Marktsimulation: Positionsansicht (XI)

Marktsimulation: Positionsansicht (XI)

In diesem Artikel werde ich Ihnen, lieber Leser, zeigen, wie Sie die Objekte, die wir im Chart erstellen, auswählen und den Positionsindikator so anpassen können, dass er weitaus mehr Funktionen erfüllt als ursprünglich vorgesehen. Wir werden uns damit befassen, wie man die Möglichkeit implementiert, Preisniveaus zu verschieben und Preislinien direkt im Chart zu erstellen. Vielen mag das schwierig erscheinen. Sie werden jedoch feststellen, dass wir dies mit minimalem Aufwand erledigen werden. Sie müssen nur ein wenig darüber nachdenken.
Handelsroboter mit Multithreading und maschinellem Lernen: Vom Konzept zur Umsetzung

Handelsroboter mit Multithreading und maschinellem Lernen: Vom Konzept zur Umsetzung

Der Artikel beschreibt Schritt für Schritt die Entwicklung eines Handelsroboters mit Multithreading und maschinellem Lernen in Python und MetaTrader 5. Die Systemarchitektur wird betrachtet – von der Datenerfassung und der Erstellung technischer Indikatoren bis hin zum Training von XGBoost-Modellen unter Einbeziehung des Portfoliorisikomanagements. Die Umsetzung der Datenaugmentation, des Merkmalsclusterings mittels gaußscher Mischmodelle sowie der Thread-Koordination für den parallelen Handel mit mehreren Währungspaaren wird ausführlich beschrieben.
Marktsimulation: Positionsanzeige (X)

Marktsimulation: Positionsanzeige (X)

Wir brauchen eine Möglichkeit, die von uns erstellten grafischen Objekte zu verwalten. Der im vorherigen Artikel vorgestellte Ansatz funktioniert in bestimmten Szenarien sehr gut. In diesem Fall benötigen wir angesichts der Besonderheiten des vorliegenden Problems eine komplexere Lösung. Daher werden wir nicht versuchen, die bereits in MetaTrader 5 vorhandenen ZOrder-Verwaltungsmechanismen zu ersetzen, und wir werden natürlich auch nicht prüfen, welches Objekt im Vordergrund liegt oder von einem anderen Objekt verdeckt wird. Wir werden etwas ganz anderes machen. Hier zeige ich Ihnen, welche Änderungen am Code vorgenommen werden müssen, um einen Teil dessen zu nutzen, was MetaTrader 5 bereits für uns erledigt.
Algorithmischer Arbitragehandel mithilfe der Graphentheorie

Algorithmischer Arbitragehandel mithilfe der Graphentheorie

In diesem Artikel wird die Dreiecksarbitrage als Problem der Suche nach Zyklen in einem gerichteten Graphen dargestellt, dessen Knoten Währungen und dessen Kanten Währungspaare mit Wechselkursen als Kantengewichten darstellen. Rentabler Zyklus: Produkt der Gewichte > 1. Unser Floyd-Warshall-Algorithmus und unser DFS-Algorithmus ermitteln optimale Wechselpfade, die mit einem Gewinn zum Ausgangspunkt zurückführen.
Marktsimulation: Positionsansicht (IX)

Marktsimulation: Positionsansicht (IX)

In diesem Artikel, der einen Wendepunkt markiert, beginnen wir, das Zusammenspiel der von uns entwickelten Anwendungen eingehender zu untersuchen, um die vollständige Unterstützung des Wiedergabe- und Simulationssystems zu gewährleisten. Hier werden wir ein Problem untersuchen, das einerseits ziemlich unangenehm ist, dessen Erklärung und Lösung andererseits aber sehr interessant sind. Das Problem ist Folgendes: Wie können wir die Take-Profit- und Stop-Loss-Linien wiederherstellen, nachdem sie gelöscht wurden, und zwar ohne das Terminal zu verwenden, indem wir den Vorgang direkt im Chart durchführen? Auf den ersten Blick scheint es ganz einfach zu sein. Allerdings gibt es einige Hindernisse, die überwunden werden müssen.
Handelsroboter auf Basis eines GPT-Modells für Finanzzeitreihen

