Neste artigo, analisaremos a estratégia de scalping Grid-Mart, automatizando-a em MQL5 com o auxílio de um painel informativo dinâmico para obter informações sobre a negociação em tempo real. Descrevemos em detalhes a lógica de martingale baseada em grade, bem como as funções de gestão de risco. Também realizamos testes em dados históricos e implantamos a solução para garantir uma operação confiável.
Hoje vamos aprimorar a interface de troca de mensagens do painel de comunicação e alinhá-la aos padrões dos aplicativos modernos de comunicação de alto desempenho. Para isso, atualizaremos a classe CommunicationsDialog. Analisaremos todas essas alterações em detalhes e também definiremos os próximos passos para a evolução das interfaces dos nossos programas em MQL5.
Os avanços em inteligência artificial que vemos nas notícias, do ChatGPT aos veículos autônomos, não surgem de modelos isolados, mas do conhecimento acumulado e transferido entre diferentes modelos ou domínios mais amplos. Agora, essa mesma abordagem de "treinar uma vez, aplicar em qualquer lugar" pode ser usada para aprimorar nossos modelos de IA voltados à negociação algorítmica. Neste artigo, veremos como aproveitar dados obtidos de diferentes instrumentos para melhorar as previsões por meio de Transfer Learning.
Neste artigo, preparamos nosso sistema de trading MQL5 para testes de estratégia incorporando dados do calendário econômico como um recurso para análise fora do ambiente em tempo real. Implementamos o carregamento e a filtragem de eventos por horário, moeda e impacto e, em seguida, validamos o sistema no Strategy Tester. Isso permite realizar backtests eficazes de estratégias orientadas por notícias.
O oscilador DeMarker (DeMarker Oscillator) e o Envelopes são ferramentas que identificam o momentum e os níveis de suporte/resistência e podem ser combinadas no desenvolvimento de um EA. No artigo anterior, apresentamos esses dois indicadores. Agora, acrescentaremos machine learning a essa combinação. Utilizamos uma rede neural recorrente que aplica um kernel de ruído branco (white-noise kernel) para processar os sinais vetorizados desses dois indicadores. Essa lógica é implementada em um arquivo personalizado da classe de sinais (signal class), que interage com o Assistente MQL5 para criar o EA.
O oscilador DeMarker (DeMarker Oscillator) e o Envelopes são ferramentas que identificam o momentum e os níveis de suporte/resistência e podem ser combinadas no desenvolvimento de um EA. Por isso, analisamos cada padrão separadamente para determinar o que pode ser útil e o que, potencialmente, deve ser evitado. Como sempre, usamos um EA criado no Assistente, juntamente com as funções de padrões integradas à classe de sinais do EA (Expert Signal).
Neste artigo, vamos atualizar nossa ferramenta Trade Assistant, adicionando um painel arrastável e efeitos ao passar o cursor do mouse para tornar a interface mais intuitiva e responsiva. Também vamos aprimorar a validação das configurações das ordens em tempo real, garantindo que os parâmetros de negociação sejam definidos com precisão em relação aos preços de mercado. Além disso, testaremos essas melhorias com dados históricos para confirmar sua confiabilidade.
Neste artigo, apresentamos o desenvolvimento da ferramenta interativa Trade Assistant Tool em MQL5, criada para simplificar o envio de ordens pendentes no mercado Forex. Descrevemos a concepção da ferramenta, com atenção especial a uma interface gráfica intuitiva que permite definir visualmente no gráfico os níveis de entrada, Stop Loss e Take Profit. Além disso, detalhamos a implementação em MQL5 e os testes com dados históricos para confirmar a confiabilidade da ferramenta, estabelecendo a base para a inclusão de recursos mais avançados nas próximas partes da série.
Continuamos integrando aos modelos de trading os métodos propostos pelos autores do framework Attraos. Vale lembrar que esse framework utiliza conceitos da teoria do caos para resolver tarefas de previsão de séries temporais, interpretando-as como projeções de sistemas dinâmicos caóticos multidimensionais.
Apresentamos o framework TMA, um sistema inteligente capaz de prever a dinâmica do mercado com precisão suficiente. Neste artigo, reunimos todos os componentes em uma única arquitetura e os transformamos em um agente de trading completo, que analisa o mercado e toma decisões em tempo real.
Neste artigo, a teoria encontra a prática. Vamos implementar os principais módulos do framework TMA: MPE e MPA. É aqui que os dados passam a ganhar significado e a atenção cruzada se transforma em uma ferramenta de análise precisa da dinâmica do mercado. Menos operações redundantes, mais eficiência: mais um passo rumo ao trading inteligente de nova geração.
O framework TMA oferece uma nova perspectiva sobre a dinâmica do mercado, permitindo que os modelos captem não apenas o estado do mercado, mas também o próprio fluxo do tempo. Sua capacidade de extrair padrões de um fluxo contínuo de dados torna a análise mais profunda e precisa do que nos métodos clássicos. Já a adaptação recorrente transforma esse método em uma ferramenta prática para trabalhar com cotações reais.
