwendung von Ichimoku-Mustern und ADX-Wilder mit überwachtem Lernen
Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorenpaar Ichimoku und ADX vorstellten, und untersuchen, wie dieses Duo durch überwachtes Lernen verbessert werden kann. Ichimoku und ADX sind ein Unterstützungs-/Widerstands- und komplementäres Paar bezüglich eines Trends. Unser überwachter Lernansatz verwendet ein neuronales Netzwerk, das den Deep Spectral Mixture Kernel einsetzt, um die Prognosen dieses Indikatorpaares zu verfeinern. Wie üblich erfolgt dies in einer nutzerdefinierten Signalklassendatei, die mit dem MQL5-Assistenten zur Zusammenstellung eines Expert Advisors arbeitet.
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 73): Verwendung von Ichimoku-Mustern und ADX-Wilder
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 73): Verwendung von Ichimoku-Mustern und ADX-Wilder
Der Ichimoku-Kinko-Hyo-Indikator und der Oszillator ADX-Wilder sind ein Paar, das ergänzend in einem MQL5 Expert Advisor verwendet werden kann. Das Ichimoku hat viele Facetten, aber in diesem Artikel verlassen wir uns hauptsächlich auf seine Fähigkeit, Unterstützungs- und Widerstandsniveaus zu definieren. Inzwischen verwenden wir auch den ADX, um unseren Trend zu definieren. Wie üblich verwenden wir den MQL5-Assistenten, um das Potenzial dieser beiden zu erstellen und zu testen.
Vom Neuling zum Experten: Animierte Nachrichtenschlagzeilen mit MQL5 (VI) – Strategie von schwebenden Aufträgen für den Nachrichtenhandel
Vom Neuling zum Experten: Animierte Nachrichtenschlagzeilen mit MQL5 (VI) – Strategie von schwebenden Aufträgen für den Nachrichtenhandel
In diesem Artikel verlagern wir den Schwerpunkt auf die Integration einer nachrichtengesteuerten Auftragsausführungslogik, die den EA in die Lage versetzt, zu handeln und nicht nur zu informieren. Begleiten Sie uns, wenn wir erforschen, wie man die automatisierte Handelsausführung in MQL5 implementiert und den News Headline EA zu einem vollständig reaktionsfähigen Handelssystem erweitert. Expert Advisors bieten den Entwicklern von Algorithmen erhebliche Vorteile, da sie eine Vielzahl von Funktionen unterstützen. Bislang haben wir uns auf die Entwicklung eines Tools zur Präsentation von Nachrichten und Kalenderereignissen konzentriert, das mit integrierten KI-Einsichten und technischen Indikatoren ausgestattet ist.
Selbstoptimierende Expert Advisors in MQL5 (Teil 9): Kreuzen zweier gleitender Durchschnitte
Selbstoptimierende Expert Advisors in MQL5 (Teil 9): Kreuzen zweier gleitender Durchschnitte
Dieser Artikel beschreibt den Aufbau einer Strategie des Kreuzens zweier gleitender Durchschnitte, die Signale aus einem höheren Zeitrahmen (D1) verwendet, um Einstiege auf einem niedrigeren Zeitrahmen (M15) zu steuern, wobei die Stop-Loss-Niveaus aus einem Zeitrahmen mit mittlerem Risiko (H4) berechnet werden. Es werden Systemkonstanten, nutzerdefinierte Enumerationen und Logik für trendfolgende und zum Mittelwert rückkehrende Modi eingeführt, wobei der Schwerpunkt auf Modularität und künftige Optimierung mithilfe eines genetischen Algorithmus liegt. Der Ansatz ermöglicht flexible Einstiegs- und Ausstiegsbedingungen und zielt darauf ab, die Signalverzögerung zu verringern und das Handels-Timing zu verbessern, indem Einstiegsmöglichkeiten im unteren Zeitrahmen mit Trends im oberen Zeitrahmen abgestimmt werden.
