In dieser Diskussion konzentrieren wir uns auf die Frage, wie wir die gläserne Decke durchbrechen können, die uns die klassischen Techniken des maschinellen Lernens im Finanzbereich auferlegen. Es scheint, dass die größte Einschränkung für den Wert, den wir aus statistischen Modellen ziehen können, nicht in den Modellen selbst liegt – weder in den Daten noch in der Komplexität der Algorithmen – sondern vielmehr in der Methodik, mit der wir sie anwenden. Mit anderen Worten: Der wahre Engpass kann darin liegen, wie wir das Modell einsetzen, und nicht in der eigentlichen Fähigkeit des Modells.
In diesem Artikel zeigen wir, wie das faszinierende mathematische Konzept der Butterfly-Kurve in ein praktisches Handelsinstrument umgewandelt werden kann. Wir haben den Butterfly-Oszillator konstruiert und um ihn herum eine grundlegende Handelsstrategie entwickelt. Die Strategie kombiniert effektiv die einzigartigen zyklischen Signale des Oszillators mit der traditionellen Trendbestätigung durch gleitende Durchschnitte und schafft so einen systematischen Ansatz zur Identifizierung potenzieller Einstiege in den Markt.
In dieser Diskussion werden wir einen Expert Advisor entwickeln, der die Klassen CTrade und CStdDevChannel verwendet und dabei mehrere Filter zur Verbesserung der Rentabilität anwendet. In dieser Phase wird unsere vorherige Diskussion in die Praxis umgesetzt. Außerdem werde ich einen weiteren einfachen Ansatz vorstellen, der Ihnen helfen soll, die MQL5-Standardbibliothek und die ihr zugrunde liegende Codebasis besser zu verstehen. Nehmen Sie an der Diskussion teil, um diese Konzepte in der Praxis zu erkunden.
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.
Vereinfachen Sie Ihre MetaTrader 5 Charts mit dem Multi Indicator Handler EA. Dieses interaktive Dashboard fasst Trend-, Momentum- und Volatilitätsindikatoren in einem Echtzeit-Panel zusammen. Wechseln Sie im Handumdrehen zwischen den Profilen und konzentrieren Sie sich auf die Analyse, die Sie am meisten benötigen. Mit den Ein-Klick-Steuerelementen zum Ausblenden/Einblenden können Sie sich auf die Kursentwicklung konzentrieren. Lesen Sie weiter, um Schritt für Schritt zu erfahren, wie Sie es in MQL5 selbst erstellen und anpassen können.
In diesem Artikel bauen wir einen MQL5 EA, der versteckte RSI-Divergenzen über Umkehrpunkte mit Stärke, Balkenbereiche, Toleranz und Steigungswinkel-Filter für Preis und RSI-Linien erkennt. Es führt Kauf-/Verkaufstransaktionen auf validierte Signale mit festen Lots, SL/TP in Pips und optionalen Trailing-Stops zur Risikokontrolle aus.
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.
In diesem Artikel bauen wir einen MQL5 EA, der regelmäßige RSI-Divergenzen anhand von Umkehrpunkten mit Stärke, Balken-Limits und Toleranzprüfungen erkennt. Er führt Handelsgeschäfte auf Auf- oder Abwärtssignale mit festen Losgröße, SL/TP in Pips und optionalen Trailing Stops aus. Zu den visuellen Elementen gehören farbige Linien in den Charts und beschriftete Schwankungen für einen besseren Einblick in die Strategie.
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.
Viele Programmierer könnten annehmen, dass wir auf Excel verzichten und direkt zu Python übergehen sollten, indem wir einige Pakete verwenden, die es Python ermöglichen, eine Excel-Datei für die spätere Analyse der Ergebnisse zu erzeugen. Wie bereits im vorangegangenen Artikel erwähnt, ist diese Lösung zwar für viele Programmierer die einfachste, wird aber von einigen Nutzern nicht akzeptiert werden. Und in diesem speziellen Fall hat der Nutzer immer Recht. Als Programmierer müssen wir einen Weg finden, damit alles funktioniert.
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.
Wir erforschen weiterhin hybride Graphsequenzmodelle (GSM++), die die Vorteile verschiedener Architekturen vereinen und eine hohe Analysegenauigkeit sowie eine effiziente Verteilung der Rechenressourcen bieten. Diese Modelle erkennen verborgene Muster, verringern die Auswirkungen von Marktstörungen und verbessern die Prognosequalität.
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 beginnen wir mit der Erstellung einer zentralen Risikomanagementklasse, die für die Kontrolle der Risiken im System entscheidend sein wird. Wir werden uns darauf konzentrieren, die Grundlagen zu schaffen und die grundlegenden Strukturen, Variablen und Funktionen zu definieren. Darüber hinaus werden wir die notwendigen Methoden zur Festlegung von Gewinn- und Verlustobergrenzen einführen und damit die Grundlage für das Risikomanagement schaffen.
