Aprenda a detectar e visualizar o padrão harmônico de Gartley no MetaTrader 5 usando a linguagem MQL5. Este artigo explica cada etapa, desde a identificação dos pontos de swing até a aplicação das proporções de Fibonacci e o desenho completo do padrão no gráfico, permitindo uma confirmação visual clara.
Neste artigo, vamos explorar uma etapa fundamental da preparação de dados para machine learning, cuja importância vem crescendo rapidamente: os pipelines de pré-processamento de dados. Em essência, eles consistem em uma sequência simplificada de etapas de transformação que preparam os dados brutos antes de sua entrada no modelo. Embora essa "padronização dos dados" possa parecer pouco interessante para quem não está familiarizado com o assunto, ela não apenas reduz o tempo de treinamento e os custos de execução, como também contribui significativamente para melhorar a capacidade de generalização do modelo. Vamos nos concentrar em algumas funcionalidades de pré-processamento do SCIKIT-LEARN. Embora não utilizemos o Assistente MQL5 neste artigo, voltaremos a abordá-lo nas próximas publicações.
Nos mercados financeiros, as correções de preço estão entre os fenômenos mais recorrentes e consolidados. Existe uma regra empírica segundo a qual o preço sempre apresenta movimentos de retorno, seja após movimentos de grande amplitude ou mesmo em pequenos padrões formados por ticks, que frequentemente assumem a forma de um zigue-zague. No entanto, o padrão de retração não é fixo: sua extensão é incerta e depende das expectativas do mercado. Essa incerteza explica por que os traders utilizam vários níveis de Fibonacci, cada um com determinada probabilidade de influenciar o comportamento dos preços.
Neste artigo, desenvolveremos em MQL5 um sistema de reconhecimento do padrão harmônico "5 Drives", capaz de identificar formações de alta e de baixa por meio de pontos de reversão e proporções de Fibonacci. O sistema executará operações com níveis configuráveis de entrada, stop-loss e take-profit, de acordo com os parâmetros definidos pelo usuário. Também facilitaremos a análise dos traders por meio de recursos visuais, utilizando objetos gráficos como triângulos, linhas de tendência e rótulos para representar claramente a estrutura A-B-C-D-E-F do padrão.
Neste artigo, desenvolveremos um sistema de reconhecimento do padrão harmônico "3 Drives" em MQL5, capaz de identificar padrões de alta e de baixa por meio de pontos de swing e níveis de Fibonacci. O sistema abrirá operações com níveis de entrada, Stop Loss e Take Profit configuráveis, de acordo com as opções selecionadas pelo usuário. Também aprimoraremos a visualização dos padrões e a apresentação das informações ao trader por meio de objetos gráficos no gráfico.
Neste artigo, desenvolvemos um EA em MQL5 para reconhecer o padrão AB=CD. O sistema identifica padrões harmônicos de alta e de baixa com base em pontos de reversão e níveis de Fibonacci, automatizando a abertura de operações com níveis precisos de entrada, stop-loss e take-profit. Também aprimoramos a visualização dos padrões por meio de objetos gráficos.
Aumente a eficiência das suas operações com Smart Money Concepts (SMC), combinando blocos de ordens (Order Blocks, OB), rompimentos de estrutura (Break of Structure, BOS) e gaps de valor justo (Fair Value Gaps, FVG) em um único EA. Opte pela execução automática ou utilize cada conceito de SMC individualmente para negociar com mais flexibilidade e precisão.
Neste artigo, desenvolveremos em MQL5 um sistema de reconhecimento do padrão harmônico de Gartley, capaz de identificar suas formações de alta e de baixa por meio de pontos de reversão e níveis de Fibonacci, executando operações com níveis precisos de entrada, stop loss e take profit. Também aprimoraremos a representação visual do padrão com objetos gráficos, como triângulos, linhas de tendência e rótulos, que mostram claramente a estrutura XABCD.
