Dieser Artikel implementiert einen Truncated-Newton-Conjugate-Gradient (TNC) Optimierer mit Box-Beschränkungen in MQL5 und beschreibt detailliert seine Kernkomponenten: Skalierung, Projektion auf Grenzen, Liniensuche und Hessematrix-Vektor-Produkte mittels finiter Differenzen. Es stellt eine Zielfunktions-Wrapperklasse bereit, die analytische oder numerische Ableitungen unterstützt, und validiert die Implementierung am Rosenbrock-Benchmark. Ein Beispiel für eine logistische Regression veranschaulicht, wie TNC als weitgehend austauschbare Alternative zu LBFGS eingesetzt werden kann.
In diesem Artikel wird ein interaktives MQL5-Diagramm zur Binomialverteilung erstellt, das ein Histogramm der simulierten Ergebnisse mit der theoretischen Wahrscheinlichkeitsfunktion (PMF) kombiniert. Es bietet Funktionen für Mittelwert, Standardabweichung, Schiefe, Kurtosis, Perzentile und Konfidenzintervalle, sowie konfigurierbare Farbschemata und Beschriftungen und unterstützt das Ziehen, die Größenänderung und Live-Parameteränderungen. Nutzen Sie es, um bei der Validierung von Handelsstrategien erwartete Gewinn-Trades, wahrscheinliche Drawdown-Phasen und Konfidenzbereiche zu bewerten.
In diesem Artikel wird gezeigt, wie man einen MQL5-Indikator erstellt, der eine CSV-Datei mit der Handelshistorie ausliest, die Werte für „Profit($)“ und die Gesamtzahl der Trades extrahiert und die Entwicklung des kumulierten Saldos berechnet. Wir zeichnen die Kurve in einem separaten Indikatorfenster ein, passen die Y-Achse automatisch an und zeichnen horizontale und vertikale Achsen zur Orientierung ein. Der Indikator wird zeitgesteuert aktualisiert und nur dann neu gezeichnet, wenn neue Trades auftreten. Optionale Beschriftungen zeigen den Gewinn und Verlust pro Trade an, um die Performance und Drawdowns direkt im Chart beurteilen zu können.
Erfahren Sie, wie Sie eine CSV-Datei in MQL5 einlesen und deren Handelsdaten in dynamischen Arrays organisieren. Dieser Artikel zeigt Schritt für Schritt, wie man Dateielemente zählt, alle Daten in einem einzigen Array speichert und jede Spalte in eigene Arrays aufteilt, wodurch die Grundlage für fortgeschrittene Analysen und die Visualisierung der Handelsperformanz geschaffen wird.
Der Artikel zeigt, wie man SQLite (OLTP) mit DuckDB (OLAP) für die Datenverarbeitung im Bereich der statistischen Arbitrage kombinieren kann. Die spaltenorientierte Engine von DuckDB, ASOF JOIN und die Array-Funktionen beschleunigen Kernaufgaben wie die zeitliche Zuordnung von Kursen zu Trades sowie RWEC, wobei bei größeren Eingabedaten im Vergleich zu SQLite Geschwindigkeitssteigerungen von 2- bis 23-fach gemessen wurden. Das ermöglicht einfachere Abfragen und schnellere Analysen, während die Handelsausführung weiterhin in SQLite erfolgt.
In diesem Artikel erweitern wir den hybriden Marktprofil-Indikator Time Price Opportunity (TPO) in MQL5 durch die Einbindung von Volumendaten, um volumenbasierte Kontrollpunkte, Wertbereiche und den volumengewichteten Durchschnittspreis mit anpassbaren Hervorhebungsoptionen zu berechnen. Das System bietet erweiterte Funktionen wie die Erkennung der Initial Balance, Projektionslinien wichtiger Kursniveaus, Split-Profile sowie alternative TPO-Symbole wie Quadrate oder Kreise, um die visuelle Analyse über mehrere Zeitrahmen hinweg zu verbessern.
