El artículo explora la aplicación del algoritmo PatchTST para predicciones de series temporales en MQL5, destacando su facilidad de entrenamiento y uso. PatchTST utiliza parches de datos para identificar patrones, ayudando a mejorar la precisión de las predicciones. Se discute el método de normalización RevIn, útil para ajustar cambios en la distribución de datos. Un desafío fue adaptar el código original para su conversión a ONNX, necesario para trabajar con MQL5. Se ofrece un enfoque detallado para preparar datos, entrenar el modelo en Python, y exportar el modelo para usarlo en MQL5, proporcionando predicciones de mercado efectivas para los usuarios.

Leer más...

Los modelos Transformer están revolucionando la previsión de series temporales, pero luchan con secuencias largas debido a su alta complejidad computacional. El FEDformer ofrece una solución optimizando el Transformer clásico con descomposición de señales y análisis de Fourier, permitiendo capturar mejor las características globales de las series. Utilizando un enfoque de descomposición multinivel y seleccionando componentes de frecuencia estratégicamente, reduce la complejidad a niveles lineales. Esto no solo mejora la precisión de los predicciones a largo plazo, sino que también minimiza el uso de recursos, destacando sus ventajas en la implementación de MQL5 para traders y desarrolladores interesados en mejoras algorítmicas en MetaTrader 5.

Leer más...

Explora el innovador algoritmo "Comet Tail Algorithm" que se inspira en el movimiento de los cometas para resolver problemas de optimización con eficacia. Este enfoque aprovecha el concepto de la cola del cometa, considerando cada solución potencial como una partícula que se desplaza en el espacio de soluciones. El núcleo del cometa representa la mejor solución, mientras que las partículas de la cola ofrecen variaciones. El CTA se centra en la exploración y el refinamiento de soluciones, ajustándose a cambios y mejorando la búsqueda de soluciones óptimas sin caer en óptimos locales, utilizando una estructura robusta para intercambiar datos eficientemente entre soluciones y ejecutores.

Leer más...

Explora el análisis de series temporales con el Asistente MQL5 enfocándote en el Exponente de Hurst para traders. Esta métrica evalúa la autocorrelación a largo plazo, esencial para determinar tendencias de mercado y reversiones de media. Aprovecha el análisis de rango reescalado para estimar el exponente y aplicar una clase de señal personalizada en MetaTrader 5. El artículo detalla desde la segmentación de datos, ajustes de media y desviación acumulada hasta gráficos logarítmicos y regresión lineal, ofreciendo un enfoque sofisticado pero claro para mejorar estrategias de trading y respaldar decisiones informadas.

Leer más...

El artículo explora un enfoque estructurado para implementar algoritmos de trailing stop en MetaTrader 5. Presenta una clase base que permite establecer parámetros clave como inicio, paso y distancia del trailing, esenciales para controlar el Stop Loss en algoritmos personalizados. Se detalla cómo integrar diferentes configuraciones de trailing basadas en indicadores, promoviendo la reutilización y adaptación del código para diversas estrategias de trading. Este enfoque modular facilita la gestión eficiente de múltiples posiciones y permite la creación de algoritmos complejos a través de la herencia de clases. La implementación de un sistema de trailing stop resulta así más accesible y adaptable para desarrolladores y traders.

Leer más...

La integración del aprendizaje profundo y el análisis de sentimientos en MetaTrader 5 (MQL5) representa un avance significativo en el trading algorítmico. El uso de redes neuronales y técnicas de procesamiento del lenguaje natural (NLP) permite a los operadores mejorar sus decisiones y resultados. Al combinar Python con MQL5 mediante una DLL, se pueden ejecutar modelos ONNX para predicciones y análisis de sentimiento. Los resultados del backtesting indican alta rentabilidad, con métricas sólidas de correlación y ratios de Sharpe y Sortino. Este enfoque promete mejorar la precisión y rendimiento de las estrategias comerciales, ofreciendo una base sólida para el desarrollo futuro de Expert Advisors (EAs) avanzados.

Leer más...

El método FITS ofrece una solución eficiente para el análisis de series temporales, utilizando la Interpolación Frecuencial para modelar datos complejos con recursos limitados. A través de la transformación rápida de Fourier, FITS descompone señales temporales en componentes sinusoidales, permitiendo un procesamiento más sencillo y preciso. Su diseño ligero es ideal para aplicaciones en dispositivos móviles. Además, mediante un filtro de paso bajo y técnicas de normalización, FITS optimiza la representación de frecuencia mientras suprime el ruido, preservando la información crítica para predicciones eficaces. Este enfoque es adaptable para diversas aplicaciones en el trading algorítmico y desarrollo financiero.

Leer más...

Explora nuevas técnicas para definir el "ángulo de ataque" en trading a través del Asistente MQL5. Interpretado tradicionalmente como la inclinación de una media móvil, este ángulo es un indicador de la fuerza de la tendencia. Sin embargo, su cálculo convencional enfrenta problemas de sensibilidad a la escala de precios y discrepancias en diferentes marcos temporales. Proponemos una alternativa: normalizar ejes de tiempo y precio, obteniendo resultados más consistentes. Con una implementación MQL5, el enfoque involucra clases de señal y medias móviles decrecientes para medir tendencias de manera más fiable. Descubre esta metodología avanzada que optimiza el análisis técnico. Ideal para traders y desarrolladores de MetaTrader 5.

Leer más...

