Алгоритм оптимизации леса (FOA) сочетает локальное изменение координаты с глобальной заменой случайных координат. Мы рассмотрим отбор решений, учёт их возраста и адаптацию алгоритма к тестовому стенду на MQL5. Результаты испытаний и рекомендации по настройке помогут выбрать параметры поиска с учётом размерности задачи и доступного бюджета вычислений.
Создание и развертывание нейронной аддитивной модели непосредственно в MQL5: отдельная небольшая сеть для каждого признака, аддитивный выход без необходимости отдельно объяснять результаты после расчета. В статье представлены скрипт обучения на PyTorch, экспорт в ONNX с двумя выходами (сигнал и вклады), обертка в подключаемом файле с использованием OnnxCreateFromBuffer/OnnxRun и советник, который на каждом баре выводит фактический вклад каждого признака. В статье рассматриваются единые формулы расчета признаков для обучения и экспорта, определение пороговых значений, результаты тестера стратегий и граничные случаи, такие как значения NaN и входы вне обучающего распределения.
В этой статье проводится сравнительное тестирование прямого прохода многослойного перцептрона (MLP), реализованного в MQL5 тремя способами: средствами штатного MQL5, с использованием ALGLIB и ONNX Runtime. Мы количественно оцениваем точность вычислений относительно эталона float64 и время выполнения (среднее значение и процентили), а затем предлагаем практические критерии и готовый к использованию тестовый стенд, которые помогут выбрать подходящий вычислительный движок и интегрировать его в советник.
Перестановочные тесты, предполагающие обменность наблюдений, приводят к неверной калибровке предварительного отбора признаков при перекрытии финансовых меток, в результате чего частота ложноположительных результатов на данных EURUSD возрастает в десять раз. В статье реализован откалиброванный конвейер с тремя этапами проверки: ADF+KPSS для проверки стационарности, энтропия на равномерной сетке с учетом доли наблюдений в модальном интервале и взаимная информация, скорректированная с помощью совместного перестановочного нулевого распределения и поправки Уэстфолла — Янга max-T. Отчет ScreeningReport содержит сводку результатов этапов проверки и эффективное число тестов, что позволяет надежно отфильтровать признаки перед обучением моделей.
Расчет размера позиции без учета близости к цели по прибыли или времени выхода важных новостных событий подвергает уже достигнутый результат риску отката и искажает моделируемую прибыль вблизи публикаций новостей на этапе торговли на финансируемом счете. Мы реализуем derisking_factor — кусочно-линейную функцию уменьшения размера позиции в зависимости от прогресса этапа с нижней границей, определяемой выполнением требования к минимальному числу торговых дней, — и news_window_factor — ступенчатую функцию, действие которой зависит от этапа и которая применяет сокращение учитываемой прибыли по правилу распределения вознаграждения при торговле на новостях FundedNext в настраиваемом окне вокруг связанных событий. Обе функции возвращают множители с ограниченным диапазоном значений, которые перемножаются с другими модификаторами модуля расчета размера позиции.
Мы показываем, что вложенная кросс-валидация устраняет оптимистическое смещение оценки, но не предотвращает переобучение при поиске гиперпараметров на конечной выборке, и добавляем диагностический метод для случаев, когда критерий не позволяет различить кандидатов на фоне шума. Мы реализуем OffsetPurgedKFold (повторное разбиение со сдвигом границ), аудит дисперсии критерия (коэффициент разрешения и устойчивость отбора), кривую оптимизма при отборе, скорректированное правило одной стандартной ошибки, раннюю остановку на основе уровня шума и расчет эффективного числа испытаний для коррелированных испытаний. В результате получаем отчет о разбросе для каждого кандидата и эффективное число испытаний для расчета дефлированного коэффициента Шарпа.