In diesem Artikel entwickeln wir einen benutzerdefinierten Indikator in MQL5 für hybride Time Price Opportunity (TPO)-Marktprofile, der mehrere Zeitrahmen wie Intraday, täglich, wöchentlich, monatlich sowie feste Zeitintervalle mit Zeitzonenanpassungen unterstützt. Der Indikator unterteilt die Kurse in ein Raster, erfasst Sitzungsdaten wie Höchst-, Tiefst-, Eröffnungs- und Schlusskurse und berechnet wichtige Kennzahlen wie den Point of Control und den Wertebereich auf der Grundlage von TPO-Zählwerten. Der Indikator stellt Profile visuell im Chart dar, wobei die Farben für TPO-Buchstaben, Single Prints, Wertebereiche, POC und Abschlussmarkierungen individuell angepasst werden können, was eine detaillierte Analyse von Handelssitzungen ermöglicht.
In diesem Artikel erweitern wir das Tool zur Darstellung von Regressionsdiagrammen in MQL5 um einen Cyberpunk-Modus mit Neon-Leuchteffekten, Animationen und holografischen Effekten für eine eindrucksvolle Visualisierung. Wir integrieren die Umschaltung zwischen Themenmodi, dynamische Hintergründe mit Sternen, leuchtende Rahmen sowie Neonpunkte und -linien, wobei die Kompatibilität mit dem Standardmodus gewährleistet bleibt. Dieses System mit zwei Themenmodi wertet die Analyse von Symbolpaaren durch eine futuristische Ästhetik auf und unterstützt Echtzeitaktualisierungen sowie Interaktionen für aufschlussreiche Handelserkenntnisse.
In diesem Artikel erstellen wir in MQL5 ein canvasbasiertes grafisches Tool für statistische Korrelations- und lineare Regressionsanalysen zwischen zwei Symbolen, das sich per Drag & Drop verschieben und in der Größe anpassen lässt. Wir nutzen ALGLIB für Regressionsberechnungen, dynamische Achsenbeschriftungen, Datenpunkte und ein Statistikfeld, in dem Steigung, Achsenabschnitt, Korrelation und R-Quadrat angezeigt werden. Diese interaktive Visualisierung liefert wertvolle Erkenntnisse für Pair-Trading-Strategien und bietet anpassbare Designs, Rahmen sowie Echtzeit-Aktualisierungen bei neuen Bars.
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.
Erstellen Sie in MQL5 ein CSV-Trading-Journal, indem Sie den Kontoverlauf für einen festgelegten Zeitraum auslesen und strukturierte Datensätze in eine Datei schreiben. Der Artikel erläutert die Zählung von Transaktionen, das Abrufen von Tickets, das Zuordnen von Symbolen und Ordertypen sowie die Erfassung von Daten zur Eröffnung (Losgröße, Zeitpunkt, Kurs, SL/TP) und zur Schließung (Zeitpunkt, Kurs, Gewinn, Ergebnis) mithilfe dynamischer Arrays. Das Ergebnis ist ein übersichtliches, dauerhaft verfügbares Trading-Journal, das sich für Analysen und Berichte eignet.
Dieser Artikel bietet anhand eines praktischen, projektbasierten Arbeitsablaufs eine Einführung in die Dateiverwaltung in MQL5. Sie verwenden „FileSelectDialog“, um eine CSV-Datei auszuwählen oder zu erstellen, öffnen diese mit „FileOpen“ und schreiben strukturierte Kopfzeilen mit Kontoinformationen wie Kontoname, Kontostand, Kontologin, Datumsbereich und Zeitpunkt der letzten Aktualisierung. Das Ergebnis ist eine klare Grundlage für ein wiederverwendbares Handelsjournal und sichere Dateivorgänge in MetaTrader 5.
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.
Dieser Artikel stellt einen MetaTrader 5-kompatiblen Backtesting-Workflow vor, der sich auf verschiedene Symbole und Zeitrahmen hinweg skaliert. Wir nutzen den HistoryManager, um die Datenerfassung zu parallelisieren, Kursbalken und Ticks aus allen Zeitrahmen zu synchronisieren und symbolisolierte OnTick-Handler in Threads auszuführen. Sie erfahren, wie sich Modellierungsmodi auf Geschwindigkeit und Genauigkeit auswirken, wann Sie sich auf Terminaldaten verlassen können, wie Sie den I/O-Aufwand durch ereignisgesteuerte Aktualisierungen reduzieren und wie Sie einen vollständigen Multiwährungs-Trading-Roboter erstellen.