Apresentamos o framework RAFT, uma poderosa ferramenta para análise e previsão de séries temporais financeiras. Sua arquitetura flexível e otimizada proporciona precisão nas previsões, estabilidade operacional e processamento de dados mais rápido. O RAFT reduz o risco de erros e facilita o desenvolvimento de estratégias de trading eficientes.
O framework RAFT propõe uma abordagem fundamentalmente diferente para prever a dinâmica do mercado: em vez de produzir uma previsão única, ele refina iterativamente o estado em tempo real. Ao mesmo tempo, leva em conta mudanças locais e globais, mantendo alta precisão mesmo diante de estruturas de preços complexas.
O artigo dá continuidade à implementação das abordagens do framework STE-FlowNet, que combina processamento multithread com estruturas recorrentes para analisar dados complexos com alta precisão. Os testes realizados confirmaram sua estabilidade e flexibilidade em diferentes cenários. A arquitetura acelera os cálculos e permite modelar com maior profundidade as dependências presentes nas séries temporais. Essa abordagem abre novas possibilidades de aplicação prática no trading e na análise de mercado.
Neste artigo, exploramos a mecânica interna do framework RAFT, uma das abordagens mais precisas e elegantes para a análise de processos dinâmicos. Passo a passo, adaptamos sua ideia de refinamento iterativo às séries temporais financeiras, criando uma base sólida para o desenvolvimento do futuro modelo. O leitor fará uma imersão envolvente na arquitetura, em que cada componente tem seu próprio significado e função.
Neste artigo, veremos como aplicar a matemática às estratégias de grade. Analisaremos os princípios básicos de funcionamento da estratégia, suas vantagens e desvantagens. Você aprenderá a construir uma grade de negociação, definir parâmetros ideais e gerenciar os riscos de forma eficiente.
O artigo apresenta uma arquitetura abrangente do codificador STE-FlowNet, que combina memória em pilha, processamento recorrente e um mecanismo de correlação para extrair dependências ocultas do mercado. O artigo mostra como esses módulos são integrados sequencialmente em uma única cadeia computacional, capaz de analisar as séries temporais sob múltiplas perspectivas.
O framework STE-FlowNet oferece uma nova perspectiva para a análise de dados financeiros, reagindo a eventos reais do mercado, e não a timeframes fixos. Sua arquitetura preserva as dependências locais e temporais, permitindo rastrear até mesmo pequenos impulsos na dinâmica dos preços.
Em nossa interpretação, a S3CE-Net traduz com eficiência o mercado para a linguagem dos eventos e capta impulsos iniciais que os indicadores tradicionais simplesmente diluem em médias. O STFS mantém a estabilidade do treinamento: o modelo observa os dados sob diferentes perspectivas e não se sobreajusta a anomalias locais. Os blocos SSAM e a implementação em OpenCL proporcionam velocidade e precisão na prática, enquanto a separação entre os modos de treinamento e operação reduz o consumo de recursos em produção.
Neste artigo, analisamos em detalhes a integração do módulo SSAM ao bloco SEW-ResNeXt, mostrando como o framework S3CE-Net permite combinar de forma eficiente a atenção baseada em spikes com blocos residuais. Essa arquitetura proporciona um processamento preciso dos fluxos de dados temporais e espaciais, além de alta estabilidade durante o treinamento. A modularidade e a flexibilidade dos componentes facilitam a expansão do modelo e a reutilização de métodos já validados.
Apresentamos o framework S3CE-Net e seus mecanismos SSAM e STFS, que processam com precisão eventos de spikes levando em conta a causalidade. O modelo é leve, opera em paralelo e é capaz de identificar relações complexas no tempo e no espaço.
Neste artigo, apresentamos uma implementação prática do framework SEW ResNet em MQL5, com ênfase em sua aplicação ao trading. O Bottleneck duplo permite analisar simultaneamente fluxos unitários e dependências entre canais, sem perda de gradientes durante o treinamento. Ativações spiking com limiares adaptativos e gates aumentam a robustez ao ruído e a sensibilidade a novas configurações do mercado. O texto apresenta detalhes da implementação e os resultados dos testes.
O artigo apresenta uma implementação prática, em MQL5, dos principais componentes do framework SEW-ResNet. O uso de arrays dinâmicos e mecanismos spiking permite construir a arquitetura do modelo de forma flexível e processar séries temporais financeiras com eficiência. As soluções propostas mostram como o SEW-ResNet pode otimizar os cálculos e melhorar a extração de atributos relevantes.
O artigo apresenta uma implementação do algoritmo meta-heurístico Blue Monkey, baseado na modelagem do comportamento social dos macacos-azuis. São abordados os principais mecanismos do algoritmo: a estrutura da população em grupos, a orientação pelos líderes locais e a renovação geracional por meio da substituição dos piores indivíduos adultos pelos melhores filhotes, além da análise dos resultados dos testes.
Neste artigo, apresentamos uma estratégia de trade layering (escalonamento de posições) que combina os indicadores MACD e RSI com métodos estatísticos para automatizar o trading dinâmico em MQL5. Exploramos a arquitetura dessa abordagem em cascata, detalhamos sua implementação por meio dos principais segmentos de código e orientamos os leitores sobre o backtesting para otimizar o desempenho. Por fim, concluímos destacando o potencial da estratégia e preparando o terreno para melhorias futuras no trading automatizado.
