Erstellen Sie einen praktischen MetaTrader 5 „Sigma-Score“ Indikator von Grund auf und lernen Sie, was er wirklich misst: den z-Score der logarithmischen Renditen (wie viele Standardabweichungen die letzte Bewegung vom letzten Durchschnitt abweicht). Der Artikel geht jeden Codeblock in OnInit(), OnCalculate() und OnDeinit() durch und zeigt dann, wie man Schwellenwerte (z. B. ±2) interpretiert und den Sigma-Score als einfaches „Marktstress-Messgerät“ für Mean-Reversion und Momentum-Trading einsetzt.
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).
In diesem Artikel entwickeln wir einen RSI-Indikator in MQL5, der die Werte des Relative-Strength-Index auf einer kreisförmigen Skalierung mit einer dynamischen Nadel, farbcodierten Bereichen für überkaufte und überverkaufte Niveaus und einer anpassbaren Legende visualisiert. Wir verwenden die Canvas-Klasse zum Zeichnen von Elementen wie Bögen, Skalenstrichen und Tortendiagrammen, um eine reibungslose Aktualisierung bei neuen RSI-Daten zu gewährleisten.
Dieser Artikel zeigt, wie man komplexe MQL5-Datei-Operationen vereinfachen kann, indem man eine Schnittstelle im Python-Stil für müheloses Lesen und Schreiben erstellt. Es wird erklärt, wie man die intuitiven Dateiverarbeitungsmuster von Python durch nutzerdefinierte Funktionen und Klassen nachbilden kann. Das Ergebnis ist ein sauberer, zuverlässiger Ansatz für MQL5-Datei-E/A.
In diesem Artikel werden wir versuchen, den Markt mit einem soliden Modell für Zeitreihenprognosen namens DeepAR vorherzusagen. Ein Modell, das eine Kombination aus tiefen neuronalen Netzen und autoregressiven Eigenschaften darstellt, die in Modellen wie ARIMA und Vector Autoregressive (VAR) zu finden sind.
In diesem Artikel erstellen wir einen Pivot-basierten Trendindikator in MQL5, der schnelle und langsame Pivot-Linien über nutzerdefinierte Zeiträume berechnet, Trendrichtungen anhand des Preises relativ zu diesen Linien erkennt und Trendstarts mit Pfeilen signalisiert, wobei die Linien optional über den aktuellen Balken hinaus verlängert werden können. Der Indikator unterstützt eine dynamische Visualisierung mit separaten Aufwärts-/Abwärtslinien in anpassbaren Farben, gepunkteten schnellen Linien, die bei Trendänderungen ihre Farbe ändern, und optionalen Farbverläufen zwischen den Linien, die ein Canvas-Objekt zur besseren Hervorhebung des Trendbereichs verwenden.
Erfahren Sie, wie Sie mit WebRequest und externen API-Aufrufen aktuelle Kerzendaten abrufen, jeden Wert in einen verwendbaren Typ umwandeln und die Informationen übersichtlich in einem Tabellenformat speichern können. Dieser Schritt bildet die Grundlage für die Erstellung eines Indikators, der die Daten im Kerzenformat visualisiert.
Die Integration des Logging-Moduls von Python in MQL5 ermöglicht Händlern einen systematischen Logging-Ansatz, der die Überwachung, Fehlersuche und Dokumentation von Handelsaktivitäten vereinfacht. Dieser Artikel erläutert den Anpassungsprozess und bietet Händlern ein leistungsfähiges Werkzeug, um Klarheit und Organisation bei der Entwicklung von Handelssoftware zu erhalten.
In diesem Artikel implementieren wir den ARIMA-Prognose-Indikator in MQL5. Es wird untersucht, wie das ARIMA-Modell Prognosen erstellt und wie es sich auf den Devisenmarkt und den Aktienmarkt im Allgemeinen anwenden lässt. Außerdem wird erklärt, was AR-Autoregression ist, wie autoregressive Modelle für Prognosen verwendet werden und wie der Autoregressionsmechanismus funktioniert.
In diesem Artikel entwickeln wir ein Erkennungssystem für Change of Character (CHoCH) in MQL5, das hohe und tiefe Umkehrpunkte über eine nutzerdefinierte Balkenanzahl identifiziert, sie als HH/LH für Hochs oder LL/HL für Tiefs kennzeichnet, um die Trendrichtung zu bestimmen, und Handelsgeschäfte bei Durchbrüchen dieser Umkehrpunkte auslöst, was eine potenzielle Umkehr anzeigt, und die Durchbrüche handelt, wenn sich die Struktur ändert.