В этой статье реализован легковесный механизм защиты от дрейфа в пространстве признаков на MQL5 с использованием одномерного расстояния Вассерштейна-1: оценка методом сортировки и попарного сопоставления для окон одинакового размера, нормировка по межквартильному размаху (IQR) для каждого признака и фильтрация как по взвешенной сводной оценке, так и по максимальной статистике. Настройки задаются в манифесте JSON (размеры окон, веса, пороговые значения для предупреждений и критических состояний, действия). Детектор работает параллельно с классификатором ONNX; его работа проверяется в тестере стратегий, а результаты приводятся с явным указанием оговорок.
Создайте и разверните консервативную политику, обученную офлайн, используя только MQL5. Записанные сделки образуют фиксированный набор данных для двухслойной Q-сети, обучаемой методом консервативного Q-обучения, который снижает Q-значения действий с недостаточной поддержкой данными, чтобы ограничить ошибку экстраполяции. Советник загружает зафиксированные веса и применяет фильтр обнаружения состояний вне обучающего распределения, используя сохраненную статистику признаков. Это обеспечивает воспроизводимость обучения и исполнения без исследования среды в реальном времени.
Оценка важности признаков часто занижает вклад коррелированных предикторов, распределяя один сигнал между множеством сконструированных копий, тогда как несвязанные шумовые признаки могут оказаться выше в рейтинге. Мы измеряем этот эффект, сопоставляя результаты с заранее известной истинной картиной, и сравниваем четыре способа его устранения: перестановочную важность с перекрестной проверкой с очисткой, модели на основе одного признака, кластерный MDI и кластерный MDA. Результаты включают рейтинги для каждого метода и коэффициент размывания для каждого кластера, которые помогают выявить истинные сигналы и избежать удаления ценных признаков.
Продолжаем адаптацию AlphaGen и рассматриваем поисковую и торговую нейросетевые политики, построенные на общем базовом классе. Разбираем выбор токенов с учётом префикса и маски, формирование нормированных параметров торгового действия, архитектуры сетей, распределения, рекуррентную память и обратное распространение градиентов в MQL5 и OpenCL. Прослеживаем путь данных через каждую политику, чтобы определить её назначение и понять, почему вместо одного универсального объекта используются две специализированные сети.
В статье показано, как сравнить две торговые прогнозные модели в MQL5 с помощью теста Диболда–Мариано (DM) с HAC-коррекцией дисперсии и поправкой Харви–Лейборна–Ньюболда. В ней описаны детали реализации: выбор функции потерь, лаговые окна, зависящие от горизонта прогнозирования, расчет в скользящем окне, обработка результатов теста и настройка на основе манифеста, а также реализация расчетов для распределения Стьюдента без внешних библиотек. Советник отображает информационную панель с обновлением в реальном времени, а индикатор — статистику теста и границы критических значений для практического и статистически обоснованного выбора модели.
Мы объединяем прогнозы дисперсии GARCH(1,1) с ATR и паттернами полос Боллинджера, создавая алгоритм, который при желании можно использовать совместно с LSTM с масштабированием по волатильности в классе торговых сигналов, совместимом с Мастером MQL5. Мы рассматриваем масштабирование признаков, оценку режимов, пороговые значения и защитные проверки. Читатели могут воспроизвести результаты тестирования на исторических данных и форвардного тестирования, чтобы проверить, улучшает ли рекуррентный слой способность различать торговые ситуации по сравнению с нашим базовым детерминированным алгоритмом.
В статье переработана модель прогнозирования на основе гауссовского процесса на чистом MQL5: входные данные характеризуют состояние рынка, а целевые переменные задаются непосредственно как логарифмические доходности за горизонт прогнозирования. В ней используются ядро Матерна 3/2, разложение Холецкого с обеспечением симметрии матрицы и адаптивной диагональной добавкой, стандартизированные целевые переменные и поиск по сетке в логарифмическом пространстве без побочного изменения состояния объекта. Советник торгует только тогда, когда z-оценка, рассчитанная с использованием дисперсии наблюдений, достигает заданного порога или превышает его, а торговое преимущество превышает текущий спред. Калибровка проверяется в тестере стратегий.
