Artikel über das Programmieren in MQL4 und MQL5

Versuchen wir doch einmal, CFTC-Daten auszuwerten, COT- und TFF-Berichte über Python herunterzuladen, all dies mit den Kursdaten von MetaTrader 5 und einem KI-Modell zu verknüpfen und Prognosen zu erstellen. Was sind COT-Berichte auf dem Devisenmarkt? Wie nutzt man COT- und TFF-Berichte für Prognosen?

In diesem Artikel werden wir sehen, wie man eine Datenbank visualisiert und daraus ihre Struktur versteht. Dies geschieht durch die Analyse ihrer internen Struktur. Auch wenn dies auf den ersten Blick unnötig erscheinen mag, ist es durchaus gerechtfertigt, wenn wir wirklich Datenbankadministratoren werden wollen. Schließlich verdienen manche Menschen ihren Lebensunterhalt damit, Datenbanken zu pflegen und zu entwerfen.

Wenn Text in einem Chart angezeigt werden soll, können wir die Funktion „Comment()“ verwenden. Aber ihre Möglichkeiten sind recht begrenzt. Daher werden wir in diesem Artikel eine eigene Komponente erstellen – ein Dialogfenster über die gesamte Chartfläche, das mehrzeiligen Text mit flexiblen Schriftarteneinstellungen und Scroll-Unterstützung anzeigen kann.

Anpassung des klassischen CAPM-Modells für den Forexmarkt in MQL5. Der Indikator berechnet die erwartete Rendite und die Risikoprämie auf der Grundlage der historischen Volatilität. Die Indikatoren steigen an Hochs und Tiefs an und spiegeln damit die grundlegenden Prinzipien der Preisbildung wider. Praktische Anwendung von Contra-Trend- und Trendfolgestrategien unter Berücksichtigung der Dynamik des Risiko-Ertrags-Verhältnisses in Echtzeit. Der Artikel behandelt mathematische Grundlagen und die technische Umsetzung.

Dieser Artikel zeigt, wie man einen benutzerdefinierten MT5-Indikator erstellt, der die gesamte Trade-Historie verarbeitet und den Anfangssaldo, Kontosaldo, Kontoeigenkapital und dem laufenden Gewinn/Verlust als kontinuierliche Kurven darstellt. Der Indikator wird pro Bar aktualisiert, aggregiert Positionen über Symbole hinweg und vermeidet externe Abhängigkeiten durch lokales Caching. Nutzen Sie es, um Abweichungen zwischen Kontoeigenkapital (equity) und -saldo (balance), realisierten gegenüber nicht realisierten Ergebnissen sowie den Zeitpunkt des Risikoeinsatzes zu überprüfen.

Das MetaTrader-5-Modul für Python ermöglicht es, Trades bequem über Python in der MetaTrader-5-Anwendung zu eröffnen. Es hat jedoch einen großen Nachteil: Die im MetaTrader-5-Terminal verfügbare Funktion des Strategietesters fehlt. In dieser Artikelserie werden wir ein Framework für das Backtesting Ihrer Handelsstrategien in Python-Umgebungen aufbauen.

Wir erstellen eine praktische Brücke zwischen MetaTrader 5 und Binance: Wir holen 30-Minuten-Klines mit WebRequest, extrahieren OHLC/Zeitwerte aus JSON und bestätigen ein bullisches Engulfing-Muster, indem wir nur geschlossene Kerzen verwenden. Dann setzen wir die Zeichenkette für die Abfrage zusammen, berechnen die HMAC-SHA256-Signatur, fügen X-MBX-APIKEY hinzu und übermitteln authentifizierte Orders. Sie erhalten einen klaren, durchgängigen EA-Workflow von der Datenerfassung bis zur Orderausführung.

In diesem Artikel zeigen wir Ihnen, wie Sie mit MQL5 authentifizierte Anfragen an die Binance-API senden, um Ihren Kontostand für alle Assets abzurufen. Erfahren Sie, wie Sie Ihren API-Schlüssel, die Serverzeit und die Signatur verwenden, um sicher auf Kontodaten zuzugreifen, und wie Sie die Antwort zur späteren Verwendung in einer Datei speichern können.

Breadth First Search (BFS) verwendet Level-Order-Traversierung, um die Marktstruktur als einen gerichteten Graphen von Swings zu modellieren, der sich im Zeitverlauf entwickelt. Durch die schichtweise Analyse historischer Bars oder Sitzungen priorisiert BFS das jüngste Kursverhalten und berücksichtigt gleichzeitig die historische Marktprägung.