Neste artigo, vamos explorar como aprimorar o conteúdo dos relatórios de negociação e enviar o documento final por e-mail em formato PDF. Essa etapa representa um avanço em relação ao trabalho anterior, dando continuidade ao estudo de como aproveitar os recursos de MQL5 e Python para gerar relatórios de negociação e agendar sua produção em formatos práticos e profissionais. Acompanhe esta análise para conhecer novas formas de otimizar a geração de relatórios no ecossistema MQL5.
Neste artigo, desenvolveremos um sistema de reconhecimento do padrão harmônico "Morcego" em MQL5, capaz de identificar padrões de alta e de baixa por meio de pontos de pivô e proporções de Fibonacci, além de executar operações com níveis precisos de entrada, stop-loss e take-profit. O sistema também exibirá os padrões no gráfico por meio de objetos gráficos.
Neste artigo, exploraremos os fundamentos dos padrões harmônicos, sua estrutura e suas aplicações no trading. Você conhecerá as retrações e extensões de Fibonacci e aprenderá como implementar a detecção de padrões harmônicos em MQL5, estabelecendo a base para desenvolver ferramentas de trading e EAs mais avançados.
No artigo anterior, concluímos a análise da combinação dos osciladores Gator e Acumulação/Distribuição (A/D) em sua aplicação convencional, baseada nos sinais brutos gerados por esses indicadores. Eles se complementam: o Gator atua como indicador de tendência, enquanto o oscilador Acumulação/Distribuição funciona como indicador de volume. Agora, daremos continuidade ao tema, investigando como o aprendizado supervisionado pode melhorar alguns dos padrões de sinal estudados anteriormente. Nossa abordagem utiliza uma rede neural convolucional (CNN), na qual a regressão por kernel e a similaridade baseada no produto escalar são empregadas para definir os tamanhos dos kernels e a quantidade de canais. Como de costume, implementaremos essa abordagem em um arquivo personalizado da classe de sinal, que interage com o Assistente MQL5 durante a criação do EA.
Neste artigo, desenvolveremos um sistema de reconhecimento do padrão harmônico "Crab" em MQL5, capaz de identificar formações de alta e de baixa com base em pontos de reversão e níveis de Fibonacci. O sistema executará operações com níveis precisos de entrada, stop-loss e take-profit. Também adicionaremos recursos de visualização por meio de objetos gráficos, como triângulos e linhas de tendência, para representar a estrutura XABCD do padrão e os níveis de negociação.
Neste artigo, desenvolvemos em MQL5 um sistema de preço médio baseado em pin bars, que identifica esses padrões para abrir operações e utiliza uma estratégia de preço médio para gerenciar múltiplas posições, com recursos de trailing stop e ajuste do stop para o ponto de equilíbrio (breakeven). Também combinamos parâmetros configuráveis com um dashboard que permite monitorar as posições e os lucros em tempo real.
Neste artigo, desenvolveremos um programa de negociação baseado em linhas de tendência que utiliza o ajuste pelo método dos mínimos quadrados (least squares fit) para determinar as linhas de tendência que atuam como suporte e resistência. O programa gera sinais dinâmicos de compra e venda quando o preço toca essas linhas e abre posições com base nos sinais identificados.
Neste artigo, analisamos a dificuldade de determinar o número ideal de estratégias em um ensemble e como o otimizador genético do MetaTrader 5 pode facilitar essa tarefa. Também utilizamos a rede MQL5 Cloud como um recurso essencial para acelerar o backtesting e a otimização. De modo geral, esta discussão estabelece as bases para o desenvolvimento de modelos estatísticos capazes de avaliar e aprimorar estratégias de negociação com base nos resultados obtidos pelo nosso ensemble inicial.