Handelsroboter auf Basis eines GPT-Modells für Finanzzeitreihen

Der Artikel stellt eine vollständige Implementierung von TimeGPT vor, einer spezialisierten transformer-basierten Architektur zur Prognose von Finanzzeitreihen auf der MetaTrader-5-Plattform. Es werden die Anpassung des Aufmerksamkeitsmechanismus an Finanzdaten, die selektive Tokenisierung von Kursänderungen, hardwareorientierte Optimierungen sowie fortschrittliche Lernverfahren erörtert. Enthalten sind praktische Testergebnisse, die eine Prognosegenauigkeit von 87 % bei einem Prognosehorizont von 24 Balken und einer Trainingszeit von 15 Minuten auf der CPU zeigen. Außerdem stellen wir einen einsatzbereiten Expert Advisor mit automatischem erneuten Training vor.
Forex-EA auf Basis des N-BEATS-Netzwerks

Forex-EA auf Basis des N-BEATS-Netzwerks

Implementierung der N-BEATS-Architektur für den Forex-Handel in MetaTrader 5 mit Quantilprognosen und adaptivem Risikomanagement. Die Architektur wird durch bilineare Normalisierung und speziell auf Finanzdaten zugeschnittene Verlustfunktionen angepasst. Das Backtesting mit Daten aus dem Jahr 2025 zeigt, dass das System keine Gewinne erzielt, und bestätigt damit die Kluft zwischen theoretischen Erfolgen und der praktischen Handelsperformance.
Marktsimulation: Positionsansicht (VIII)

Marktsimulation: Positionsansicht (VIII)

Im vorherigen Artikel haben wir uns damit befasst, wie man einen Positionsindikator implementiert, mit dem man eine offene Position direkt aus dem Chart heraus schließen kann, indem man mit einem im Chart verfügbaren Objekt interagiert. Nachdem wir den ersten Mechanismus fertiggestellt und getestet hatten, begannen wir mit den Änderungen, die nötig waren, um Take-Profit- und Stop-Loss-Niveaus einer offenen Position entfernen zu können. Da die erforderlichen Änderungen jedoch ausführliche Erläuterungen erforderten, habe ich in demselben Artikel nur die Änderungen am Expert Advisor gezeigt; die nötigen Änderungen am Positionsindikator musste ich noch erläutern.
Dingo-Optimierungsalgorithmus (DOA)

Dingo-Optimierungsalgorithmus (DOA)

Der Artikel stellt eine neue metaheuristische Methode vor, die auf den Jagdstrategien australischer Dingos basiert: Gruppenangriff, Verfolgungsjagd und Aassuche. Schauen wir uns einmal an, wie der Dingo-Optimierungsalgorithmus (DOA) arbeitet und welche Ergebnisse er erzielt.
Expert Advisor mit einem neuronalen Netz auf Basis von PatchTST

Expert Advisor mit einem neuronalen Netz auf Basis von PatchTST

Der Artikel stellt die revolutionäre Architektur von PatchTST vor, einem speziell für die Analyse von Finanzzeitreihen entwickelten Transformer, der Marktdaten zur effizienten Verarbeitung in Patches aus jeweils 16 Balken unterteilt. Wir behandeln die vollständige Implementierung eines Expert Advisors in MQL5 und decken dabei alles ab: von den mathematischen Grundlagen und Datenstrukturen bis hin zu einem fertigen EA mit Risikomanagement und Systemen zum kontinuierlichen Lernen.
Marktsimulation: Erste Schritte mit SQL in MQL5 (III)

Marktsimulation: Erste Schritte mit SQL in MQL5 (III)

