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.
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.
Мы добавляем окно настроек с вкладками, которое открывается из ленты и привязано к выбранному объекту. Вкладки "Стиль", "Текст", "Координаты" и "Видимость" построены на основе той же системы дескрипторов и поддерживают прокрутку, отдельные строки для каждого уровня и общие всплывающие панели выбора цвета, ширины и стиля. В статье рассматриваются компоновка, отрисовка, взаимодействие и редактирование цены, времени и числовых значений непосредственно в строке. В вашем распоряжении будет единое окно для редактирования всех свойств с предварительным просмотром в режиме реального времени и возможностью подтвердить или отменить изменения при закрытии.
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.
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.
Мы адаптируем фильтр Савицкого — Голея для MQL5, придавая ему строго каузальную форму для работы в реальном времени, и выводим фиксированные коэффициенты для вычисления в конечной точке. В статье представлены полноценный индикатор и советник, объясняется чувствительность к шуму при вычислении на краю окна и реализуется защитный механизм подтверждения на нескольких барах. Приведены результаты тестирования на исторических данных по нескольким торговым инструментам без выборочного отбора удачных результатов. Вы получаете готовый к компиляции код, рекомендации по настройке параметров и альтернативу скользящим средним с меньшим запаздыванием.
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.
Мы добавляем стек свойств, управляемый дескрипторами, и плавающую ленту, которая привязывается к текущему выделению на слое рисования. В статье рассматриваются список дескрипторов для каждого инструмента, API получения и установки со стороны движка с предварительным просмотром в реальном времени на основе механизма «снимок и восстановление», а также рендереры виджетов для цвета, непрозрачности, ширины линии, стиля линии, шрифтов и видимости уровней. Вы получаете возможность редактировать внешний вид объектов на месте и в режиме реального времени с помощью компактной панели, которую можно перетаскивать.
Как часто свечи со снятием ликвидности FU, AFU и SFU оказываются на подтверждённых экстремумах? Проверяем это постфактум на данных EURUSD, BTCUSD и EURGBP за 2020–2026 годы и сравниваем результаты с базой свечей, пробивших экстремум предыдущей. В статье представлены определения формаций, индикаторы FuCandles и SimpleZigZag, а также скрипт сбора данных на MQL5.
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.
Реализуйте сессионный профиль объема на MQL5: получайте тики с помощью CopyTicksRange(), группируйте их по ценовым интервалам и рассчитывайте POC, VAH и VAL по правилу 70%. Индикатор отображает профиль непосредственно на графике с помощью штатных графических объектов, поддерживает масштабирование в режиме фиксированной ширины для сохранения единообразной геометрии на разных таймфреймах и обновляется с началом каждой новой сессии. Это позволяет получить объективные опорные уровни без внешних зависимостей.
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 добавляем на холст восемь инструментов для рисования фигур и девять инструментов для создания аннотаций, а также реализуем полнофункциональную систему редактирования меток на месте. В статье подробно рассматриваются геометрия, отрисовка со сглаживанием, общие вспомогательные функции для переноса слов и отрисовки текста с суперсэмплингом, а также конечный автомат редактирования, основанный на положении текстового курсора и отвечающий за ввод текста, навигацию и выделение. В результате получается полный и согласованный набор инструментов для аннотирования с редактируемыми метками, который интегрируется в существующий конвейер взаимодействия.
В данной статье реализован скалярный фильтр Калмана для сглаживания цены в MQL5 с использованием стандартной модели локального уровня и точных уравнений прогнозирования и коррекции. В статье объясняется, как шум процесса и шум измерения (Q, R) определяют коэффициент усиления Калмана, два независимо настроенных фильтра объединяются в систему на основе пересечения быстрой и медленной линий, а также приводятся полностью реализованные индикатор и советник. Советник получает данные индикатора через iCustom и торгует по сигналу, подтвержденному правилом устойчивости. Это дает воспроизводимую основу для тестирования и настройки.
В статье представлены реализации моделей FIGARCH и HARCH на языке MQL5, а также обновлена библиотека волатильности для процессов с долгой памятью. В статье представлен код для проведения тестов Херста и GPH, настройки параметров (усечения и горизонтов), а также скрипты для оценки параметров моделей, прогнозирования и моделирования. Читатели узнают, как применять и сравнивать модели на рыночных данных для выбора подходящей спецификации.
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.