A etapa de validação de um pullback avança com inclinação das EMAs, limites mínimo e máximo de distância por ATR, janela flexível do gatilho ATR e Walk-Forward Efficiency. As baterias comparam componentes e medem continuidade fora da amostra, dependência exclusiva da gestão. O resultado destaca plataformas paramétricas e critérios práticos para selecionar candidatos e evitar sobreajuste.
Convidamos você a conhecer o framework SEW-ResNet, que permite construir modelos spiking profundos sem problemas de degradação e com controle eficiente dos gradientes. Neste artigo, demonstramos como implementar um neurônio spiking básico e seus algoritmos com MQL5.
As redes neurais já estão transformando a forma como analisamos os mercados, e novas arquiteturas abrem possibilidades ainda maiores. Neste artigo, concluímos nosso desenvolvimento com o framework SpikingBrain, que nos apresenta novas perspectivas.
Neste artigo, aprimoramos o programa integrado ao ChatGPT em MQL5, adotando uma interface rolável voltada para um único chat e melhorando a exibição do histórico das conversas com marcas de tempo e rolagem dinâmica. O sistema utiliza parsing de JSON para gerenciar mensagens em conversas com múltiplos turnos e oferece modos configuráveis para a barra de rolagem, além de efeitos ao passar o mouse, melhorando a interação do usuário com o sistema.
São analisadas estratégias com opções para mercado lateral (não direcionais) e para mercado em tendência (direcionais), bem como sua implementação em MQL5. O EA desenvolvido no artigo anterior é aprimorado com a exibição dos níveis de opções. Agora é hora de analisar o funcionamento e implementar as estratégias que os traders de opções utilizam na prática.
Apresentamos ao leitor uma implementação das abordagens do framework SpikingBrain com base em atenção linear recorrente com gates, analisada em detalhes neste artigo. Os algoritmos de propagação para frente, propagação dos gradientes e atualização dos pesos proporcionam um processamento eficiente de séries temporais financeiras e permitem colocar em prática as principais ideias do framework.
Vamos tornar mais prático o uso do pipeline de otimização automática, percorrendo todo o caminho desde a criação do projeto de otimização até o teste do EA final. Para facilitar a compreensão, reproduziremos passo a passo todo o processo de criação do EA final, fazendo pausas para aplicar os ajustes desejados.
O framework SpikingBrain apresenta uma abordagem singular para o processamento de dados: seus neurônios reagem apenas a eventos relevantes, filtrando o ruído com eficiência. Sua arquitetura orientada a eventos reduz os custos computacionais sem perder informações essenciais sobre os movimentos do mercado. Os limiares adaptativos e a possibilidade de utilizar módulos pré-treinados conferem flexibilidade e escalabilidade ao modelo.
O artigo examina em detalhes a integração das abordagens do framework ST-Expert à arquitetura Extralonger, o que permite analisar simultaneamente as representações temporais e espaciais dos dados. São apresentados resultados de testes com dados históricos reais, que demonstram a eficácia do modelo e sua robustez diante de anomalias do mercado. Também é descrita a estrutura modular do framework, que garante a reprodutibilidade, oferece flexibilidade para pesquisas e permite otimizar seus componentes de forma gradual.
Neste artigo, damos continuidade à implementação das abordagens do framework ST-Expert, concentrando-nos nos aspectos práticos de sua aplicação com os recursos do MQL5. Anteriormente, analisamos os fundamentos teóricos e os principais componentes do modelo. Agora, passamos a trabalhar diretamente com os algoritmos de atenção em grafos e de distribuição local e global da atenção. O principal objetivo desta etapa é mostrar como as ideias conceituais do ST-Expert se transformam em soluções funcionais para a análise e a previsão de séries financeiras.
Este artigo apresenta a evolução de um EA de pullback em MQL5, desde a definição do regime por EMA até a identificação da retração e a confirmação do gatilho. São abordados a otimização integrada ao MetaTrader 5, o stop ajustado ao tick size, o filtro de distância por ATR e a gestão com breakeven e trailing, priorizando platôs paramétricos, controle dos graus de liberdade e redução do risco de overfitting.
Neste artigo, vamos conhecer o framework ST-Expert, que torna as previsões robustas diante da incerteza do mercado, permitindo levar em conta dependências locais e globais em séries temporais. Sua arquitetura flexível favorece a adaptabilidade dos modelos e aumenta a precisão das previsões.
O framework Extralonger demonstra uma capacidade única de integrar fatores espaciais e temporais em um único modelo, favorecendo previsões de alta precisão. Sua arquitetura permite adaptar-se a diferentes horizontes de previsão e instrumentos financeiros, mantendo a transparência e a capacidade de controle do sistema.
Continuamos a trabalhar na implementação das abordagens propostas pelos autores do framework Extralonger. Desta vez, vamos nos concentrar na implementação do módulo Global-Local Spatial Attention em MQL5, examinando tanto sua estrutura quanto sua integração prática ao fluxo computacional geral.