Das Ausmaß der Liquiditätszonen und das Ausmaß der Ausbruchsbewegung sind Schlüsselvariablen, die die Wahrscheinlichkeit eines Retests erheblich beeinflussen. In diesem Beitrag zeigen wir den vollständigen Entwicklungsprozess eines Indikators, der diese Verhältnisse berücksichtigt.

In diesem Teil werden wir uns auf die Entwicklung einer intelligenten Ausführungsschicht konzentrieren, die die Spread-Bedingungen in Echtzeit über mehrere Symbole hinweg kontinuierlich überwacht und auswertet. Der EA passt seine Symbolauswahl dynamisch an, indem er den Handel auf der Grundlage der Spread-Effizienz und nicht nach festen Regeln aktiviert oder deaktiviert. Dieser Ansatz ermöglicht es Hochfrequenz-Multi-Pair-Systemen, kostengünstige Symbole zu priorisieren.

Heute decken wir die oft übersehene statistische Grundlage hinter den Handelsstrategien für Angebot und Nachfrage auf. Durch die Kombination von MQL5 mit Python über einen Jupyter-Notebook-Workflow führen wir eine strukturierte, datengesteuerte Untersuchung durch, die darauf abzielt, visuelle Marktannahmen in messbare Erkenntnisse zu verwandeln. Dieser Artikel behandelt den gesamten Forschungsprozess, einschließlich der Datenerfassung, der Python-basierten statistischen Analyse, des Algorithmusentwurfs, der Tests und der endgültigen Schlussfolgerungen. Um die Methodik und die Ergebnisse im Detail nachzuvollziehen, lesen Sie den vollständigen Artikel.

Eine empirische Studie von Larry Williams' kurzfristigen Handelsmustern, die zeigt, wie klassische Setups in MQL5 automatisiert, an realen Marktdaten getestet und auf Konsistenz, Rentabilität und praktischen Handelswert bewertet werden können.

In diesem Artikel verbessern wir das Canvas-basierte Kurs-Dashboard in MQL5, indem wir ein pixelgenaues, scrollbares Textpanel für Bedienhinweise hinzufügen und die Einschränkungen des nativen Scrollens mithilfe von benutzerdefiniertem Anti-Aliasing sowie einer abgerundeten, sich bei Hover verbreiternden Scrollleiste umgehen. Das Textpanel unterstützt themenabhängige Hintergründe mit einstellbarer Transparenz, dynamischen Zeilenumbruch für Inhalte wie Anleitungen und Kontaktinformationen sowie eine interaktive Navigation über Schaltflächen zum Hoch- und Herunterscrollen, Ziehen von Schiebereglern und Scrollen mit dem Mausrad innerhalb des Textpanels.

In dieser Diskussion knüpfen wir an den zuvor entwickelten Multi-Signal-Expert Advisor an, mit dem Ziel, verfügbare Optimierungsmethoden zu erforschen und anzuwenden. Ziel ist es, festzustellen, ob die Handelsleistung des EA durch systematische Optimierung auf Basis historischer Daten sinnvoll verbessert werden kann.

So erstellen Sie in MQL5 für MetaTrader 5 einen Supertrend ohne Repainting von Grund auf. Wir verwenden ein iATR-Handle und CopyBuffer für die Volatilität, binden Puffer mit SetIndexBuffer und konfigurieren Plots (DRAWCOLORCANDLES plus zwei Linienbänder) über PlotIndexSetInteger. Die Logik wird nur bei geschlossenen Kerzen mit EMPTY_VALUE aktualisiert, um inaktive Bänder zu unterdrücken, wobei die Eingabeparameter atrPeriod und atrMultiplier für den Nutzer verfügbar gemacht werden. Sie erhalten ein sauberes, EA-fähiges Overlay mit dokumentierten Puffern für Strategien und Signale.

In diesem Artikel entwickeln wir in MQL5 ein Canvas-basiertes Kurs-Dashboard auf Basis der CCanvas-Klasse. Es erstellt interaktive Panels zur Visualisierung jüngster Kursverläufe und Kontostatistiken und unterstützt Hintergrundbilder, Nebeleffekte sowie Farbverlaufsfüllungen. Das System unterstützt das Verschieben und die Größenänderung per Mausereignisbehandlung sowie das Umschalten zwischen einem dunklen und einem hellen Design mit dynamischen Farbanpassungen sowie Bedienelemente zum Minimieren und Maximieren für eine effiziente Verwaltung des Charts.