O oscilador Gator, de Bill Williams, e o indicador de Acumulação/Distribuição formam mais uma combinação de indicadores que pode ser utilizada em um EA desenvolvido em MQL5. Usamos o oscilador Gator para confirmar a presença de uma tendência, enquanto o A/D fornece uma confirmação adicional com base no volume. Como nas análises anteriores, utilizaremos o Assistente MQL5 para criar e testar um EA que combine esses dois indicadores.
Aprofunde sua compreensão do mercado com o conjunto de ferramentas Candle-Range Theory para MetaTrader 5, uma solução totalmente nativa em MQL5, baseada na teoria da amplitude das velas, que transforma dados brutos das barras de preço em informações sobre a volatilidade em tempo real. A biblioteca leve CRangePattern compara a amplitude verdadeira de cada vela com um ATR adaptativo e a classifica no momento do fechamento. Em seguida, o CRT Indicator apresenta essas classificações no gráfico por meio de retângulos coloridos e setas, permitindo identificar rapidamente regiões de compressão, rompimentos bruscos e engolfamentos completos da amplitude anterior.
Neste artigo, vamos criar um painel holográfico dinâmico em MQL5 para monitorar ativos e períodos gráficos por meio do RSI, com alertas de volatilidade e opções de ordenação. Também vamos adicionar animações pulsantes, botões interativos e efeitos holográficos para tornar a ferramenta visualmente atraente e responsiva.
Este artigo apresenta como identificar programaticamente padrões de ondas de Wolfe de alta e de baixa e negociar com base neles usando a linguagem MQL5. Veremos como detectar essas estruturas e executar operações a partir dos sinais identificados. Isso inclui localizar os principais pontos de swing, validar as regras do padrão e preparar o EA para operar de acordo com os sinais encontrados.
Neste artigo, desenvolveremos um sistema de negociação por rompimento da sessão de Londres que identificará rompimentos da faixa de preços formada antes da abertura da sessão e posicionará ordens pendentes com configuração do tipo de operação e dos parâmetros de risco. Implementaremos trailing stop, relação risco/retorno, controle do drawdown máximo e um painel de controle para monitoramento em tempo real.
Dando continuidade ao nosso artigo anterior sobre a combinação do indicador Awesome Oscillator com os canais de envelopes (Envelope Channels), vamos analisar como o aprendizado supervisionado pode aprimorar essa combinação. O Awesome Oscillator e os canais de envelopes são ferramentas complementares que permitem identificar tendências e estabelecer níveis de suporte e resistência. Nossa abordagem de aprendizado supervisionado utiliza uma rede neural convolucional (CNN), que emprega um kernel de produto escalar (Dot Product Kernel) com mecanismo de atenção temporal cruzada (Cross-Time-Attention) para determinar as dimensões de seus kernels e canais. Como de costume, essa implementação é feita em um arquivo personalizado que contém a classe de sinais (signal class), que se integra ao Assistente MQL5 para criar um EA.
Neste artigo, continuamos a construção de um ensemble de estratégias de trading, utilizando o otimizador genético do MT5 para ajustar os parâmetros das estratégias. Hoje, analisaremos os dados em Python para verificar se esse tipo de modelo consegue prever melhor qual estratégia terá o melhor desempenho e qual delas operará com maior precisão, além de avaliar se essa abordagem é mais eficaz do que prever diretamente os retornos. Adianto que os testes do aplicativo com esse modelo estatístico revelaram uma queda acentuada no desempenho. O problema está no otimizador genético: infelizmente, ele favorece estratégias correlacionadas. Por isso, vamos reformular a abordagem, mantendo fixos os pesos dos votos e concentrando a otimização nos parâmetros dos indicadores.
Neste artigo, desenvolveremos uma faixa de cotações com rolagem contínua em MQL5 para monitorar vários instrumentos em tempo real, exibindo preços Bid, spreads e variações percentuais diárias com efeito de rolagem. Implementaremos opções de personalização de fontes, cores e velocidade de rolagem para destacar os movimentos dos preços e as tendências do mercado.