Im vorherigen Artikel haben wir uns ein Beispiel für die Implementierung einer Klasse in MQL5 angesehen, um grundlegende Funktionen bereitzustellen. Ihr Zweck besteht insbesondere darin, die Speicherung von SQL-Code in einer separaten Skriptdatei zu ermöglichen. Auf diese Weise müssen wir dieselben SQL-Anweisungen nicht als Zeichenfolgenliterale im MQL5-Quellcode schreiben. Obwohl diese Lösung funktionsfähig ist, gibt es einige Aspekte, die wir verbessern können und sollten.
Marktsimulation: Erste Schritte mit SQL in MQL5 (II)

Marktsimulation: Erste Schritte mit SQL in MQL5 (II)

Obwohl viele Menschen glauben, dass man SQL-Code problemlos in anderen Code einbetten kann, ist dies in der Regel nicht der Fall. Der Grund dafür ist, dass der SQL-Code als Zeichenkette in der ausführbaren Datei enthalten ist. Das Einbetten von SQL-Code als Zeichenkette ist zwar bei kleinen Codeausschnitten kein Problem, kann uns aber letztlich einiges an Kopfzerbrechen bereiten.
Marktsimulation: Positionsanzeige (VII)

Marktsimulation: Positionsanzeige (VII)

In diesem Artikel beginnen wir damit, den Positionsindikator zu verbessern, damit wir mit ihm interagieren und Preislinien ändern oder eine Position direkt über den Positionsindikator schließen können. Bevor wir zur Umsetzung übergehen, gibt es ein paar Dinge, die es zu klären gilt, insbesondere für diejenigen, die sich damit noch nicht auskennen. Der Indikator kann in keiner Weise dazu verwendet werden, irgendetwas auf dem Handelsserver zu ändern. Das liegt daran, dass MetaTrader 5 über ein Sicherheitssystem verfügt, das es ausschließlich Expert Advisors erlaubt, Aufträge (Orders) und Positionen zu ändern. Außer einem Expert Advisor kann keine andere Anwendung Aufträge oder Positionen ändern.
Trauminspirierter Optimierungsalgorithmus (DOA)

Trauminspirierter Optimierungsalgorithmus (DOA)

Ein populationsbasierter Optimierungsalgorithmus, der von einem umstrittenen und bislang kaum erforschten Phänomen inspiriert ist – dem Mechanismus menschlicher Träume. Agentengruppen mit unterschiedlichem „Gedächtnis“, Kosinusmodulation der Bewegung und einer ungewöhnlichen Phasenverteilung von 99/1 – erfahren Sie, wie sich diese Merkmale auf die Effizienz bei der Optimierung Ihrer Handelsstrategien auswirken.
Duellanten-Algorithmus

Duellanten-Algorithmus

Was wäre, wenn Ihre Handelsstrategien voneinander lernen könnten, so wie echte Kämpfer? Der Duellanten-Algorithmus ist eine neue Optimierungsmethode, bei der die Parameter von Handelssystemen buchstäblich gegeneinander antreten, um als die besten ausgezeichnet zu werden.
Marktsimulation: Positionsanzeige (VI)

Marktsimulation: Positionsanzeige (VI)

In diesem Artikel werden wir eine Reihe von Verbesserungen vornehmen, um sicherzustellen, dass der Positionsindikator den tatsächlichen Zustand auf dem Handelsserver in Bezug auf offene Positionen und ihren aktuellen Zustand genau widerspiegelt. Ich möchte darauf hinweisen, dass die hier gezeigten Anwendungen keineswegs dazu gedacht sind, eines der in MetaTrader 5 verfügbaren Elemente zu ersetzen. Sie sollten zudem nicht ohne die gebotene Vorsicht und ohne Augenmaß verwendet werden, da ihr Zweck darin besteht, Lehrcode bereitzustellen – also Code, der ausschließlich dazu dient, die Funktionsweise des Systems zu erlernen. Ich bezeichne diesen Code als „Lehrcode“, weil die Verwendung von Nachrichten in manchen Fällen nicht die beste Methode ist, um bestimmte Funktionen zu implementieren.
Marktsimulation: Erste Schritte mit SQL in MQL5 (V)

