Dies ist ein spezieller Trendfolge-EA, der sowohl kurz- als auch langfristige Analysen, Handelsentscheidungen und Ausführungen auf der Grundlage des Gesamttrends und seiner Stärke vornimmt. In diesem Artikel wird ein EA ausführlich vorgestellt, der speziell für Trader entwickelt wurde, die geduldig, diszipliniert und zielstrebig genug sind, um Trades nur dann auszuführen und ihre Positionen nur dann zu halten, wenn sie mit starker Marktdynamik und in Trendrichtung handeln, ohne ihre Ausrichtung häufig zu ändern – insbesondere nicht gegen den Trend –, bis die Gewinnziele erreicht sind.
Eine ausführliche Darstellung des Aufbaus eines von Larry Williams inspirierten Volatilitäts-Breakout Expert Advisors in MQL5, der Swing-Struktur, volatilitätsbasierten Eröffnungen, Filterung des Handelstages der Woche, Zeitfilter und flexiblem Risikomanagement kombiniert, mit einer vollständigen Implementierung und reproduzierbarem Testaufbau.
In diesem faszinierenden Artikel bauen wir unseren allerersten Handelsroboter im Simulator auf und führen eine Strategietest-Aktion durch, die der Funktionsweise des MetaTrader 5-Strategietesters ähnelt. Anschließend vergleichen wir die Ergebnisse einer nutzerdefinierten Simulation mit unserem bevorzugten Terminal.
In diesem Artikel stellen wir Python-MetaTrader 5-ähnliche Wege vor, um Handelsoperationen wie das Öffnen, Schließen und Ändern von Aufträgen im Simulator zu handhaben. Um sicherzustellen, dass sich die Simulation wie MetaTrader 5 verhält, ist eine strenge Validierungsschicht für Handelsanfragen implementiert, die die Parameter des Symbolhandels und die typischen Brokerage-Einschränkungen berücksichtigt.
Dieser Artikel zeigt, wie ein Expert Advisor für den Ausbruch der Volatilität nach Larry Williams in MQL5 entworfen und implementiert werden kann, wobei die Messung der Swing-Range, die Prognose des Eröffnungsniveaus, die risikobasierte Positionsgrößenbestimmung und das Backtesten anhand realer Marktdaten behandelt werden.
Dieser Artikel beschreibt die Verwendung von CSV-Dateien für das Backtesting von Aktualisierungen der Portfoliogewichte in einer auf der Rückkehr zum Mittelwert basierenden Strategie, die statistische Arbitrage durch kointegrierte Aktien nutzt. Sie reicht von der Einspeisung der Ergebnisse der Rolling Windows Eigenvektor Comparison (RWEC) in die Datenbank bis zum Vergleich der Backtest-Berichte. In der Zwischenzeit werden in dem Artikel die Rolle der einzelnen RWEC-Parameter und ihre Auswirkung auf das Gesamtergebnis des Backtests detailliert beschrieben und gezeigt, wie der Vergleich des relativen Drawdowns uns helfen kann, diese Parameter weiter zu verbessern.
In diesem Artikel verbessern wir den Indikator Smart WaveTrend Crossover in MQL5 durch die Integration von Canvas-basiertem Zeichnen für Überlagerung mit Nebelverläufen, Signalkästchen, die Ausbrüche erkennen, und anpassbaren Kauf-/Verkaufsblasen oder Dreiecken für visuelle Warnungen. Wir integrieren Funktionen für das Risikomanagement mit dynamischen Take-Profit- und Stop-Loss-Niveaus, die über Kerzenmultiplikatoren oder Prozentsätze berechnet und in Form von Linien und einer Tabelle angezeigt werden, sowie Optionen für Trendfilterung und Box-Erweiterungen.
In diesem Artikel entwickeln wir einen nutzerdefinierten Indikator in MQL5 namens Smart WaveTrend Crossover, der zwei WaveTrend-Oszillatoren verwendet – einen für die Erzeugung der Signale über das Kreuzen und einen anderen für die Trendfilterung – mit anpassbaren Parametern für Kanal-, Durchschnitts- und gleitende Durchschnittslängen. Der Indikator stellt farbige Kerzen auf der Grundlage der Trendrichtung dar, zeigt Kauf- und Verkaufspfeilsignale bei Überkreuzungen an und enthält Optionen zur Aktivierung der Trendbestätigung und zur Anpassung visueller Elemente wie Farben und Offsets.
Meistern Sie die Automatisierung der kurzfristigen Umkehrmuster von Larry Williams mit MQL5. In diesem Leitfaden entwickeln wir einen vollständig konfigurierbaren Expert Advisor (EA), der nicht-zufällige Marktstrukturen ausnutzt. Wir zeigen Ihnen, wie Sie ein robustes Risikomanagement und eine flexible Ausstiegslogik integrieren und so eine solide Grundlage für die systematische Strategieentwicklung und die Backtests schaffen.