В статье рассматривается класс робастных регрессионных моделей, устойчивых к выбросам в данных. Такие модели особенно полезны при работе с финансовыми данными, распределение которых часто отклоняется от нормального. Реализованы три подхода на языке MQL5: регрессия на основе распределения Стьюдента, регрессия Лапласа и регрессия с функцией потерь Хубера. Показаны особенности их обучения с применением численных методов оптимизации: EM-алгоритма, линейного программирования и метода L-BFGS из библиотеки ALGLIB. Проводится сравнение с методом наименьших квадратов на синтетических данных, что помогает оценить поведение моделей при наличии выбросов.
Мы рассматриваем методы, с помощью которых изотоническая регрессия преобразует исходные оценки сигналов RSI, стохастического осциллятора и ценовой динамики в упорядоченные вероятности, а отдельная вероятностная нейронная сеть оценивает сходные состояния рынка в прошлом. В этой статье оба подхода реализованы в готовом пользовательском классе торгового сигнала на MQL5, совместимом с Мастером MQL5 и предлагающем до семи режимов входа на выбор. В воспроизводимых тестах сигналы, полученные только с помощью изотонической регрессии, сравниваются с сигналами комбинированной модели изотонической регрессии и PNN, чтобы оценить, даёт ли сеть полезную информацию сверх той, которую предоставляет более простая базовая модель.
Мы переносим артефакты, созданные в Python, в MQL5 для тестирования на исторических данных методом комбинаторной перекрестной проверки с очисткой (CPCV) с точностью до тика. Скрипт экспорта преобразует модель ONNX, калибратор, спецификацию признаков и маски траекторий в плоские файлы, а советник вычисляет признаки, выполняет ONNX-инференс с калибровкой и торгует на реальных тиках. Тестер стратегий выполняет тестирование для каждой комбинаторной траектории, а Python обрабатывает кривые эквити по всем траекториям и формирует распределение коэффициентов Шарпа по траекториям, чтобы оценить устойчивость стратегии с учетом спреда, проскальзывания и комиссии.
Продолжаем адаптацию AlphaGen для MetaTrader 5 и реализуем класс CAlphaGenPool средствами MQL5 и OpenCL. Разбираем пакетную оценку формул по временной корреляции с последующей доходностью, обработку дубликатов и подбор весов с ridge-регуляризацией. Показываем, как формируется награда для поисковой политики и как подготовленный пул после прогрева заменяет действующий. В результате получаем нормированный совокупный сигнал и согласованную историю его значений для торговой модели.
В Части 2 мы представляем класс CCovarianceMatrix для многократного использования, который вычисляет и сохраняет ковариационную матрицу на основе исходных рядов доходностей с помощью встроенного метода MQL5 Cov(). Мы проверяем симметричность, выводим матрицу в виде таблицы с подписями и вызываем метод Eig(), чтобы получить собственные значения и собственные векторы. Читатели увидят, как совместно изменяются торговые инструменты и какие факторы определяют дисперсию, что позволит нагляднее оценивать состояние портфеля и повторно использовать код в скриптах или советниках.
Эффективность стратегии возврата к среднему на основе полос Боллинджера снижается в трендовых рыночных режимах, когда ADX высок, а ширина полос увеличивается. Мы отделяем выбор направления сделки от отбора сделок с помощью двухэтапного конвейера метаразметки: вторичный классификатор на основе градиентного бустинга, обученный с использованием PurgedKFold на признаках, характеризующих полосы Боллинджера (BBP, BBB, режим ширины полос), выдает вероятности действий, на основе которых выполняется определение размера позиции. Реализация на MQL5 загружает модель ONNX и определяет размер позиции в рамках архитектуры с двумя торговыми советниками, чтобы отфильтровывать касания полос, дающие сигналы низкого качества.
Продолжаем адаптацию AlphaGen для MetaTrader 5. В первой части мы реализовали правила, определяющие допустимые продолжения формулы. Теперь разбираем, как генератор OpenCL применяет эти правила и по оценкам модели выбирает токены, а вычислитель проверяет готовое выражение и рассчитывает значения торгового фактора по барам. Показываем, как по статусу результата отличить корректный ноль от пропуска из-за нехватки истории и распознать ошибку вычисления.