Wir fügen dem MQL5-Canvas-Dashboard ein auf Supersampling basierendes Anti-Aliasing sowie hochauflösendes Rendering hinzu und skalieren anschließend auf die Zielgröße herunter. Der Artikel implementiert Füllungen und Rahmen in Form abgerundeter Rechtecke, Pfeile in Form abgerundeter Dreiecke sowie eine benutzerdefinierte Bildlaufleiste mit Theme-Unterstützung für die Statistik- und Textpanels. Mit diesen Tools können Sie in MetaTrader 5 glattere und besser lesbare UI-Komponenten erstellen.
Wir werden die Grundlagen von Gauß-Prozessen (GP) als probabilistisches Modell des maschinellen Lernens behandeln und deren Anwendung auf Regressionsprobleme anhand synthetischer Daten veranschaulichen.
Der Artikel versucht, Finanzzeitreihen unter dem Gesichtspunkt selbstähnlicher fraktaler Strukturen zu untersuchen. Da es zahlreiche Analogien gibt, die die Möglichkeit bestätigen, Marktkurse als selbstähnliche Fraktale zu betrachten, können wir uns Gedanken über die Prognosehorizonte solcher Strukturen machen.
Die Zeitlückenanalyse hilft Händlern dabei, potenzielle Wendepunkte am Markt zu erkennen. Der Artikel befasst sich damit, was eine Zeitlücke ist, wie man sie interpretiert und wie sie genutzt werden kann, um starken Volumenzustrom in den Markt zu erkennen.
Was wäre, wenn sich ein Optimierungsalgorithmus an seine bisherigen Durchläufe erinnern und diese Erinnerungen nutzen könnte, um bessere Lösungen zu finden? Genau das macht die BSA – sie schafft einen Ausgleich zwischen dem Entdecken von Neuem und dem Zurückgreifen auf das Bewährte. In diesem Artikel lüften wir die Geheimnisse des Algorithmus. Eine einfache Idee, wenige Parameter und ein zuverlässiges Ergebnis.
In diesem Artikel befassen wir uns mit konformen Vorhersagen und der MAPIE-Bibliothek, die diese implementiert. Dieser Ansatz gehört zu den modernsten im Bereich des maschinellen Lernens und ermöglicht es uns, uns auf das Risikomanagement für bestehende, vielfältige Modelle des maschinellen Lernens zu konzentrieren. Konforme Vorhersagen sind an sich kein Verfahren zur Erkennung von Mustern in Daten. Sie geben lediglich das Konfidenzniveau bestehender Modelle bei der Vorhersage konkreter Beispiele an und ermöglichen die Filterung zuverlässiger Vorhersagen.
Entwicklung eines Python-Systems zur Wechselkursanalyse auf Basis der Kaufkraftparität (KKP). Der Autor entwickelte einen Algorithmus mit fünf Methoden zur Berechnung fairer Wechselkurse auf Basis von IWF-Daten. Ein praktischer Leitfaden zur fundamentalen Währungsanalyse, zur Auswertung wirtschaftlicher Daten und zur Integration in Handelssysteme. Der vollständige Code ist als Open Source verfügbar.
Der Artikel untersucht die Qualität eines saisonalen Handelsansatzes auf Tagesbasis, sowohl für einzelne Instrumente als auch für Spreads. Besonderes Augenmerk wird auf die Erkennung wiederkehrender monatlicher Zyklen und deren Anwendungsmöglichkeiten im Handel im laufenden Jahr gelegt.