In diesem Artikel erweitern wir das KI-gestützte Handelssystem in MQL5 um Verbesserungen der Nutzeroberfläche, einschließlich Ladeanimationen für die Vorbereitungs- und Denkphasen von Anfragen sowie Zeitmesswerte, die in den Antworten für ein besseres Feedback angezeigt werden. Wir fügen Tools zur Verwaltung von Antworten hinzu, wie z. B. Schaltflächen zum erneuten Abfragen der KI und Exportoptionen zum Speichern der letzten Antwort in einer Datei, um die Interaktion zu optimieren.
Lernen Sie, wie Sie die Marktstrukturkonzepte von Larry Williams in MQL5 automatisieren können, indem Sie einen vollständigen Expert Advisor erstellen, der Umkehrpunkte liest, Handelssignale erzeugt, das Risiko verwaltet und eine dynamische Trailing-Stop-Strategie anwendet.
In diesem Artikel erweitern wir den Indikator auf Basis von Messuhren in MQL5, um mehrere Oszillatoren zu unterstützen und dem Nutzer die Auswahl durch eine Enumeration für einzelne oder kombinierte Anzeigen zu ermöglichen. Wir führen sektorale und runde Messuhren-Stile über abgeleitete Klassen eines Basis-Messuhren-Systems ein und verbessern die Falldarstellung mit Bögen, Linien und Polygonen für ein verfeinertes visuelles Erscheinungsbild.
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 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.
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.
Untersuchen wir, ob Finanzmärkte wirklich zufällig sind, indem wir die Experimente zum Marktverhalten von Larry Williams mit MQL5 nachstellen. Dieser Artikel zeigt, wie einfache Preis-Aktions-Tests statistische Marktverzerrungen aufdecken können, indem ein nutzerdefinierter Expert Advisor verwendet wird.
Wir setzen unseren Blick darauf fort, wie MetaTrader außerhalb seiner „Komfortzone“ für den Devisenhandel eingesetzt werden kann, indem wir einen weiteren handelbaren Vermögenswert in Form des FXI ETFs betrachten. Im Gegensatz zum letzten Artikel, in dem wir versucht haben, „zu viel“ zu tun, indem wir uns nicht nur mit der Auswahl von Indikatoren, sondern auch mit der Kombination von Indikatormustern beschäftigt haben, werden wir in diesem Artikel etwas flussaufwärts schwimmen und uns mehr auf die Auswahl von Indikatoren konzentrieren. Unser Endprodukt ist als eine Art Pipeline gedacht, die dabei helfen kann, Indikatoren für verschiedene Vermögenswerte zu empfehlen, vorausgesetzt, wir verfügen über einen angemessenen Teil ihrer Kurshistorie.
Dieser Artikel erläutert den Aufbau eines Expert Advisors für GOLD, der für Prop-Firmen entwickelt wurde und sich durch Breakout-Filter, eine Analyse über mehrere Zeitrahmen, ein robustes Risikomanagement sowie einen strengen Schutz vor Drawdowns auszeichnet. Der EA hilft Händlern, die Herausforderungen von Prop-Firmen zu bestehen, indem er Regelverstöße vermeidet und die Handelsausführung unter volatilen Marktbedingungen stabilisiert.
In der Welt der technischen Analyse steht der Preis oft im Mittelpunkt. Händler zeichnen akribisch Unterstützung, Widerstand und Muster auf, ignorieren aber häufig die entscheidende Kraft, die diese Bewegungen antreibt: das Volumen. Dieser Artikel befasst sich mit einem neuartigen Ansatz zur Volumenanalyse: dem Volume Boundary Indikator. Diese Transformation, bei der ausgefeilte Glättungsfunktionen wie die Schmetterlings- und Triple-Sinuskurve zum Einsatz kommen, ermöglicht eine klarere Interpretation und die Entwicklung systematischer Handelsstrategien.
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 dieser Diskussion stellen wir ein strukturiertes, mehrschichtiges Verteidigungssystem vor, das darauf ausgelegt ist, aggressive Gewinnziele zu verfolgen und gleichzeitig das Risiko katastrophaler Verluste zu minimieren. Der Schwerpunkt liegt auf der Verbindung einer offensiven Handelslogik mit Schutzmaßnahmen auf jeder Ebene der Handelskette. Die Idee ist, einen EA zu entwickeln, der sich wie ein „risikobewusstes Raubtier“ verhält – fähig, hochwertige Gelegenheiten zu ergreifen,jedoch stets mit einem mehrschichtigen Schutz, um zu verhindern, dass man von plötzlichen Marktturbulenzen überrascht wird.