В этой статье детектор графических объектов расширяется до модульной подсистемы мониторинга и исполнения торговых операций. В ней задаются объективные правила взаимодействия (касание, пересечение, пробой) для трендовых линий, уровней Фибоначчи, каналов, прямоугольников и вил Эндрюса, а события затем передаются через детектор взаимодействий, менеджер оповещений и подключаемый по желанию модуль исполнения торговых операций. В ордерах для установки стоп-лосса и тейк-профита используется геометрия объекта. В результате получается воспроизводимый конвейер обработки, который преобразует статические построения в оповещения для принятия торговых решений и, если соответствующая функция включена, в торговые операции.
Прямые вызовы API торговой истории MQL5 внутри аналитических компонентов создают скрытые зависимости от терминала, из-за которых изолированное тестирование невозможно на уровне архитектуры. В данной статье создается слой абстракции ITradeRepository с реализациями CLiveTradeRepository и CMockTradeRepository, позволяющий одному и тому же аналитическому модулю и панели кривой средств одинаково работать как с текущими данными торгового счета, так и с детерминированным набором данных в памяти. Внедрение репозитория устраняет прямую связанность с API, позволяет проводить проверку в автономном режиме и при смене источника данных ограничивает необходимые изменения одним классом реализации.
Выходы по фиксированным правилам не учитывают изменения состояния, пока позиция открыта. Мы реализуем модель конкурирующих рисков в дискретном времени полностью на языке MQL5, оцениваем условные вероятности событий определённого типа — срабатывания тейк-профита и стоп-лосса — методом Ньютона — Рафсона по таблице «сделка — период» с изменяющимися во времени признаками и преобразуем накопленные вероятности событий в правило «удерживать или закрывать» на каждом баре. Затем мы сравниваем это правило с выходами по фиксированным тейк-профиту и стоп-лоссу при одинаковой логике входа.
В этой статье рассказывается, как организовать торговлю в MetaTrader 5 без использования мыши и клавиатуры, преобразуя жесты рук, отслеживаемые с помощью веб-камеры, в торговые команды MQL5. Мы рассмотрим архитектуру (MediaPipe/OpenCV на Python плюс советник MQL5), сопоставление жестов и действий, а также межпроцессное взаимодействие с помощью глобальных переменных или HTTP-опроса. Вы реализуете советник, выполните действия BUY/SELL/CLOSE и проверите задержку и надежность в режиме реального времени.
Мы расширяем слой рисования на холсте из предыдущей части, добавляя семь новых категорий аналитических инструментов с несколькими опорными точками, которые охватывают три варианта каналов, три варианта вил, три инструмента Ганна и шесть инструментов Фибоначчи. Рассмотрим, как каждый инструмент задает свою геометрию на холсте, как вычисляемые маркеры позволяют пользователям согласованно изменять форму составных фигур и как общие вспомогательные функции выполняют отсечение лучей, построчную заливку и отрисовку дуг со сглаживанием. В итоге у нас будет полный набор инструментов для аналитического рисования, которые будут располагаться на одном интерактивном холсте наряду с базовыми инструментами для рисования линий из предыдущей части.
В MQL5 отсутствуют встроенные средства модульного тестирования, поэтому ошибки в служебных функциях расчёта размера лота, стоимости пункта и нормализации часто попадают в рабочий код. В этой статье представлен фреймворк без внешних зависимостей, построенный на макросах утверждений препроцессора, наборах тестов на основе интерфейсов и центральном средстве запуска тестов с модулем форматирования результатов. Он работает как скрипт в обработчике OnStart, выполняет детерминированные тесты и выводит сводку об успешных и неуспешных тестах на вкладку "Эксперты", позволяя выявить дефекты округления, обработки граничных значений и ошибок до развёртывания.
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.
В этой статье представлен CTradeJournal — автономный класс MQL5 для отслеживания открытых позиций в реальном времени на каждом тике. Он отслеживает MAE, MFE и первоначальный риск в денежном выражении, рассчитывает R-множитель при закрытии позиции и формирует полную запись в CSV-файл. В тексте объясняются проектные решения, приводится реализация и демонстрируется простая интеграция с советником, позволяющая анализировать входы в рынок, размещение стоп-лоссов и распределение результатов.
Мы заменяем штатные графические объекты MetaTrader движком рисования на основе холста, который попиксельно отрисовывает инструменты на растровом слое, охватывающем весь график. В статье реализованы постоянное хранение объектов с запоминанием стиля для каждого инструмента, точная проверка попадания, выделение, перетаскивание объекта целиком и управление маркерами. Также добавлены новые инструменты рисования линий, переработанная система категорий с действием удаления одним щелчком и предпросмотр с растягиваемым контуром для размещения несколькими щелчками.
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.