Мы представляем цепочку калибровки, учитывающую набор правил и преобразующую оставшийся бюджет риска в откалиброванный масштаб сигмоиды для расчёта размера позиции. Эта цепочка вычисляет верхний предел на основе процентного значения стоп-лосса, и коэффициента запаса, находит w обратным расчётом при опорном отклонении и постепенно уменьшает размер позиции по мере сокращения бюджета. В статье также разъясняется, где в рабочей системе необходимо применять ограничения кредитного плеча: на этапе пересчёта размера позиции в лоты, поскольку сам по себе расчёт размера позиции на основе риска не обеспечивает соблюдения максимального кредитного плеча.
Исходные корреляции признаков содержат шум оценивания и компоненту общей рыночной моды, которые искажают результаты кластеризации. Мы оцениваем верхнюю границу шумового спектра по теореме Марченко — Пастура (с поправкой на эффективный размер выборки), подавляем шум методом выравнивания остаточных собственных значений, удаляем рыночную компоненту и запускаем алгоритм оптимального числа кластеров (ONC). В результате получаются очищенная корреляционная матрица и устойчивые метки кластеров, которые позволяют избежать эффекта замещения и служат входными данными для оценки групповой важности признаков методами среднего уменьшения неоднородности (MDI) и среднего снижения точности (MDA) в следующей статье.
Мы строим скользящий ценовой канал по условным квантильным прямым уровней 0.1, 0.5 и 0.9, оцениваемым методом итеративно перевзвешенных наименьших квадратов (IRLS) с квантильной функцией потерь (pinball loss); реализация включает класс для повторного использования и два индикатора MetaTrader 5. Мы проверяем охват внутри выборки, анализируем пересечение квантильных прямых и сравниваем ширину канала со средним истинным диапазоном (ATR), шириной полос Боллинджера и шириной регрессионного канала на одинаковых горизонтах. Проверки в тестере стратегий показывают, что границы канала носят описательный характер, тогда как нормированная ширина служит признаком волатильности и рыночного режима.
В этой статье на чистом MQL5 реализован фильтр торговых сигналов на основе логистической регрессии с онлайн-обучением, интегрированный в советник (EA) на основе пересечения экспоненциальных скользящих средних (EMA) с контуром обратной связи по закрытым сделкам. В статье подробно описаны общий класс, признаки, обновление методом стохастического градиентного спуска (SGD), сохранение состояния модели и отображение вероятности без возможности изменения модели. Эксперименты на синтетических данных охватывают оценку разделения при разных начальных значениях генератора случайных чисел, калибровку вероятностей, абляционный анализ признаков, сравнение с базовыми моделями в условиях смены режима и перебор значений гиперпараметров. Вы получите скрипты для воспроизводимых экспериментов и протокол пошаговой проверки со сдвигом временных окон, чтобы проверить фильтр на выбранном вами торговом инструменте.
Собрать мультисимвольного советника, да чтобы еще и торговал по разным стратегиям — это задача со звездочкой даже для алготрейдера с многолетним опытом. Но с появлениям полноценного встроенного AI помощника в терминале MetaTrader 5 теперь это посильно разработчику любого уровня. При этом даже не требуется быть специалистом в математике и риск-менеджменте — языковая модель все вам объяснит в чате и напишет полностью за вас код.
Начинаем изучение AlphaGen — фреймворка автоматического поиска формульных факторов для прогнозирования рыночной доходности и формирования торговых сигналов. Разбираем, как генератор создаёт выражения из цен и объёмов, а совместная оценка факторов помогает отбирать полезные признаки для торговой модели. Рассматриваем адаптацию алгоритма к финансовым временным рядам. В практической части реализуем OpenCL-примитивы типизированного стека и маскирования токенов, обеспечивающие корректное построение формул с учётом ограничений доступной истории.