In diesem Artikel befassen wir uns näher mit dem DEA-Algorithmus, einem metaheuristischen Optimierungsverfahren, das von der einzigartigen Fähigkeit der Delfine inspiriert ist, Beute mithilfe der Echoortung aufzuspüren. Von den mathematischen Grundlagen bis zur praktischen Umsetzung in MQL5, von der Analyse bis zum Vergleich mit klassischen Algorithmen werden wir eingehend untersuchen, warum diese relativ neue Methode einen Platz im Werkzeugkasten von Forschern verdient, die sich mit Optimierungsproblemen befassen.
Die Daten des Internationalen Währungsfonds in Python abrufen: Auswertung von IWF-Daten zur Verwendung in makroökonomischen Währungsstrategien. Inwiefern kann die Makroökonomie einem normalen wie auch einem algorithmischen Trader helfen?
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.
Eagle Strategy ist ein Algorithmus, der die zweistufige Jagdstrategie des Adlers nachahmt: eine globale Suche mittels Levy-Flügen unter Verwendung der Mantegna-Methode, abwechselnd mit intensiver lokaler Ausnutzung unter Verwendung des Firefly-Algorithmus – ein mathematisch fundierter Ansatz zum Ausgleich von Erkundung und Ausnutzung sowie ein bioinspiriertes Konzept, das zwei Naturphänomene in einem einzigen Algorithmus vereint.
Im vorherigen Artikel haben wir die notwendige Einführung in SQL abgeschlossen. Und meiner Meinung nach haben wir klar dargelegt, was wir über SQL zeigen und erklären wollten. Dies geschah, damit sich jeder, der sich das derzeit im Aufbau befindliche Markt-Replay-/Simulationssystem ansieht, zumindest ein Bild davon machen kann, was dort vor sich geht. Der Punkt ist, dass es keinen Sinn ergibt, Funktionen selbst zu programmieren, die SQL bereits perfekt übernimmt.
Die Auswertung der Bilanzdaten der Zentralbanken vermittelt ein Bild der globalen Liquidität am Devisenmarkt und der Leitwährungen. Wir fassen Daten der Fed, der EZB, der BOJ und der PBoC zu einem zusammengesetzten Index zusammen und nutzen maschinelles Lernen, um verborgene Muster aufzudecken. Dieser Ansatz wandelt Rohdaten durch die Kombination von Fundamentalanalyse und technischer Analyse in konkrete Handelssignale um.
Die biogeografische Optimierung (BBO) ist ein elegantes Verfahren zur globalen Optimierung, das von den natürlichen Prozessen der Artenmigration zwischen Inseln eines Archipels inspiriert ist. Der Algorithmus basiert auf einer einfachen, aber wirkungsvollen Idee: Hochwertige Lösungen geben ihre Eigenschaften aktiv weiter, während minderwertige Lösungen aktiv neue Merkmale übernehmen, wodurch ein natürlicher Informationsfluss von den besten zu den schlechtesten Lösungen entsteht. Ein einzigartiger adaptiver Mutationsoperator sorgt für ein hervorragendes Gleichgewicht zwischen Exploration und Exploitation. BBO zeigt bei einer Vielzahl von Aufgaben eine hohe Effizienz.
Versuchen wir doch einmal, CFTC-Daten auszuwerten, COT- und TFF-Berichte über Python herunterzuladen, all dies mit den Kursdaten von MetaTrader 5 und einem KI-Modell zu verknüpfen und Prognosen zu erstellen. Was sind COT-Berichte auf dem Devisenmarkt? Wie nutzt man COT- und TFF-Berichte für Prognosen?
In diesem Artikel werden wir sehen, wie man eine Datenbank visualisiert und daraus ihre Struktur versteht. Dies geschieht durch die Analyse ihrer internen Struktur. Auch wenn dies auf den ersten Blick unnötig erscheinen mag, ist es durchaus gerechtfertigt, wenn wir wirklich Datenbankadministratoren werden wollen. Schließlich verdienen manche Menschen ihren Lebensunterhalt damit, Datenbanken zu pflegen und zu entwerfen.