Dieses Thema befasst sich mit dem Aufbau einer Adaptive Smart Money Architecture (ASMA) – einem intelligenten Expert Advisor, der Smart-Money-Konzepte (Orderblöcke, Strukturbrüche, Fair-Value-Gaps) mit der Marktstimmung in Echtzeit kombiniert, um automatisch die beste Handelsstrategie in Abhängigkeit von den aktuellen Marktbedingungen auszuwählen.
In diesem Artikel bauen wir ein „Liquidity Sweep on Break of Structure“ (BoS) System in MQL5 auf, das hohe/tiefe Umkehrpunkte über eine nutzerdefinierte Länge erkennt, sie als HH/HL/LH/LL kennzeichnet, um BoS zu identifizieren (HH in einem Aufwärtstrend oder LL in einem Abwärtstrend), und Liquidity-Sweeps erkennt, wenn der Preis über den Umkehrpunkt hinausgeht, aber auf einer Auf-/Abwärtskerze wieder innerhalb schließt.
Selbstüberwachtes Lernen ist ein leistungsstarkes Paradigma des statistischen Lernens, das nach Überwachungssignalen sucht, die aus den Beobachtungen selbst generiert werden. Mit diesem Ansatz werden schwierige Probleme des unüberwachten Lernens in vertrautere überwachte Probleme umgewandelt. Diese Technologie hat Anwendungen für unser Ziel als Gemeinschaft von algorithmischen Händlern übersehen. Unsere Diskussion zielt daher darauf ab, dem Leser eine leicht verständliche Brücke in das offene Forschungsgebiet des selbstüberwachten Lernens zu schlagen und bietet praktische Anwendungen, die robuste und zuverlässige statistische Modelle der Finanzmärkte ohne Überanpassung an kleine Datensätze liefern.
In diesem Artikel erstellen wir ein System zur Erkennung der inversen Fair-Value-Gaps (IFVG) in MQL5, das Auf-/Abwärts-FVGs auf den letzten Balken mit einer Filterung der Mindestlückengröße identifiziert, ihre Zustände als normal/gemildert/invertiert auf der Grundlage von Preisinteraktionen verfolgt (Abschwächung bei Durchbrüchen auf der Gegenseite, Rücksetzer bei Wiedereintritt, Inversion des Schlusskurses auf der Gegenseite von innen) und Überschneidungen ignoriert, während es die verfolgten FVGs begrenzt.
In diesem Artikel wird die klassische Strategie des Kreuzens von gleitenden Durchschnitten wieder aufgegriffen und untersucht, warum sie in bewegten, schnelllebigen Märkten oft scheitert. Es werden fünf alternative Filtermethoden vorgestellt, die die Signalqualität verbessern und schwache oder unrentable Handelsgeschäfte entfernen sollen. Die Diskussion zeigt, wie statistische Modelle lernen und Fehler korrigieren können, die der menschlichen Intuition und traditionellen Regeln entgehen. Die Leser erhalten ein besseres Verständnis dafür, wie man eine veraltete Strategie modernisieren kann und welche Fallstricke es gibt, wenn man sich bei der Finanzmodellierung ausschließlich auf Kennzahlen wie den RMSE verlässt.
In dieser Sitzung werden wir einen ausgeklügelten Multi-Signal-Expert Advisor unter Verwendung der MQL5-Standardbibliothek erstellen. Dieser Ansatz ermöglicht es uns, integrierte Signale nahtlos mit unserer eigenen Logik zu kombinieren und so einen leistungsstarken und flexiblen Handelsalgorithmus zu entwickeln. Klicken Sie hier, um mehr zu erfahren.
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 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.
Analytical Volume Profile Trading (AVPT) untersucht, wie die Liquiditätsarchitektur und das Marktgedächtnis das Preisverhalten beeinflussen, und ermöglicht so einen tieferen Einblick in die institutionelle Positionierung und die volumengesteuerte Struktur. Durch die Zuordnung von POC, HVNs, LVNs und Value Areas können Händler Annahme-, Ablehnungs- und Ungleichgewichtszonen präzise identifizieren.
Sind Sie es leid, Fortschrittsbalken zu beobachten, anstatt Handelsstrategien zu testen? Die herkömmliche Zwischenspeicherung versagt bei Financial ML, sodass Sie mit verlorenen Berechnungen und frustrierenden Neustarts konfrontiert werden. Wir haben eine ausgeklügelte Caching-Architektur entwickelt, die den besonderen Herausforderungen von Finanzdaten gerecht wird: zeitliche Abhängigkeiten, komplexe Datenstrukturen und die ständige Gefahr einer Verzerrung durch Vorausschau. Unser dreischichtiges System sorgt für drastische Geschwindigkeitsverbesserungen, während es veraltete Ergebnisse automatisch ungültig macht und kostspielige Datenlecks verhindert. Warten Sie nicht länger auf Berechnungen, sondern beginnen Sie mit der Iteration in dem Tempo, das der Markt verlangt.