Este artigo apresenta o desenvolvimento de uma estratégia de cruzamento duplo de médias móveis que utiliza sinais de um timeframe superior (D1) para determinar as entradas em um timeframe inferior (M15), enquanto os níveis de stop-loss são calculados com base em um timeframe intermediário (H4), utilizado para a gestão de risco. São introduzidas constantes do sistema, enumerações personalizadas e a lógica dos modos de seguimento de tendência e reversão à média, com ênfase na modularidade e na futura otimização por meio de um algoritmo genético. Essa abordagem oferece condições flexíveis de entrada e saída, buscando reduzir o atraso dos sinais e melhorar o timing das operações ao alinhar as entradas nos timeframes inferiores às tendências dos timeframes superiores.
O Awesome Oscillator de Bill Williams e o canal Envelopes (Envelopes Channel) são dois indicadores que podem se complementar em um EA desenvolvido em MQL5. Utilizamos o Awesome Oscillator para identificar tendências, enquanto o canal Envelopes ajuda a determinar níveis de suporte e resistência. Como de costume, recorremos ao Assistente MQL5 para desenvolver padrões de sinal e testar o potencial dessa combinação de indicadores.
Neste artigo, vamos apresentar a implementação de um módulo semelhante ao requests do Python, com o objetivo de simplificar o envio de requisições web e o recebimento de respostas no MetaTrader 5 usando MQL5.
Neste artigo, vamos aprimorar o painel do scanner multitimeframe em MQL5, adicionando recursos de movimentação e alternância entre modos de exibição. Implementaremos a possibilidade de arrastar o painel pelo gráfico e de recolhê-lo ou expandi-lo para aproveitar melhor o espaço disponível na tela. Também vamos testar esses aprimoramentos para proporcionar mais flexibilidade às operações de negociação.
Neste artigo, vamos aprimorar nosso sistema de recuperação por zonas (Zone Recovery System) com a implementação de trailing stops e suporte à negociação com múltiplas cestas. Veremos como a arquitetura aprimorada utiliza trailing stops dinâmicos para proteger os lucros e um mecanismo de gerenciamento de cestas para processar com eficiência múltiplos sinais de negociação. Ao longo da implementação e dos testes com dados históricos, demonstraremos um sistema de negociação mais robusto, capaz de se adaptar às diferentes condições de mercado.
Dando continuidade ao artigo anterior, no qual apresentamos a combinação dos indicadores Ichimoku e ADX, vamos analisar como aprimorá-la por meio do aprendizado supervisionado. O Ichimoku e o ADX se complementam na identificação de níveis de suporte e resistência e na avaliação de tendências. Nossa abordagem de aprendizado supervisionado utiliza uma rede neural com um kernel profundo de mistura espectral (Deep Spectral Mixture Kernel) para refinar as previsões obtidas a partir dessa combinação de indicadores. Como de costume, essa implementação é feita em um arquivo personalizado que contém a classe de sinais (signal class), que se integra ao Assistente MQL5 para criar um EA.
Este artigo apresenta em detalhes o padrão de Ondas de Wolfe, tanto em sua versão de baixa quanto na de alta. Também analisa, passo a passo, a lógica utilizada para identificar setups válidos de compra e venda com base nesse padrão gráfico avançado.
O indicador Ichimoku (Ichimoku-Kinko-Hyo) e o oscilador ADX-Wilder formam uma combinação de indicadores complementares que pode ser utilizada em um EA MQL5. O Ichimoku oferece diversas possibilidades de análise, mas, neste artigo, vamos utilizá-lo principalmente para identificar níveis de suporte e resistência. Também usaremos o ADX para identificar a tendência. Como de costume, recorreremos ao Assistente MQL5 para construir os padrões e testar o potencial dessa combinação de indicadores.