Marktsimulation: Erste Schritte mit SQL in MQL5 (V)

Im vorherigen Artikel habe ich gezeigt, wie vorzugehen ist, um einen Abfragemechanismus hinzuzufügen. Dies war erforderlich, damit Sie innerhalb des MQL5-Codes SQL in vollem Umfang nutzen und Ergebnisse mithilfe einer SQL-SELECT-Abfrage abrufen können. Aber es gibt noch eine letzte Funktion, die wir implementieren müssen. Dabei handelt es sich um die Funktion DatabaseReadBind. Da ein korrektes Verständnis dieser Funktion eine etwas ausführlichere Erläuterung erfordert, wurde beschlossen, dieses Thema nicht im vorherigen Artikel, sondern im heutigen Artikel zu behandeln. Da das Thema also recht umfangreich ist, gehen wir direkt zum nächsten Abschnitt über.
Marktsimulation: Erste Schritte mit SQL in MQL5 (I)

Marktsimulation: Erste Schritte mit SQL in MQL5 (I)

Im heutigen Artikel beginnen wir, uns mit der Verwendung von SQL im MQL5-Code zu beschäftigen. Außerdem werden wir uns damit befassen, wie man eine Datenbank erstellt. Oder, genauer gesagt: wie man mithilfe der in MQL5 integrierten Funktionen eine SQLite-Datenbankdatei erstellt. Außerdem werden wir sehen, wie man eine Tabelle erstellt und anschließend mithilfe von Primär- und Fremdschlüsseln eine Beziehung zwischen Tabellen herstellt. All dies wird wiederum mit MQL5 umgesetzt. Wir werden sehen, wie einfach es ist, Code zu erstellen, der später auf andere SQL-Implementierungen migriert werden kann, indem wir eine Klasse verwenden, die dabei hilft, die jeweilige Implementierung zu verbergen. Und vor allem werden wir sehen, dass wir an verschiedenen Stellen mit dem Risiko konfrontiert sein können, dass bei der Verwendung von SQL etwas schiefgeht. Das liegt daran, dass SQL-Code im MQL5-Code immer in Form eines Strings platziert wird.
Training eines nichtlinearen U-Transformers anhand der Residuen eines linearen autoregressiven Modells

Training eines nichtlinearen U-Transformers anhand der Residuen eines linearen autoregressiven Modells

Der Artikel stellt ein innovatives Hybridsystem zur Prognose von Wechselkursen vor, das ein lineares autoregressives Modell mit einer U-Transformer-Architektur zur Residuenanalyse kombiniert. Das System wechselt je nach Qualität automatisch zwischen den Signalquellen und umfasst eine vollständige Handelslogik mit Strategien für Averaging und Pyramiding. Der entscheidende Vorteil dieses Ansatzes besteht darin, dass das neuronale Netzwerk auf den Residuen des linearen Modells trainiert wird, was die Aufgabe vereinfacht und das Risiko von Overfitting verringert. Das System ist vollständig in MQL5 implementiert, für den Live-Handel ausgelegt und passt sich automatisch an veränderte Marktbedingungen an.
Marktsimulation (Teil 22): Erste Schritte mit SQL (V)

Marktsimulation (Teil 22): Erste Schritte mit SQL (V)

Bevor Sie aufgeben und beschließen, SQL nicht weiter zu lernen, möchte ich Sie, liebe Leserinnen und Leser, daran erinnern, dass wir hier immer noch nur die grundlegendsten Elemente verwenden. Einige Funktionen von SQL haben wir noch nicht behandelt. Sobald Sie diese verstanden haben, werden Sie feststellen, dass SQL viel praktischer ist, als es zunächst den Anschein hat. Allerdings werden wir höchstwahrscheinlich irgendwann die Richtung dessen ändern, was wir gerade aufbauen, da der Entwicklungsprozess dynamisch ist. Wir werden noch etwas genauer zeigen, wie man verschiedene Dinge in SQL erstellt, denn das ist für Sie wirklich wichtig und nützlich. Wenn man einfach davon ausgeht, dass man fähiger ist als eine ganze Gemeinschaft von Programmierern und Entwicklern, führt das nur dazu, dass man Zeit und Chancen verschwendet. Keine Sorge, denn was als Nächstes kommt, wird noch interessanter.
Marktsimulation (Teil 21): Erste Schritte mit SQL (IV)

