Presentamos un código diseñado para contar el número consecutivo de barras alcistas o bajistas en un gráfico. Puede personalizar este código según sus necesidades específicas de análisis de datos de precios. Esencial para quienes buscan analizar patrones de movimientos del mercado o la persistencia de tendencias en series temporales.

El código rastrea cada barra, comparando los precios de apertura y cierre para determinar la dirección. Un contador se incrementa cada vez que aparece una barra de la misma dirección que la anterior y se reinicia al identificarse una barra contraria. Esta metodología puede implementarse para mejorar el análisis técnico y la toma de decisiones.

Adaptar este código a diferentes marcos de tiempo o activos puede proporcionar una visión más exhaustiva de las dinámicas prevalentes del mercado. Ideal para quienes buscan una estrategia más cuantitativa en su en...

👉 Léelo | CodeBase | @mql5es

Este asesor experto incluye un código esencial para desarrolladores que requieren frecuentemente acceso a operaciones recientes. La funcionalidad permite buscar una operación cerrada según su índice. En este contexto, operación activa se refiere a órdenes de mercado, excluyendo órdenes pendientes. Al pasar el índice 0, se localizará la operación activa más reciente. Con el índice 1, se identificará la operación anterior, y así sucesivamente. Además, es posible filtrar operaciones con base en el símbolo y el número mágico, proporcionando un control preciso y específico para estrategias personalizadas. Su implementación en sistemas automatizados optimiza el seguimiento y análisis de las transacciones.

👉 Léelo | Manual sobre redes neuronales | @mql5es

La implementación de modelos de aprendizaje automático en MQL5 requiere consolidar estructuras de datos entre diferentes entornos. La biblioteca Pandas en Python es sumamente eficiente para manejar y manipular grandes volúmenes de datos y es fundamental al entrenar modelos de ML. Sin embargo, al trasladar estos modelos a MQL5 y MetaTrader 5, se enfrentan desafíos debido a las diferencias tecnológicas, especialmente en la organización y valores de las estructuras de datos.

En MQL5, imitar funciones de Pandas, como importar/exportar CSV o seleccionar datos, asegura coherencia. Para análisis temporales, métodos como "shift", "pct_change" y "rolling" son útiles para las ingenierías de características. La exportación a CSV permite compartir datasets procesados para el entrenamiento.

👉 Léelo | Cotizaciones | @mql5es