Desenvolveremos um sistema de recuperação por zonas (Zone Recovery System) integrado a uma estratégia de negociação a favor da tendência baseada no indicador Envelopes (Envelopes trend-trading strategy), utilizando MQL5. Também apresentaremos a arquitetura que combina os indicadores RSI e Envelopes para abrir operações e gerenciar a recuperação por zonas, com o objetivo de minimizar as perdas. Por meio da implementação prática e dos testes, demonstraremos como criar um sistema de negociação automatizada eficiente para mercados dinâmicos.
Dando continuidade ao artigo anterior sobre a combinação dos indicadores MACD e OBV, veremos como aprimorá-la com o uso de machine learning. O MACD e o OBV são indicadores complementares que refletem, respectivamente, a tendência e o volume. Nossa abordagem de machine learning utiliza uma rede neural convolucional (convolution neural network, CNN) que emprega um kernel exponencial (Exponential kernel) para definir as dimensões de seus kernels e o número de canais ao configurar as previsões geradas por essa combinação de indicadores. Como de costume, essa implementação é feita em um arquivo personalizado da classe de sinais (signal class), que interage com o Assistente MQL5 para criar um EA.
Neste artigo, vamos aprimorar uma estratégia de trading baseada em redes neurais em MQL5, utilizando uma taxa de aprendizado adaptativa (adaptive learning rate) para aumentar a precisão das previsões. Vamos desenvolver e implementar essa melhoria e, em seguida, testar seu desempenho. Ao final, apresentaremos recomendações para otimizar o trading algorítmico.
Neste artigo, desenvolveremos um painel de scanner multitemporal em MQL5 para exibir sinais de negociação em tempo real. Planejaremos uma interface interativa em formato de grade, implementaremos cálculos de sinais utilizando múltiplos indicadores e adicionaremos um botão de fechamento. O artigo se conclui com backtesting e com os benefícios dessa abordagem para a negociação estratégica.
O modelo Prophet, desenvolvido pelo Facebook, permite prever séries temporais e identificar tendências, padrões sazonais e efeitos de feriados com o mínimo de ajustes manuais. Esse método é amplamente utilizado na previsão de demanda e no planejamento empresarial. Neste artigo, vamos investigar a eficácia do modelo Prophet na previsão da volatilidade de instrumentos cambiais e avaliar se ele também pode ser aplicado fora do contexto tradicional de negócios.
Você já teve a sensação de que existe algo mais por trás de um gráfico, algum padrão que ainda não conseguiu identificar? Como se houvesse um código secreto que, uma vez decifrado, permitiria saber exatamente para onde os preços estão indo? Apresento o LGMM, uma ferramenta capaz de detectar padrões ocultos no mercado. Esse modelo de aprendizado de máquina ajuda a identificar regularidades que normalmente passam despercebidas.
O oscilador de convergência e divergência de médias móveis (Moving Average Convergence Divergence, MACD) e o indicador de volume em balanço (On-Balance Volume, OBV) formam mais uma combinação de indicadores que pode ser utilizada em um EA MQL5. Como é habitual nesta série de artigos, os dois indicadores se complementam: o MACD confirma as tendências, enquanto o OBV verifica se o comportamento do volume sustenta esses movimentos. Mais uma vez, utilizamos o Assistente MQL5 para criar padrões e avaliar o potencial dessa combinação de indicadores.
No artigo anterior, apresentamos uma combinação dos indicadores SAR e RVI. Neste artigo, veremos como aprimorá-la com técnicas de machine learning. Juntos, o SAR e o RVI combinam informações de tendência e momentum. Nossa abordagem utiliza uma rede neural convolucional (convolutional neural network) com um kernel exponencial (Exponential kernel) para definir o tamanho dos kernels e o número de canais da rede, utilizada para aprimorar as previsões baseadas nesses dois indicadores. Como de costume, essa abordagem é implementada em um arquivo personalizado da classe de sinais (signal class), que interage com o Assistente MQL5 para gerar um EA.