Automatisieren von Handelsstrategien in MQL5 (Teil 23): Zone Recovery mit Trailing- und Basket-Logik
Automatisieren von Handelsstrategien in MQL5 (Teil 23): Zone Recovery mit Trailing- und Basket-Logik
In diesem Artikel erweitern wir unser Zone Recovery System durch die Einführung von Trailing-Stops und Multi-Basket-Handelsfunktionen. Wir untersuchen, wie die verbesserte Architektur dynamische Trailing-Stops verwendet, um Gewinne zu sichern, und ein Basket-Management-System, um mehrere Handelssignale effizient zu verarbeiten. Durch Implementierung und Backtests demonstrieren wir ein robusteres Handelssystem, das auf eine adaptive Marktperformance zugeschnitten ist.
Automatisieren von Handelsstrategien in MQL5 (Teil 22): Erstellen eines Zone Recovery Systems für den Trendhandel mit Envelopes
Automatisieren von Handelsstrategien in MQL5 (Teil 22): Erstellen eines Zone Recovery Systems für den Trendhandel mit Envelopes
In diesem Artikel entwickeln wir ein Zone Recovery System, das mit einer Envelopes-Trend-Handelsstrategie in MQL5 integriert ist. Wir skizzieren die Architektur für die Verwendung von RSI- und Envelopes-Indikatoren, um Handelsgeschäfte auszulösen und Erholungszonen zu verwalten, um Verluste zu mindern. Durch Implementierung und Backtests zeigen wir, wie man ein effektives automatisches Handelssystem für dynamische Märkte aufbaut.
Selbstoptimierende Expert Advisors in MQL5 (Teil 8): Analyse mehrerer Strategien (3) – Gewichtetes Abstimmungsverhalten
Selbstoptimierende Expert Advisors in MQL5 (Teil 8): Analyse mehrerer Strategien (3) – Gewichtetes Abstimmungsverhalten
In diesem Artikel wird untersucht, wie die Bestimmung der optimalen Anzahl von Strategien in einem Ensemble eine komplexe Aufgabe sein kann, die durch den Einsatz des genetischen Optimierers von MetaTrader 5 leichter zu lösen ist. Die MQL5 Cloud wird auch als Schlüsselressource zur Beschleunigung von Backtests und Optimierung eingesetzt. Alles in allem schafft unsere Diskussion hier die Grundlage für die Entwicklung statistischer Modelle zur Bewertung und Verbesserung von Handelsstrategien auf der Grundlage unserer ersten Ensemble-Ergebnisse.
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 75): Verwendung des Awesome Oszillators und des Envelopes
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 75): Verwendung des Awesome Oszillators und des Envelopes
Der Awesome Oscillator von Bill Williams und der Envelopes-Kanal sind ein Paar, das komplementär in einem MQL5 Expert Advisor verwendet werden kann. Wir verwenden den Awesome Oscillator wegen seiner Fähigkeit, Trends zu erkennen, während der Envelope-Kanal zur Definition unserer Unterstützungs-/Widerstandsniveaus herangezogen wird. Bei der Erkundung dieser Indikatorpaarung verwenden wir den MQL5-Assistenten, um das Potenzial dieser beiden Indikatoren zu ermitteln und zu testen.
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 72): Verwendung der Muster von MACD und OBV mit überwachtem Lernen
MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 72): Verwendung der Muster von MACD und OBV mit überwachtem Lernen
Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorpaar MACD und OBV vorgestellt haben, und untersuchen, wie dieses Paar durch maschinelles Lernen verbessert werden kann. MACD und OBV ergänzen sich in Bezug auf Trend und Volumen. Unser Ansatz des maschinellen Lernens verwendet ein neuronales Faltungsnetzwerk, das bei der Feinabstimmung der Prognosen dieses Indikatorpaares den Exponential-Kernel bei der Dimensionierung seiner Kerne und Kanäle einsetzt. Wie immer wird dies in einer nutzerdefinierten Signalklassendatei durchgeführt, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 70): Verwendung der Muster von SAR und RVI mit einem Exponential-Kernel-Netzwerk
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 70): Verwendung der Muster von SAR und RVI mit einem Exponential-Kernel-Netzwerk
Wir knüpfen an unseren letzten Artikel an, in dem wir das Indikatorpaar SAR und RVI vorstellten, und überlegen, wie dieses Indikatorpaar durch maschinelles Lernen erweitert werden kann. SAR und RVI sind eine komplementäre Paarung von Trend und Momentum. Unser Ansatz des maschinellen Lernens verwendet ein neuronales Faltungsnetzwerk, das bei der Feinabstimmung der Prognosen dieses Indikatorpaares den Exponential-Kernel bei der Dimensionierung seiner Kerne und Kanäle einsetzt. Wie immer wird dies in einer nutzerdefinierten Signalklassendatei durchgeführt, die mit dem MQL5-Assistenten arbeitet, um einen Expert Advisor zusammenzustellen.