In diesem Artikel wird die Verwendung des Rolling-Windows-Eigenvektor-Vergleichs für die frühzeitige Diagnose von Ungleichgewichten und das Rebalancing des Portfolios in einer statistischen Arbitragestrategie der Rückkehr zum Mittelwert (Mean-Reversion) auf der Grundlage kointegrierter Aktien vorgeschlagen. Sie stellt diese Technik der traditionellen In-Sample/Out-of-Sample-ADF-Validierung gegenüber und zeigt, dass Eigenvektorverschiebungen die Notwendigkeit einer Neugewichtung signalisieren können, selbst wenn die IS/OOS-ADF immer noch eine stationäre Streuung anzeigt. Obwohl die Methode hauptsächlich für die Überwachung des Live-Handels gedacht ist, kommt der Artikel zu dem Schluss, dass der Eigenvektorvergleich auch in das Scoring-System integriert werden könnte – obwohl sein tatsächlicher Beitrag zur Leistung noch getestet werden muss.
In diesem Artikel wird die Pattern Density Heatmap vorgestellt, ein Zuordnungsinstrument des Preis-Aktions-Mappings, das wiederholte Erkennungen von Kerzenmustern in statistisch signifikante Unterstützungs- und Widerstandszonen umwandelt. Anstatt jedes Signal isoliert zu behandeln, fasst der EA die Erkennungen in festen Preisbereichen (bins) zusammen, bewertet ihre Dichte mit einer optionalen Aktualitätsgewichtung und bestätigt die Werte anhand von Daten mit höherem Zeitrahmen. Die sich daraus ergebende Heatmap zeigt, wo der Markt in der Vergangenheit reagiert hat – Werte, die proaktiv für das Handels-Timing, das Risikomanagement und das Vertrauen in die Strategie für jeden Handelsstil genutzt werden können.
In diesem Artikel implementieren wir ein adaptives lineares Regressionskanalsystem in MQL5, das automatisch die Regressionslinie und den Standardabweichungskanal über einen nutzerdefinierten Zeitraum berechnet, nur aktiviert wird, wenn die Steigung einen Mindestschwellenwert überschreitet, um einen klaren Trend zu bestätigen, und den Kanal dynamisch neu erstellt oder erweitert, wenn der Preis um einen konfigurierbaren Prozentsatz der Kanalbreite ausbricht.
Im Gegensatz zu MQL5 bietet die Programmiersprache Python Kontrolle und Flexibilität, wenn es um den Umgang mit und die Manipulation von Zeit geht. In diesem Artikel werden wir ähnliche Module zur besseren Handhabung von Datum und Uhrzeit in MQL5 wie in Python implementieren.
In diesem Artikel wollen wir untersuchen, wie ein komplementäres Indikatorpaar zur Analyse der jüngsten 5-Jahres-Historie des Vanguard Information Technology Index Fund ETF verwendet werden kann. Durch die Betrachtung von zwei Algorithmen, dem Kendall’schen Tau und der Distance-Korrelation, versuchen wir nicht nur ein ideales Indikatorpaar für den Handel mit dem VGT auszuwählen, sondern auch geeignete Signalmuster-Paarungen dieser beiden Indikatoren.
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.
In diesem Teil konzentrieren wir uns darauf, wie man Echtzeit-Markt-Feedback – z. B. Live-Handelsergebnisse, Volatilitätsänderungen und Liquiditätsverschiebungen – mit adaptivem Modelllernen zusammenführt, um ein reaktionsfähiges und selbstverbesserndes Handelssystem zu erhalten.
In diesem Artikel entwickeln wir ein MQL5-Strategie-Trackersystem, das das Kreuzen von gleitenden Durchschnitte erkennt, die von einem langfristigen MA gefiltert werden, Handelsgeschäfte mit konfigurierbaren TP-Levels und SL in Punkten simuliert oder ausführt und Ergebnisse wie TP/SL-Treffer zur Leistungsanalyse überwacht.
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.
In diesem Artikel werden zwei zusätzliche Bewertungskriterien für die Auswahl von Aktienkörben beschrieben, die im Rahmen der Strategien von der Rückkehr zum Mittelwert gehandelt werden sollen, genauer gesagt im Rahmen der kointegrationsbasierten statistischen Arbitrage. Er ergänzt einen früheren Artikel, in dem die Liquidität und die Stärke der Kointegrationsvektoren sowie die strategischen Kriterien des Zeitrahmens und des Rückblickzeitraums vorgestellt wurden, durch die Einbeziehung der Stabilität der Kointegrationsvektoren und der Zeit bis zur Rückkehr zum Mittelwert (Halbwertszeit). Der Artikel enthält die kommentierten Ergebnisse eines Backtests, bei dem die neuen Filter angewandt wurden, und die für die Reproduktion erforderlichen Dateien werden ebenfalls bereitgestellt.