Marktsimulation (Teil 21): Erste Schritte mit SQL (IV)

Viele von Ihnen haben vielleicht weitaus mehr Erfahrung im Umgang mit Datenbanken als ich und sind daher möglicherweise anderer Meinung. Da es notwendig war, zu erklären, warum Datenbanken so aufgebaut sind, wie sie sind, und warum SQL diese Form hat – insbesondere, warum Primär- und Fremdschlüssel entstanden sind –, mussten einige Dinge etwas abstrakt bleiben.
Marktsimulation: Positionsansicht (V)

Marktsimulation: Positionsansicht (V)

Trotz dessen, was im vorherigen Artikel gezeigt wurde, mag all dies zunächst einfach erscheinen. In Wirklichkeit gibt es jedoch noch einige Probleme, und viele Aufgaben sind noch offen. Sie, lieber Leser, Sie denken vielleicht, dass alles einfach und unkompliziert ist. Aus Unerfahrenheit akzeptieren Sie vielleicht einfach alles, was Ihnen präsentiert wird. Und das ist ein Fehler, den Sie zu vermeiden versuchen sollten. Noch schlimmer ist es, etwas zu verwenden, ohne wirklich zu verstehen, was genau Sie da verwenden. Anfänger durchlaufen oft eine Copy-and-Paste-Phase. Wenn Sie nicht für immer in dieser Phase stecken bleiben wollen, sollten Sie lernen, wie man bestimmte Werkzeuge verwendet. Eines der am häufigsten von Programmierern verwendeten Werkzeuge ist die Dokumentation. Das zweite ist das Testen, unterstützt durch Protokolldateien. Hier werden wir uns ansehen, wie man dabei vorgeht.
Entwicklung eines neuronalen Trading-Roboters auf Basis von Mamba und Selective State Space Models

Entwicklung eines neuronalen Trading-Roboters auf Basis von Mamba und Selective State Space Models

Der Artikel untersucht die revolutionäre Mamba/SSM-Architektur neuronaler Netze für die finanzielle Zeitreihenprognose. Im Beitrag wird eine vollständige MQL5-Implementierung einer modernen Alternative zu Transformer mit linearer Komplexität O(N) statt quadratischer Komplexität O(N²) vorgestellt. Selective State Space Models, hardwareorientierte Optimierungen, Patching-Techniken und fortschrittliche AdamW-Trainingsmethoden werden detailliert behandelt. Praktische Testergebnisse, die eine Steigerung der Genauigkeit von 62% auf 71% bei gleichzeitiger Reduzierung der Trainingszeit von 45 auf 8 Minuten zeigen, sind enthalten. Ein fertiger Trading-EA mit automatischem Nachtraining und adaptivem Risikomanagement für MetaTrader 5 wird vorgestellt.
Marktsimulation: Positionsansicht (IV)

Marktsimulation: Positionsansicht (IV)

Hier werden wir beginnen, verschiedene Komponenten oder Anwendungen zusammenzuführen, die zuvor völlig voneinander isoliert waren. Chart Trade, der Mausindikator und der Expert Advisor waren bereits miteinander verknüpft, aber es gab immer noch keine Möglichkeit, die auf dem Handelsserver offenen Positionen, die oft über ein Cross-Order-System verwaltet werden, direkt im Chart anzuzeigen. Ab diesem Punkt wird dies möglich, was den Weg für verschiedene Ideen und zukünftige Implementierungen ebnet. Obwohl wir erst am Anfang stehen, diese Komponenten in Betrieb zu nehmen, haben wir bereits eine Richtung für die weitere Entwicklung.
Algorithmus für künstliche Atome (A3)