Hybride Graphsequenzmodelle (GSM++) kombinieren die Vorteile verschiedener Architekturen, um eine realitätsnahe Datenanalyse und optimierte Rechenkosten zu ermöglichen. Diese Modelle passen sich effektiv an dynamische Marktdaten an und verbessern die Darstellung und Verarbeitung von Finanzinformationen.
Wir greifen den Ilan Grid Expert Advisor wieder auf und integrieren Q-Learning in MQL5, um eine adaptive Version für MetaTrader 5 zu erstellen. Der Artikel zeigt, wie man Zustandsmerkmale definiert, sie für eine Q-Tabelle diskretisiert, Aktionen mit ε-greedy auswählt und Belohnungen für Mittelwertbildung und Ausgänge gestaltet. Sie implementieren das Speichern/Laden der Q-Tabelle, stellen die Lernparameter ein und testen EURUSD/AUDUSD im Strategy Tester, um die Stabilität und das Drawdown-Risiko zu bewerten.
In diesem Artikel erfahren Sie, wie Sie einen MQL5 Expert Advisor erstellen, der automatisch Unterstützungs- und Widerstandszonen erkennt und darauf basierende Handelsgeschäfte ausführt. Sie werden lernen, wie Sie Ihren EA so programmieren, dass er diese wichtigen Marktniveaus identifiziert, die Preisreaktionen überwacht und Handelsentscheidungen ohne manuelle Eingriffe trifft.
Dieser Artikel stellt die Verwendung der Funktion WebRequest() und der APIs in MQL5 zur Kommunikation mit externen Plattformen vor. Sie lernen, wie Sie einen Telegram-Bot erstellen, Chat- und Gruppen-IDs erhalten und Nachrichten direkt von MT5 aus senden, bearbeiten und löschen können. Damit schaffen Sie eine solide Grundlage für die Beherrschung der API-Integration in Ihren zukünftigen MQL5-Projekten.
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.
Fibonacci-Levels bieten einen praktischen Rahmen, der von den Märkten oft beachtet wird und Preiszonen aufzeigt, in denen Reaktionen wahrscheinlicher sind. In diesem Artikel erstellen wir einen Expert Advisor, der die Logik des Fibonacci-Retracements anwendet, um wahrscheinliche künftige Bewegungen zu antizipieren und Rücksetzer mit schwebenden Aufträgen zu handeln. Erkunden Sie den gesamten Arbeitsablauf – von der Umkehr-Erkennung über die Pegelaufzeichnung und Risikokontrolle bis hin zur Ausführung.
Heute werfen wir einen Blick auf meinen ersten Arbitrage-Roboter – einen Liquiditätsanbieter (wenn man ihn so nennen kann) für synthetische Vermögenswerte. Derzeit arbeitet dieser Bot erfolgreich als Modul in einem großen maschinellen Lernsystem, aber ich habe einen alten Forex-Arbitrage-Roboter aus der Cloud geholt, also lassen Sie uns einen Blick darauf werfen und darüber nachdenken, was wir heute damit machen können.
Jede Marktperiode hat einen Anfang und ein Ende und schließt jeweils mit einem Preis, der die Stimmung definiert – ähnlich wie bei Kerzen. Anhand dieser Bezugspunkte können wir die vorherrschende Marktstimmung einschätzen und erkennen, ob Auf- oder Abwärtskräfte die Kontrolle haben. In dieser Diskussion machen wir einen wichtigen Schritt nach vorn, indem wir eine neue Funktion innerhalb des Market Periods Synchronizer entwickeln – eine Funktion, die Forex-Marktsitzungen visualisiert, um fundiertere Handelsentscheidungen zu unterstützen. Dieses Tool kann besonders hilfreich sein, um in Echtzeit festzustellen, welche Seite – Bullen oder Bären – die Sitzung dominiert. Erforschen wir dieses Konzept und entdecken wir die Erkenntnisse, die es bietet.
Wir erforschen weiterhin den innovativen Chimera-Rahmen – ein zweidimensionales Zustandsraummodell, das neuronale Netzwerktechnologien zur Analyse mehrdimensionaler Zeitreihen nutzt. Diese Methode bietet eine hohe Vorhersagegenauigkeit bei geringen Rechenkosten.
Die BOA-Methode ist vom klassischen Billardspiel inspiriert und simuliert die Suche nach optimalen Lösungen als ein Spiel, bei dem die Kugeln versuchen, in die Taschen zu fallen, die die besten Ergebnisse darstellen. In diesem Artikel werden wir die Grundlagen von BOA, sein mathematisches Modell und seine Effizienz bei der Lösung verschiedener Optimierungsprobleme betrachten.