Obwohl wir Operationen mit einer Datenbank mit etwa 10 Datensätzen durchführen können, lässt sich das Thema deutlich besser verstehen, wenn wir mit einer Datei arbeiten, die mehr als 15 Tausend Datensätze enthält. Das heißt, wenn wir versuchen würden, eine solche Datenbank manuell zu erstellen, wäre dies ein enormer Aufwand. Es ist jedoch selbst zu Lernzwecken schwierig, eine solche Datenbank zum Download zu finden. Aber in Wirklichkeit müssen wir nicht darauf zurückgreifen – wir können MetaTrader 5 verwenden, um eine Datenbank für uns zu erstellen. Im heutigen Artikel werden wir uns ansehen, wie man das macht.

Dieser Artikel befasst sich mit der Anwendung eines Break-Even-Mechanismus in automatisierten Strategien, die die Sprache MQL5 verwenden. Wir beginnen mit einer einfachen Erklärung, was der Break-Even-Modus ist, wie er umgesetzt wird und welche Varianten möglich sind. Als Nächstes wird diese Funktionalität in den Expert Advisor Order Blocks integriert, den wir in unserem letzten Artikel über Risikomanagement erstellt haben. Um seine Wirksamkeit zu bewerten, werden wir zwei Backtests unter bestimmten Bedingungen durchführen: einen mit und einen ohne Break-Even-Mechanismus.

Der Artikel behandelt den nichtparametrischen statistischen Test HSIC (Hilbert-Schmidt Independence Criterion), mit dem sich lineare und nichtlineare Abhängigkeiten in Daten ermitteln lassen. Es werden zwei Implementierungen zur Berechnung von HSIC in der Sprache MQL5 vorgestellt: der exakte Permutationstest und die Gamma-Approximation. Die Leistungsfähigkeit der Methode wird an synthetischen Daten demonstriert, die eine nichtlineare Beziehung zwischen Merkmalen und der Zielvariablen modellieren.

Selbstlernende EA mit einem neuronalen Netz auf der Grundlage einer Zustandsmatrix. Wir kombinieren Markov-Ketten mit einem mehrschichtigen neuronalen Netz MLP, das mit der ALGLIB MQL5-Bibliothek entwickelt wurde. Wie können Markov-Ketten und neuronale Netze für Prognosen im Devisenhandel kombiniert werden?

Zweifellos wird dieser Artikel einen erheblichen Teil Ihrer Zeit in Anspruch nehmen, um zu verstehen, wie und warum das hier vorgestellte Material funktioniert. Denn alles, was hier gezeigt wird, orientiert sich zunächst an der objektorientierten Programmierung, basiert aber tatsächlich auf den Prinzipien der strukturierten Programmierung.

Hidden-Markov-Modelle (HMMs) sind eine leistungsstarke Klasse probabilistischer Modelle, die für die Analyse sequenzieller Daten entwickelt wurden, bei denen beobachtete Ereignisse von einer Sequenz unbeobachteter (versteckter) Zustände abhängen, die einen Markov-Prozess bilden. Zu den wichtigsten Annahmen des HMM gehören die Markov-Eigenschaft für verborgene Zustände, was bedeutet, dass die Wahrscheinlichkeit des Übergangs zum nächsten Zustand nur vom aktuellen Zustand abhängt, und die Unabhängigkeit der Beobachtungen bei Kenntnis des aktuellen verborgenen Zustands.

Computer Vision für den Handel: Wie es funktioniert und wie man es Schritt für Schritt entwickelt. Wir entwickeln einen Algorithmus zur Erkennung von RGB-Bildern von Kurscharts unter Verwendung des Aufmerksamkeitsmechanismus und einer bidirektionalen LSTM-Schicht. Als Ergebnis erhalten wir ein funktionierendes Modell für die Vorhersage des EURUSD-Kurses mit einer Genauigkeit von bis zu 55 % im Validierungsteil.

Die Vorhersage der Bewegungen von Währungspaaren ist ein wichtiger Faktor für den Handelserfolg. Dieser Artikel befasst sich mit verschiedenen Kursbewegungsmodellen, analysiert ihre Vor- und Nachteile und untersucht ihre praktische Anwendung in Handelsstrategien. Wir werden uns mit Ansätzen beschäftigen, die es uns ermöglichen, verborgene Muster zu erkennen und die Genauigkeit der Prognosen zu verbessern.