В статье описан воспроизводимый метод оценки риска портфеля из нескольких символов с использованием матриц MQL5 и OpenBLAS. В ней рассматриваются расчет логарифмических доходностей, построение ковариационной матрицы и вычисление wᵀΣw вместо суммирования отдельных дисперсий. Полностью готовый скрипт выводит для сравнения наивную и истинную оценки волатильности, а также вклад перекрестных членов, позволяя выявить случаи, когда коррелирующие инструменты увеличивают рисковую экспозицию сверх оценок для отдельных активов.
Жестко заданные в коде правила проп-фирмы привязывают модуль расчета размера позиции к одной программе проп-фирмы. В этой статье правила выделяются в PropFirmRuleSet, а PropFirmAccountState и модификаторы размера позиции перерабатываются для его использования, в том числе для учета различий между динамическим и фиксированным дневными лимитами и снижения доли засчитываемой прибыли в новостном окне. Проверка: соответствие поведения исходной реализации для FundedNext проверяется на смоделированной траектории средств счета, поэтому расчет размера позиции можно адаптировать к другой программе через конфигурацию, не переписывая код.
Статья посвящена созданию локальной связки MetaTrader 5 и компактной LLM без Ollama. Рассматривается архитектура MAX TURBO, которая напрямую управляет llama.cpp, GGUF-моделью, HTTP-сессией и двумя уровнями кэша, а технические признаки из MT5 преобразуются в короткий запрос для прогноза направления, уверенности и цены через 24 часа. Отдельное внимание уделено честной проверке системы: различиям между backtest и live, учёту риска, издержек и ограничениям текущей реализации
Сканирование трендов поддерживает как окна, направленные в будущее, так и окна, направленные в прошлое, а режим разметки по умолчанию небезопасен для вычисления признаков: он использует будущие данные и на случайных блужданиях повышает долю совпадений с направлением следующего бара значительно выше случайного уровня. Мы предлагаем специальную функцию-обертку get_trend_scanning_features, которая принудительно задает каузальный режим вычислений и возвращает только window, slope, t_value и rsquared. Во втором анализе количественно оцениваются ошибки, возникающие при применении используемого по умолчанию логарифмического преобразования к рядам, допускающим отрицательные значения.
Разбираем алгоритм Genetic Programming (GP) — классический метод, который выращивает не числа, а формулы. Почему знаменитый алгоритм в каноническом виде проигрывает обычному случайному поиску во всех тестах, и какая одна строка возвращает ему силу? Ответ касается любого оптимизатора с пропорциональным отбором. В конце статьи — готовый код GP на MQL5, который можно сразу использовать для своих задач.
В статье библиотека анализа рекуррентности на MQL5 расширяется средствами анализа рекуррентных сетей (RNA): матрицы рекуррентности рассматриваются как матрицы смежности неориентированных графов. В ней реализованы основные сетевые метрики — кластеризация, транзитивность, средняя длина пути, посредничество, ассортативность и плотность, — которые применяются в скользящих окнах для анализа рекуррентных сетей (RNA) одного временного ряда и совместного анализа рекуррентных сетей (JRNA). Модульный механизм расчета метрик и два индикатора позволяют визуализировать динамику структуры сети на графиках MetaTrader 5 для практического анализа временных рядов.
В этой статье мы строим практически применимый индекс шероховатости на основе теории шероховатой волатильности, оценивая локальное значение H с помощью регрессии по структурной функции на доходностях, агрегированных по блокам, — и всё это средствами MQL5. Мы объединяем его с признаками волатильности волатильности, обучаем классификатор на основе градиентного бустинга в Python, экспортируем модель в формат ONNX и вызываем её из торгового советника. Вы сможете вычислять H на каждом баре и использовать модель в качестве фильтра входа, учитывающего рыночный режим.