In diesem Artikel wird das innovative Chimera-System vorgestellt: ein zweidimensionales Zustandsraummodell, das neuronale Netze zur Analyse multivariater Zeitreihen verwendet. Diese Methode bietet eine hohe Genauigkeit bei geringen Rechenkosten und übertrifft damit traditionelle Ansätze und Transformer-Architekturen.
In diesem Artikel werden wir uns ansehen, wie man eine neue Strategie mit dem von uns erstellten Auto-Optimierungssystem verbindet. Schauen wir uns an, welche Art von EAs wir erstellen müssen und ob es möglich ist, ohne Änderung der EA-Bibliotheksdateien auszukommen oder die notwendigen Änderungen zu minimieren.
Wir erforschen weiterhin ein auf ResNeXt basierendes Multitasking-Lernsystem, das sich durch Modularität, hohe Recheneffizienz und die Fähigkeit, stabile Muster in Daten zu erkennen, auszeichnet. Die Verwendung eines einzigen Encoders und spezieller „Köpfe“ verringert das Risiko einer Überanpassung des Modells und verbessert die Qualität der Prognosen.
Unser Ziel ist es, ein System zur automatischen periodischen Optimierung von Handelsstrategien zu schaffen, die in einem endgültigen EA verwendet werden. Im Laufe der Entwicklung wird das System immer komplexer, sodass es von Zeit zu Zeit in seiner Gesamtheit betrachtet werden muss, um Engpässe und suboptimale Lösungen zu ermitteln.
Wenn wir die periodische Optimierung automatisieren wollen, müssen wir über automatische Aktualisierungen der Einstellungen der bereits auf dem Handelskonto laufenden EAs nachdenken. Dies sollte es uns auch ermöglichen, den EA im Strategietester laufen zu lassen und seine Einstellungen in einem einzigen Durchgang zu ändern.
Der ursprüngliche Royal Flush Optimierung-Algorithmus bietet einen neuen Ansatz zur Lösung von Optimierungsproblemen, indem er die klassische binäre Kodierung genetischer Algorithmen durch einen sektorbasierten Ansatz ersetzt, der von den Prinzipien des Pokerspiels inspiriert ist. RFO zeigt, wie die Vereinfachung von Grundprinzipien zu einer effizienten und praktischen Optimierungsmethode führen kann. Der Artikel enthält eine detaillierte Analyse des Algorithmus und der Testergebnisse.
Wir setzen die Entwicklung des Modells von „Hidformer Hierarchical Dual-Tower Transformer“ fort, das für die Analyse und Vorhersage komplexer multivariater Zeitreihen entwickelt wurde. In diesem Artikel werden wir die Arbeit, die wir zuvor begonnen haben, zu einem logischen Abschluss bringen - wir werden das Modell an realen historischen Daten testen.
Das MacroHFT-Framework für den Hochfrequenzhandel mit Kryptowährungen nutzt kontextbezogenes Verstärkungslernen und Speicher, um sich an dynamische Marktbedingungen anzupassen. Am Ende dieses Artikels werden wir die implementierten Ansätze an realen historischen Daten testen, um ihre Wirksamkeit zu bewerten.
Um weitere Fortschritte zu erzielen, wäre es gut zu sehen, ob wir die Ergebnisse verbessern können, indem wir die automatische Optimierung in regelmäßigen Abständen erneut durchführen und einen neuen EA erstellen. Der Stolperstein in vielen Debatten über den Einsatz der Parameteroptimierung ist die Frage, wie lange die erhaltenen Parameter für den Handel in der Zukunft verwendet werden können, während die Rentabilität und der Drawdown auf dem vorgegebenen Niveau bleiben. Und ist das überhaupt möglich?
Wir laden Sie ein, sich mit dem Hierarchical Double-Tower Transformer (Hidformer) vertraut zu machen, der für Zeitreihenprognosen und Datenanalysen entwickelt wurde. Die Autoren des Rahmenwerks schlugen mehrere Verbesserungen an der Transformer-Architektur vor, die zu einer höheren Vorhersagegenauigkeit und einem geringeren Verbrauch an Rechenressourcen führten.
Ich lade Sie ein, das MacroHFT-Framework zu erkunden, das kontextbewusstes Verstärkungslernen und eine Speicherverwendung anwendet, um Hochfrequenzhandelsentscheidungen für Kryptowährungen mithilfe von makroökonomischen Daten und adaptiven Agenten zu verbessern.
In diesem Artikel befassen wir uns mit den Grundlagen des Risikomanagements beim Handel und lernen, wie man erste Funktionen zur Berechnung der geeigneten Losgröße für einen Handel sowie eines Stop-Loss erstellt. Außerdem werden wir die Funktionsweise dieser Funktionen im Detail erläutern und jeden Schritt erklären. Unser Ziel ist es, ein klares Verständnis dafür zu vermitteln, wie diese Konzepte im automatisierten Handel angewendet werden können. Schließlich werden wir alles in die Praxis umsetzen, indem wir ein einfaches Skript mit einer Include-Datei erstellen.