Мы реализуем три класса MQL5, которые заменяют фиксированные целевые уровни 1R/2R/3R на уровни поэтапного закрытия, определяемые на основе данных. CExcursionTracker фиксирует максимальное благоприятное отклонение (MFE) в единицах R для каждой закрытой позиции, CExitLadderCalibrator формирует ступени на основе процентилей распределения с учетом окна ретроспективного анализа и минимального числа наблюдений, а CLadderExecutor выполняет закрытие на этих ступенях для открытых позиций. Лестница выхода перекалибруется по мере накопления закрытых позиций. Пока наблюдений недостаточно, используется резервная лестница выхода.
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 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.
Нарисованные вручную аналитические объекты, такие как инструменты Фибоначчи и вилы Эндрюса, не видны автоматизированной торговой логике. В статье предлагается расширение базового детектора, позволяющее извлекать опорные точки, массивы уровней и геометрические смещения из сложных объектов. Вам предстоит реализовать многократно используемый сборщик, который нормализует необработанные данные графика, преобразуя их в структурированные массивы в памяти для принятия решений в рамках торговой стратегии.
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.
В этой статье мы обосновываем целесообразность объединения картирования дивергенций с имитационной моделью на основе TFT. Основная идея картирования дивергенций состоит в том, чтобы не полагаться на запаздывающие подтверждения со стороны цены, а использовать метод как структурный датчик, помогающий выявлять скрытые изменения импульса по движению цены и аномалиям индикаторов. Чтобы определить, как эти аномалии интерпретируются с течением времени, мы используем упрощенную модель TFT. Эта сеть учитывает исторический контекст при оценке формирующихся трендов, поэтому ее объединение с картированием дивергенций должно позволить нам выявлять изменения в накоплении и распределении еще до ценовых пробоев.
Исследуется прогноз следующего часового движения EURUSD H1 на длинной истории. Сравнивается исходное ценовое уравнение с простейшим ориентиром, после чего задача переносится на направление и величину следующего изменения с хронологическим разделением данных. Отдельно анализируется переход 23:00→00:00 и его поведение на 100 последовательных двухмесячных участках вне обучения. Читатель получает воспроизводимую схему подготовки данных и отбора сигналов по уверенности.
В MetaTrader 5 отсутствует встроенный инструмент для визуализации внутридневных закономерностей доходности одновременно по нескольким временным измерениям. В данной статье реализован пользовательский индикатор, который собирает данные о доходности исторических баров в матрицу размером 5×24, индексированную по дням недели и часам суток. Затем индикатор отрисовывает результат в виде тепловой карты с цветовой интерполяцией в подокне индикатора с помощью CCanvas. Зеленые ячейки обозначают положительную среднюю доходность, красные — отрицательную, причем интенсивность цвета отражает величину доходности.
В статье описывается и приводится код стратегии MR Swing на языке MQL5 — это подход к свинг-трейдингу на основе возврата к среднему значению, сочетающий 200-дневный канал гистерезиса с индикаторами Value Chart (график стоимости), DVO и SVAPO. Мы описываем правила входа в позиции и выхода из них для бычьего и медвежьего режимов и приводим результаты пятилетнего бэктестирования на шести высоколиквидных акциях, котирующихся на Nasdaq. Для обеспечения воспроизводимости результатов предоставляются полный код советника и настройки бэктестирования.
Благодаря облегченной архитектуре системы сохранения данных торговые советники (EA) могут сохранять счетчики, флаги и временные метки между перезапусками терминала. Используя только средства MQL5, CPersistentStore записывает удобочитаемый файл формата key=value в папку MQL5/Files и обслуживает запросы на чтение из кэша со сквозной записью на основе CHashMap через типизированный API. В статье анализируются операции со сложностью O(1) и O(n), риски неполной записи и отсутствие блокировки файлов, проводится сравнение с глобальными переменными терминала (GlobalVariables) и SQLite, а также приводится демонстрационный пример с детерминированной повторной загрузкой состояния.
Мы расширяем программную основу управления зонами спроса и предложения с сохранением состояния для MetaTrader 5, добавляя количественную модель допуска зон в систему и специализированный механизм взаимодействия цены с зонами. Зоны-кандидаты получают балльную оценку по структурной симметрии, объемной активности участников рынка и смещению, нормированному по ATR, а затем распределяются по категориям качества на основе объективных критериев. Допущенные в систему зоны проходят детерминированный жизненный цикл, в ходе которого отслеживается первое касание, проверяются отскоки или подтверждаются пробои; при этом собирается полная телеметрия для анализа и обеспечения воспроизводимости.