In diesem Artikel erstellen wir das vollständig anpassbare sitzungsbasierte System des Opening Range Breakout (ORB) in MQL5, mit dem wir eine beliebige Startzeit der Sitzung und die Dauer der Spanne festlegen können, das Hoch und Tief dieser Eröffnungsperiode automatisch berechnet und nur bestätigte Ausbrüche in die Richtung der Bewegung handelt.
Dieser Artikel zeigt, wie man ein Blackbox-Modell konfiguriert, um automatisch starke Handelsstrategien mit einem datengesteuerten Ansatz zu entdecken. Indem wir die gegenseitige Information nutzen, um die lernfähigsten Signale zu priorisieren, können wir intelligentere und anpassungsfähigere Modelle erstellen, die herkömmliche Methoden übertreffen. Die Leser werden auch lernen, häufige Fallstricke wie den übermäßigen Rückgriff auf oberflächliche Metriken zu vermeiden und stattdessen Strategien zu entwickeln, die auf aussagekräftigen statistischen Erkenntnissen beruhen.
In diesem Artikel entwickeln wir das Handelssystem der Candle Range Theory (CRT, Theorie des Kerzenbereichs) in MQL5, das Akkumulationsbereiche auf einem bestimmten Zeitrahmen identifiziert, Durchbrüche mit Manipulationstiefenfilterung erkennt und Umkehrungen für Einstiegsgeschäfte in der Distributionsphase bestätigt. Das System unterstützt dynamische oder statische Stop-Loss- und Take-Profit-Berechnungen auf der Grundlage von Risiko-Ertrags-Verhältnissen, optionale Trailing-Stops und Positionslimits pro Richtung für ein kontrolliertes Risikomanagement.
Dieser Artikel zeigt, wie man mit MetaTrader 5 automatisch potenziell profitable Handelsstrategien identifizieren kann. White-Box-Lösungen, die auf unüberwachter Matrixfaktorisierung beruhen, sind schneller zu konfigurieren, leichter zu interpretieren und bieten eine klare Anleitung, welche Strategien beibehalten werden sollen. Black-Box-Lösungen sind zwar zeitaufwändiger, eignen sich aber besser für komplexe Marktbedingungen, die mit White-Box-Ansätzen nicht erfasst werden können. Diskutieren Sie mit uns, wie unsere Handelsstrategien uns helfen können, unter allen Umständen profitable Strategien zu identifizieren.
Das unermüdliche Bestreben, Marktrhythmen zu entschlüsseln, hat Händler und quantitative Analysten dazu veranlasst, unzählige mathematische Modelle zu entwickeln. In diesem Artikel wird der Flower Volatility Index (FVI) vorgestellt, ein neuartiger Ansatz, der die mathematische Eleganz der Rosenkurven in ein funktionales Handelsinstrument verwandelt. Mit dieser Arbeit haben wir gezeigt, wie mathematische Modelle in praktische Handelsmechanismen umgewandelt werden können, die sowohl die Analyse als auch die Entscheidungsfindung unter realen Marktbedingungen unterstützen.
In Teil 6 unserer Serie über das KI-Handelssystem MQL5 entwickeln wir den in ChatGPT integrierten Expert Advisor weiter, indem wir eine Chat-Löschfunktion durch interaktive Löschschaltflächen in der Seitenleiste, kleine/große Verlaufs-Popups und ein neues Such-Popup einführen, die es Händlern ermöglichen, anhaltende Unterhaltungen effizient zu verwalten und zu organisieren, während die verschlüsselte Speicherung und die KI-gesteuerten Signale aus den Chartdaten erhalten bleiben.
Die Generierung neuer Indikatoren aus vorhandenen Indikatoren bietet eine leistungsstarke Möglichkeit zur Verbesserung der Handelsanalyse. Durch die Definition einer mathematischen Funktion, die die Ergebnisse bestehender Indikatoren integriert, können Händler hybride Indikatoren erstellen, die mehrere Signale in einem einzigen, effizienten Instrument zusammenfassen. In diesem Artikel wird ein neuer Indikator vorgestellt, der aus drei Oszillatoren besteht und eine modifizierte Version der Pearson-Korrelationsfunktion verwendet, die wir Pseudo-Pearson-Korrelation (PPC) nennen. Der PPC-Indikator zielt darauf ab, die dynamische Beziehung zwischen Oszillatoren zu quantifizieren und sie in einer praktischen Handelsstrategie anzuwenden.