Algorithmus für künstliche Atome (A3)

Der Artikel beschreibt die Implementierung des A3-Algorithmus – eines metaheuristischen Optimierungsalgorithmus, der von chemischen Prozessen inspiriert ist – in MQL5. Nur zwei einstellbare Parameter und eine kleine Population gewährleisten eine hohe Arbeitsgeschwindigkeit bei ausreichender Qualität der Lösungen.
Marktsimulation: Positionsdarstellung (III)

Marktsimulation: Positionsdarstellung (III)

In früheren Artikeln haben wir erwähnt, dass wir manchmal einen Wert für die Eigenschaft ZOrder festlegen müssen. Aber warum? Der Grund dafür ist, dass viele Codeteile, die Objekte in einem Chart hinzufügen, einfach keinen Wert für diese Eigenschaft verwenden oder, genauer gesagt, nicht definieren. Es geht mir nicht darum, zu sagen, was Programmierer tun oder lassen sollen und wie sie ihren Code schreiben sollten. Ich bin hier, um Ihnen, lieber Leser, und jedem, der wirklich verstehen will, wie diese Prozesse intern funktionieren, zu zeigen, was tatsächlich hinter den Kulissen passiert.
Community of Scientists Optimization (CoSO): Praxis

Community of Scientists Optimization (CoSO): Praxis

Wir kehren zum Thema der Optimierung nach dem Modell einer wissenschaftlichen Gemeinschaft zurück. CoSO sollte nicht als fertige Lösung betrachtet werden, sondern als vielversprechende Forschungsplattform. Bei entsprechender Entwicklung kann CoSO seine Nische in Aufgaben finden, bei denen Anpassungsfähigkeit und Widerstandsfähigkeit gegenüber Veränderungen wichtig sind und die Rechenzeit nicht kritisch ist.
Gaußsche Prozesse für maschinellen Lernen (Teil 2): Implementierung und Testen eines Klassifizierungsmodells in MQL5

Gaußsche Prozesse für maschinellen Lernen (Teil 2): Implementierung und Testen eines Klassifizierungsmodells in MQL5

In diesem Abschnitt betrachten wir die Implementierung der wichtigsten Schnittstellen der Bibliothek für Gaußsche Prozesse in MQL5: IKernel, ILikelihood und IInference. Wir werden auch deren Funktionsweise an synthetischen Daten demonstrieren und Indikatoren für Klassifizierung und Regression implementieren und ihre Funktionsweise im Online-Modus demonstrieren – mit erneutem Training des Modells bei jeder neuen Bar.
Quantenneuronales Netzwerk in MQL5 (Teil III): Ein virtueller Quantenprozessor auf Basis von Qubits

Quantenneuronales Netzwerk in MQL5 (Teil III): Ein virtueller Quantenprozessor auf Basis von Qubits

Der Artikel konzentriert sich auf die Erstellung eines Handelssystems mit einem echten Quantensimulator anstelle von mathematischen Analogien. Das System verwendet 3 virtuelle Qubits, Quantengatter und Superpositionsprinzipien zur Marktanalyse. Es ist als Handels-EA für MetaTrader 5 in MQL5 implementiert. Die wichtigste Errungenschaft ist der Übergang von der Simulation zu echten Quantenprinzipien der Finanzinformationsverarbeitung.
Community of Scientists Optimization (CoSO): Theorie

Community of Scientists Optimization (CoSO): Theorie

Geheimnisse der effektiven Optimierung von Handelsstrategien in metaheuristischen Ansätzen. Community of Scientists Optimization ist ein neuer populationsbasierter Algorithmus, der von den Mechanismen der wissenschaftlichen Gemeinschaft inspiriert ist. Im Gegensatz zu traditionellen, von der Natur inspirierten Metaphern modelliert CoSO einzigartige Aspekte menschlicher wissenschaftlicher Tätigkeit: das Veröffentlichen von Ergebnissen in Fachzeitschriften, das Konkurrieren um Fördermittel und das Bilden von Forschungsteams.
Quantenneuronales Netzwerk in MQL5 (Teil II): Training eines neuronalen Netzwerkes mit Backpropagation unter Verwendung von ALGLIB-Markov-Matrizen