Der Artikel befasst sich mit einem der interessantesten gradientenfreien Optimierungsalgorithmen, der lernt, die Geometrie der Zielfunktion zu verstehen. Wir werden uns auf die klassische Implementierung von CMA-ES konzentrieren, mit einer kleinen Änderung: Die Normalverteilung wird durch die Potenzgesetzverteilung ersetzt. Wir werden sowohl die mathematischen Grundlagen des Algorithmus als auch dessen praktische Umsetzung eingehend untersuchen und prüfen, in welchen Fällen CMA-ES unübertroffen ist und in welchen Fällen es vermieden werden sollte.
Anpassung des klassischen CAPM-Modells für den Forexmarkt in MQL5. Der Indikator berechnet die erwartete Rendite und die Risikoprämie auf der Grundlage der historischen Volatilität. Die Indikatoren steigen an Hochs und Tiefs an und spiegeln damit die grundlegenden Prinzipien der Preisbildung wider. Praktische Anwendung von Contra-Trend- und Trendfolgestrategien unter Berücksichtigung der Dynamik des Risiko-Ertrags-Verhältnisses in Echtzeit. Der Artikel behandelt mathematische Grundlagen und die technische Umsetzung.
Dieser Artikel befasst sich mit dem Grey-Modell, einem vielversprechenden Instrument, das die Möglichkeiten von Händlern erweitern kann. Wir werden uns einige Möglichkeiten ansehen, wie dieses Modell auf die technische Analyse angewendet und zur Entwicklung von Handelsstrategien genutzt werden kann.
Dieser Artikel zeigt, wie man einen benutzerdefinierten MT5-Indikator erstellt, der die gesamte Trade-Historie verarbeitet und den Anfangssaldo, Kontosaldo, Kontoeigenkapital und dem laufenden Gewinn/Verlust als kontinuierliche Kurven darstellt. Der Indikator wird pro Bar aktualisiert, aggregiert Positionen über Symbole hinweg und vermeidet externe Abhängigkeiten durch lokales Caching. Nutzen Sie es, um Abweichungen zwischen Kontoeigenkapital (equity) und -saldo (balance), realisierten gegenüber nicht realisierten Ergebnissen sowie den Zeitpunkt des Risikoeinsatzes zu überprüfen.
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.
In diesem Artikel erstellen wir einen vielseitigen RSI-Indikator in MQL5, der mehrere Varianten, Datenquellen und Glättungsmethoden für eine verbesserte Analyse unterstützt. Wir fügen Farbwechsel für farbliche Darstellungen, dynamische Grenzen für überkaufte/überverkaufte Zonen und Benachrichtigungen für Trendwarnungen hinzu. Es unterstützt mehrere Zeitrahmen mit Interpolation und bietet uns ein anpassbares RSI-Tool für verschiedene Strategien.
In diesem Artikel verbessern wir das Canvas-basierte Kurs-Dashboard in MQL5, indem wir ein pixelgenaues, scrollbares Textpanel für Bedienhinweise hinzufügen und die Einschränkungen des nativen Scrollens mithilfe von benutzerdefiniertem Anti-Aliasing sowie einer abgerundeten, sich bei Hover verbreiternden Scrollleiste umgehen. Das Textpanel unterstützt themenabhängige Hintergründe mit einstellbarer Transparenz, dynamischen Zeilenumbruch für Inhalte wie Anleitungen und Kontaktinformationen sowie eine interaktive Navigation über Schaltflächen zum Hoch- und Herunterscrollen, Ziehen von Schiebereglern und Scrollen mit dem Mausrad innerhalb des Textpanels.
In diesem Artikel entwickeln wir in MQL5 ein Canvas-basiertes Kurs-Dashboard auf Basis der CCanvas-Klasse. Es erstellt interaktive Panels zur Visualisierung jüngster Kursverläufe und Kontostatistiken und unterstützt Hintergrundbilder, Nebeleffekte sowie Farbverlaufsfüllungen. Das System unterstützt das Verschieben und die Größenänderung per Mausereignisbehandlung sowie das Umschalten zwischen einem dunklen und einem hellen Design mit dynamischen Farbanpassungen sowie Bedienelemente zum Minimieren und Maximieren für eine effiziente Verwaltung des Charts.