Sequentielles Bootstrapping gestaltet das Bootstrap-Sampling für maschinelles Lernen im Finanzbereich neu, indem es zeitlich überlappende Kennzeichnungen aktiv vermeidet und so unabhängigere Trainingsstichproben, schärfere Unsicherheitsschätzungen und robustere Handelsmodelle erzeugt. Dieser praktische Leitfaden erklärt die Intuition, zeigt den Algorithmus Schritt für Schritt, bietet optimierte Codemuster für große Datensätze und demonstriert messbare Leistungssteigerungen durch Simulationen und echte Backtests.
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.
Entdecken Sie, wie Sie eine kritische Schwachstelle beim maschinellen Lernen im Finanzbereich beheben können, die zu einer Überanpassung der Modelle und einer schlechten Live-Performance führt – die Gleichzeitigkeit der Kennzeichen. Bei der Verwendung der Triple-Barrier-Methode überschneiden sich die Trainingskennzeichen zeitlich, wodurch die zentrale IID-Annahme der meisten ML-Algorithmen verletzt wird. Dieser Artikel bietet eine praktische Lösung in Form einer Stichprobengewichtung. Sie werden lernen, wie man die zeitliche Überlappung zwischen Handelssignalen quantifiziert, Stichprobengewichte berechnet, die die einzigartigen Informationen jeder Beobachtung widerspiegeln, und diese Gewichte in Scikit-Learn implementiert, um robustere Klassifikatoren zu erstellen. Das Erlernen dieser grundlegenden Techniken wird Ihre Handelsmodelle robuster, zuverlässiger und profitabler machen.
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.
In diesem Artikel entwickeln wir einen MQL5 Expert Advisor für den Handel von einer Rückkehr zum Mittelwert, der statistischen Momente wie Mittelwert, Varianz, Schiefe, Kurtosis und dem Jarque-Bera-Test über einen bestimmten Zeitraum, um nicht-normale Verteilungen zu identifizieren und Kauf- bzw.Verkaufssignale auf der Grundlage von Konfidenzintervallen mit adaptiven Schwellenwerten zu erzeugen.
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.
Der neue proprietäre Optimierungsalgorithmus NOA2 (Neuroboids Optimization Algorithm 2) kombiniert die Prinzipien der Schwarmintelligenz mit neuronaler Steuerung. NOA2 kombiniert die Mechanik eines Neuroboidenschwarms mit einem adaptiven neuronalen System, das es den Agenten ermöglicht, ihr Verhalten selbst zu korrigieren, während sie nach dem Optimum suchen. Der Algorithmus wird derzeit aktiv weiterentwickelt und zeigt sein Potenzial für die Lösung komplexer Optimierungsprobleme.
In diesem Artikel wird ein Ansatz zur Erstellung von Handelsstrategien für Gold mithilfe von maschinellem Lernen vorgestellt. Betrachtet man den vorgeschlagenen Ansatz zur Analyse und Prognose von Zeitreihen aus verschiedenen Blickwinkeln, so lassen sich seine Vor- und Nachteile im Vergleich zu anderen Methoden zur Erstellung von Handelssystemen, die ausschließlich auf der Analyse und Prognose von Finanzzeitreihen beruhen, feststellen.
Wir beginnen mit der Implementierung der Verbindung zwischen Excel und MetaTrader 5, aber zunächst müssen wir einige wichtige Punkte verstehen. Auf diese Weise müssen Sie sich nicht den Kopf darüber zerbrechen, warum etwas funktioniert oder nicht funktioniert. Und bevor Sie die Stirn runzeln bei der Aussicht auf die Integration von Python und Excel, lassen Sie uns sehen, wie wir (bis zu einem gewissen Grad) MetaTrader 5 durch Excel mit xlwings steuern können. Was wir hier zeigen, wird sich in erster Linie auf die Bildungsziele konzentrieren. Denken Sie aber nicht, dass wir nur das tun können, was hier behandelt wird.
Was ist eine quantitative Trendanalyse auf dem Devisenmarkt? Wir sammeln Statistiken über Trends, deren Ausmaß und Verteilung über das Währungspaar EURUSD. Wie Sie mit Hilfe der quantitativen Trendanalyse einen profitablen Trading Expert Advisor erstellen können.
Wir bestimmen den überkauften und überverkauften Zustand des Marktes nach der Chaostheorie: Wir integrieren die Prinzipien der Chaostheorie, der fraktalen Geometrie und der neuronalen Netze, um Finanzmärkte zu prognostizieren. Die Studie demonstriert die Verwendung des Lyapunov-Exponenten als Maß für die Zufälligkeit des Marktes und die dynamische Anpassung der Handelssignale. Die Methodik umfasst einen Algorithmus zur Erzeugung von fraktalem Rauschen, hyperbolische Tangentenaktivierung und Momentoptimierung.