Quantenneuronales Netzwerk in MQL5 (Teil II): Training eines neuronalen Netzwerkes mit Backpropagation unter Verwendung von ALGLIB-Markov-Matrizen

Der Artikel präsentiert eine innovative Architektur für ein quantenneuronales Netz für den algorithmischen Handel, die die Prinzipien der Quantenmechanik mit modernen Methoden des maschinellen Lernens kombiniert. Das System umfasst Quanteneffekte (Resonanz, Interferenz, Dekohärenz), mehrstufiges Gedächtnis verschiedener Zeitskalen, Markov-Ketten mit der ALGLIB-Bibliothek und adaptive Parametersteuerung. Die vollständige Implementierung erfolgt in MQL5 unter Verwendung der integrierten Matrix-/Vektortypen, was Implementierungshürden in MetaTrader 5 beseitigt.
Kompetitiver Lernalgorithmus (CLA)

Kompetitiver Lernalgorithmus (CLA)

Der Artikel stellt den kompetitiven Lernalgorithmus (Competitive Learning Algorithm, CLA) vor, eine neue metaheuristische Optimierungsmethode, die auf der Simulation des Bildungsprozesses basiert. Der Algorithmus organisiert die Population von Lösungen in Klassen mit Schülern und Lehrern, wobei Agenten durch drei Mechanismen lernen: Lernen vom Besten der Klasse, Lernen aus eigener Erfahrung und Wissensaustausch zwischen Klassen
Quantenneuronales Netz in MQL5 (Teil I): Erstellen der Include-Datei

Quantenneuronales Netz in MQL5 (Teil I): Erstellen der Include-Datei

Der Artikel stellt einen neuen Ansatz zur Erstellung von Handelssystemen auf der Grundlage quantenmechanischer Prinzipien und künstlicher Intelligenz vor. Der Autor beschreibt die Entwicklung eines einzigartigen neuronalen Netzes, das über klassisches maschinelles Lernen hinausgeht, indem es Quantenmechanik mit modernen KI-Architekturen kombiniert.
Marktsimulation (Teil 24): Positionsansicht (II)

Marktsimulation (Teil 24): Positionsansicht (II)

In diesem Artikel zeige ich, wie man einen Indikator verwendet, um offene Positionen auf dem Handelsserver auf die einfachste und praktischste Weise zu verfolgen. Ich mache dies Schritt für Schritt, um zu zeigen, dass man nicht unbedingt all dies in einen Expert Advisor verschieben muss. Viele von Ihnen haben sich wahrscheinlich aus dem einen oder anderen Grund daran gewöhnt, dies zu tun. Tatsächlich ist das nicht wirklich gerechtfertigt, denn im Laufe der Entwicklung dieser Implementierung wird deutlich werden, dass man für diesen Zweck verschiedene Arten von Indikatoren erstellen oder implementieren kann.
Marktsimulation (Teil 23): Positionsansicht (I)

Marktsimulation (Teil 23): Positionsansicht (I)

Der Inhalt, den wir ab diesem Punkt behandeln werden, ist in Bezug auf Theorie und Konzepte weitaus komplexer. Ich werde versuchen, den Stoff so einfach wie möglich zu gestalten. Der Programmierteil selbst ist recht einfach und unkompliziert. Aber wenn Sie die Theorie dahinter nicht verstehen, werden Sie überhaupt keine praktische Grundlage haben, um das Replay-/Simulationssystem für andere Aufgaben als die, die ich zeigen werde, zu verfeinern oder anzupassen. Ich möchte nicht, dass Sie den von mir präsentierten Code lediglich kompilieren und verwenden. Ich möchte, dass Sie lernen, verstehen und, wenn möglich, in der Lage sind, etwas noch Besseres zu schaffen.