Стандартные HMM предполагают, что длительности состояний имеют геометрическое распределение со свойством отсутствия памяти, что плохо соответствует реальным рыночным фазам. В этой статье скрытая полумарковская модель (HSMM) с явным учетом длительности реализуется непосредственно на MQL5: для каждого состояния задается распределение времени пребывания в состоянии, а для фильтрации используется прямой фильтр по оставшейся длительности. Параметры оцениваются вне торговой среды с помощью алгоритма ожидания-максимизации (EM) и загружаются через компактный манифест в формате JSON. Торговый советник (EA) для XAUUSD на таймфрейме M5 использует ожидаемую оставшуюся длительность для фильтрации торговых решений о входе и выходе, что помогает удерживать позиции по тренду и избегать запоздалых входов перед завершением рыночного режима.
Оценка по ценам закрытия не учитывает максимумы, минимумы и межсессионные ценовые разрывы. Мы создадим библиотеку MQL5 для повторного использования, реализующую четыре способа оценки волатильности на основе ценового диапазона — от способа Паркинсона до устойчивого к ценовым разрывам способа оценки Янга—Чжана, — и применим её в сравнительном индикаторе и наборе адаптивных полос волатильности.
В статье рассматривается конвейер для конструирования признаков на основе пятибарного фрактала Вильямса и показывается, как центрированное скользящее окно приводит к реальной утечке будущей информации. В статье выявлены две дополнительные скрытые ошибки — жестко заданный сдвиг, привязанный к значению n по умолчанию, и порог волатильности, игнорирующий переданное значение, — а исправления объединены под единым флагом leak_safe. Читатели получат фрактальные признаки, признаки уровней, тренда и сигналов без утечки будущей информации, а также рекомендации о том, в каких случаях столбцы без сдвига остаются пригодными для разметки.
Выборочные корреляционные матрицы могут казаться точными, но при этом в основном состоять из шума. В этой статье реализован алгоритм подавления шума на основе RMT на языке MQL5 без внешних зависимостей: спектральное разложение методом Якоби, отбор собственных значений по распределению Марченко — Пастура и восстановление матрицы с заменой шумовых собственных значений их средним, сохраняющее след матрицы и единичную диагональ. В статье объясняется, как интегрировать этот алгоритм в советник для торговли корзиной инструментов, чтобы очищенная матрица повышала стабильность коэффициентов хеджирования и весов между ребалансировками, а код оставался переносимым и доступным для аудита.
Пошаговое руководство по созданию изолирующего леса (Isolation Forest), реализованного непосредственно на MQL5 и ориентированного на показатели исполнения, а не на цену. В руководстве подробно описаны пять признаков, построение деревьев и расчет оценки аномальности по длине пути, обучение на скользящем окне, ведение CSV-журнала, а также сохранение и восстановление модели с использованием FILE_COMMON. Все это интегрировано в OnTradeTransaction(). Полученный механизм защитной остановки торговли (circuit breaker) в реальном времени выявляет необычные исполнения заявок и применяет контролируемые меры реагирования, чтобы стабилизировать реальную торговлю при изменении условий исполнения.
Мы исследуем, как скрытая марковская модель (HMM) оценивает скрытые рыночные режимы на основе наблюдаемых последовательностей цен и значений индикаторов. Это достигается путем оценки вероятности переходов между состояниями. Сеть на основе управляемого рекуррентного блока (GRU) моделирует временные зависимости и сохраняет важную информацию на протяжении нескольких наблюдений. В советнике вероятности рыночных режимов, рассчитанные с помощью HMM, можно использовать совместно с обучением сети GRU на последовательностях, чтобы точнее классифицировать изменения в накоплении, распределении и импульсе еще до появления стандартных ценовых подтверждений.
Мы представляем фильтр допуска для сигналов ONNX на основе сертифицированного радиуса, реализованный непосредственно на MQL5. Система оценивает устойчивость каждого прогноза с помощью рандомизированного сглаживания и односторонней границы Клоппера — Пирсона, а затем использует полученный радиус для допуска к сделкам, масштабирования объема в лотах и мониторинга. Это дает практически применимую оценку запаса устойчивости, которая отражает допустимый уровень шума во входных данных, а не величину значения softmax.