In diesem Artikel wird ein Ansatz erörtert, der darauf abzielt, nur in der gewählten Richtung (Kauf oder Verkauf) zu handeln. Zu diesem Zweck werden die Technik der kausalen Inferenz und des maschinellen Lernens eingesetzt.
Das EURUSD-Prognosesystem mit Hilfe von Computer Vision und Deep Learning. Erfahren Sie, wie Faltungsneuronale Netze komplexe Kursmuster auf dem Devisenmarkt erkennen und Wechselkursbewegungen mit einer Genauigkeit von bis zu 54 % vorhersagen können. Der Artikel beschreibt die Methodik zur Entwicklung eines Algorithmus, der Technologien der künstlichen Intelligenz für die visuelle Analyse von Charts anstelle von traditionellen technischen Indikatoren verwendet. Der Autor demonstriert den Prozess der Umwandlung von Preisdaten in „Bilder“, ihre Verarbeitung durch ein neuronales Netz und die einzigartige Möglichkeit, anhand von Aktivierungskarten und Aufmerksamkeits-Heatmaps einen Blick in das „Bewusstsein“ der KI zu werfen. Praktischer Python-Code, der die MetaTrader 5-Bibliothek nutzt, ermöglicht es den Lesern, das System zu reproduzieren und für den eigenen Handel anzuwenden.
In diesem Artikel wird ein weiterer, origineller Ansatz für die Entwicklung von Handelssystemen auf der Grundlage von maschinellem Lernen vorgeschlagen, bei dem Clustering und Trade Labeling für die Strategien der Rückkehr zum Mittelwert eingesetzt werden.
Möchten Sie wissen, wie Sie von den unterschiedlichen Zinssätzen profitieren können? Dieser Artikel befasst sich mit der Frage, wie man Swap-Arbitrage auf dem Forex-Markt nutzen kann, um jede Nacht einen stabilen Gewinn zu erzielen und ein Portfolio aufzubauen, das gegen Marktschwankungen resistent ist.
In diesem Artikel werden wir uns ansehen, was Sie tun müssen, um Excel für die Verwaltung von MetaTrader 5 zu nutzen, aber auf eine sehr interessante Art und Weise. Dazu werden wir ein Excel-Add-In verwenden, um die Verwendung von integriertem VBA zu vermeiden. Wenn Sie nicht wissen, was ein Add-in ist, lesen Sie diesen Artikel und lernen Sie, wie man in Python direkt in Excel programmiert.
In dieser Studie wird eine neuartige Methodik für die Entwicklung von Trendfolgestrategien vorgestellt. In diesem Abschnitt wird der Prozess der Annotation von Trainingsdaten und deren Verwendung zum Training von Klassifikatoren beschrieben. Dieser Prozess führt zu voll funktionsfähigen Handelssystemen, die für den MetaTrader 5 entwickelt wurden.
In diesem Artikel werden wir die Bewegungen synthetischer Währungen mit Hilfe von Python und MQL5 untersuchen und herausfinden, wie praktikabel Forex-Arbitrage heute ist. Wir werden uns auch mit fertigem Python-Code für die Analyse synthetischer Währungen befassen und mehr Details darüber mitteilen, was synthetische Währungen im Devisenhandel sind.
In diesem Artikel betrachten wir den Prozess der Entwicklung eines Tabellenmodells in MQL5 unter Verwendung des MVC-Architekturmusters (Model-View-Controller) zur Trennung der Logik, Darstellung und Steuerung der Daten, was strukturierten, flexiblen und skalierbaren Code ermöglicht. Wir betrachten die Implementierung von Klassen zum Aufbau eines Tabellenmodells, einschließlich der Verwendung von verknüpften Listen zur Speicherung von Daten.
Nur weil ständig Ticks eingehen, heißt das nicht, dass jeder Moment eine Gelegenheit zum Handeln ist. Heute befassen wir uns eingehend mit der Kunst des Timings und konzentrieren uns auf die Entwicklung eines Algorithmus zur Zeitisolierung, der Händlern dabei hilft, die für sie günstigsten Marktfenster zu identifizieren und zu handeln. Die Pflege dieser Disziplin ermöglicht es Privatanlegern, sich besser auf das Timing der institutionellen Anleger einzustellen, bei denen Präzision und Geduld oft über den Erfolg entscheiden. Nehmen Sie an dieser Diskussion teil, in der wir die Wissenschaft des Timings und des selektiven Handels mit Hilfe der analytischen Fähigkeiten von MQL5 erkunden.