Datenwissenschaft und ML (Teil 45): Forex Zeitreihenprognosen mit dem Modell PROPHET von Facebook
Datenwissenschaft und ML (Teil 45): Forex Zeitreihenprognosen mit dem Modell PROPHET von Facebook
Das von Facebook entwickelte Modell Prophet ist ein robustes Zeitreihen-Prognoseinstrument, das Trends, Saisonalität und Feiertagseffekte mit minimalem manuellem Aufwand erfassen kann. Sie wurde in großem Umfang für die Bedarfsprognose und die Unternehmensplanung eingesetzt. In diesem Artikel untersuchen wir die Effektivität von Prophet bei der Vorhersage der Volatilität von Deviseninstrumenten und zeigen, wie es über die traditionellen Geschäftsanwendungen hinaus eingesetzt werden kann.
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 71): Verwendung der Muster des MACD und des OBV
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 71): Verwendung der Muster des MACD und des OBV
Die Oszillatoren Moving-Average-Convergence-Divergence (MACD) und On-Balance-Volume (OBV) sind ein weiteres Paar von Indikatoren, die in Verbindung mit einem MQL5 Expert Advisor verwendet werden können. Wie in dieser Artikelserie üblich, ist diese Paarung komplementär, wobei der MACD die Trends bestätigt, während der OBV das Volumen überprüft. Wie üblich verwenden wir den MQL5-Assistenten, um das Potenzial dieser beiden zu erstellen und zu testen.
Datenwissenschaft und ML (Teil 43): Erkennen verborgener Muster in Indikatordaten unter Verwendung Latenter Gaußscher Mischmodelle (LGMM)
Datenwissenschaft und ML (Teil 43): Erkennen verborgener Muster in Indikatordaten unter Verwendung Latenter Gaußscher Mischmodelle (LGMM)
Haben Sie sich jemals das Horoskop angesehen und das seltsame Gefühl gehabt, dass sich unter der Oberfläche ein Muster verbirgt? Ein Geheimcode, der Ihnen verrät, wohin sich die Preise entwickeln werden, wenn Sie ihn nur knacken könnten? Darf ich vorstellen: LGMM, Erkennen verborgener Muster im Markt. Ein maschinelles Lernmodell, das dabei hilft, diese verborgenen Muster im Markt zu erkennen.
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 69): Verwendung der Muster von SAR und RVI
MQL5-Assistenz-Techniken, die Sie kennen sollten (Teil 69): Verwendung der Muster von SAR und RVI
Der Parabolic-SAR (SAR) und der Relative Vigour Index (RVI) sind ein weiteres Paar von Indikatoren, die in Verbindung mit einem MQL5 Expert Advisor verwendet werden können. Auch dieses Indikatorpaar ist, wie die anderen, die wir in der Vergangenheit behandelt haben, komplementär, da der SAR den Trend definiert, während der RVI das Momentum überprüft. Wie üblich verwenden wir den MQL5-Assistenten, um das Potenzial dieser Indikatorenkombination zu ermitteln und zu testen.
Automatisieren von Handelsstrategien in MQL5 (Teil 2): Das Breakout System Kumo mit Ichimoku und dem Awesome Oscillator
Automatisieren von Handelsstrategien in MQL5 (Teil 2): Das Breakout System Kumo mit Ichimoku und dem Awesome Oscillator
In diesem Artikel erstellen wir einen Expert Advisor (EA), der die Kumo Breakout-Strategie unter Verwendung des Indikators Ichimoku Kinko Hyo und des Awesome Oscillators automatisiert. Wir gehen durch den Prozess der Initialisierung von Indikator-Handles, der Erkennung von Ausbruchsbedingungen und der Codierung von automatischen Handelsein- und -ausgängen. Zusätzlich implementieren wir Trailing-Stops und die Positionsmanagement-Logik, um die Leistung des EA und seine Anpassungsfähigkeit an die Marktbedingungen zu verbessern.