El artículo describe un avanzado enfoque para optimizar y automatizar asesores expertos (EA) en MetaTrader 5, permitiendo gestionar múltiples estrategias comerciales simultáneamente sin necesidad de codificar manualmente parámetros individuales. Se propone almacenar configuraciones de optimización en bases de datos y se introduce una estructura jerárquica de proyectos, etapas y actividades para organizar el proceso. Se destaca el uso de un ORM simple para representar y manipular entidades en MQL5, y cómo estos datos se pueden almacenar, recuperar y reutilizar para mejorar la eficiencia del trading algorítmico. Las mejoras apuntan a facilitar el mantenimiento y la actualización de las bases de datos utilizadas.

Leer más...

Para las series temporales múltiples, se puede derivar una fórmula para el siguiente valor de la secuencia mediante los valores anteriores. Los muros numéricos lo logran usando la "regla cruzada", una matriz en forma de tabla. El objetivo es verificar si la secuencia converge, determinable si después de varias filas solo aparecen ceros.

El algoritmo se ilustra usando series de potencia de Laurent para representar secuencias con aritmética polinómica. Las secuencias LFSR obedecen una relación de recurrencia lineal con coeficientes que suman cero. Por ejemplo, en la secuencia de Fibonacci, la matriz converge rápidamente, permitiendo formular una ecuación para el valor sucesivo en la secuencia.

Leer más...

Descubra cómo integrar modelos ONNX en MQL5 para la inferencia de trading algorítmico. Aunque ONNX simplifica la interoperabilidad, puede enfrentar limitaciones si su modelo usa operadores no soportados. Aprende a convertir eficazmente modelos de Torch a ONNX y ajustarlos a las estructuras de datos necesarias. La guía aborda desde la instalación de bibliotecas ONNX hasta la exportación y pruebas detalladas de modelos, asegurando resultados consistentes. Finalmente, la creación de un EA empleando ONNX muestra una aplicación práctica, manejando la inferencia del modelo y la gestión de órdenes en MetaTrader 5. Un recurso invaluable para desarrolladores y traders innovadores.

Leer más...

La combinación de datos externos mejora la toma de decisiones en el trading algorítmico. Las API permiten acceder a múltiples fuentes, como datos de mercado en tiempo real y análisis de sentimiento. En plataformas como MetaTrader, las API mejoran la precisión de las señales comerciales. Ziwox ofrece una API gratuita para el análisis de datos en Forex, proporcionando precios, indicadores y datos fundamentales. La API admite formatos como JSON, facilitando el análisis y la integración en sistemas de trading automatizados. Configurar un entorno en MQL5 para usar API JSON es esencial para desarrollar estrategias comerciales dinámicas. La documentación de la API es clave para su implementación y uso eficaz.

Leer más...

Las cerraduras de código, populares en seguridad, permiten acceder mediante combinaciones numéricas, eliminando la necesidad de llaves físicas. Su aplicación en algoritmos de optimización, especialmente en aprendizaje automático, ofrece un interesante enfoque. Estos algoritmos pueden analogar los parámetros a optimizar con combinaciones de números. Se inicializan y manipulan mediante mutaciones y cruces, basados en distribuciones de probabilidad, buscando configuraciones óptimas en espacios complejos. En esta propuesta, se representa cada cerradura como un agente en el algoritmo, con estructuras que almacenan las combinaciones y calidad de la solución, utilizando ideas de adaptabilidad y exploración exhaustiva del entorno.

Leer más...

La creación de un Asesor Experto en MQL5 con un limitador de reducción diaria para MetaTrader 5 se centra en gestionar el riesgo estableciendo límites de retiro diario. Este EA se encarga de monitorizar actividades en la cuenta, tanto manuales como automatizadas, y proporciona informes visuales a través de "semáforos" en el gráfico. Utiliza bibliotecas como cTrade para manejar operaciones y aplicar lógica para generar señales de apertura de posiciones. A través de funciones especializadas, calcula el saldo diario, número de operaciones y verifica ganancias para acorde a estrategias de gestión de riesgo, protegiendo así el capital del inversor de pérdidas significativas.

Leer más...

La predicción de series temporales es esencial en los mercados financieros. El enfoque del Transformer ha ganado popularidad, usando Self-Attention para estimar autocorrelaciones. Sin embargo, el paradigma de Previsión Directa (DF) puede provocar predicciones subóptimas al asumir pasos no correlacionados. El nuevo método FreDF mejora esto alineando valores en el dominio de la frecuencia, donde se minimiza la autocorrelación gracias a la ortogonalidad de Fourier. Su implementación, compatible con diversos modelos, ofrece mayor precisión en la predicción al considerar tanto dominios temporales como frecuenciales, mejorando significativamente su efectividad sobre métodos convencionales.

Leer más...

El análisis de componentes principales (PCA) es conocido por reducir la dimensionalidad en el manejo de datos. Décadas de experiencia sugieren que su aplicación va más allá. PCA utiliza valores y vectores propios para revelar relaciones ocultas en datos. Su aplicación clave incluye el análisis factorial, que identifica variables latentes ocultas.

Identificación de variables redundantes mejora la comprensión de datos complejos. Al analizar estructuras propias en intervalos de tiempo, se pueden identificar relaciones dinámicas entre variables. PCA y el análisis factorial muestran cómo se reducen las dimensiones y se evidencian relaciones ocultas.

Herramientas como MQL5 permiten la implementación práctica de estas técnicas, demostrando su eficacia en contextos financieros. Métodos como las pruebas KMO y BTS aseguran la idoneidad de datos para su análisis. Estos procesos enfatizan el va...

Leer más...

El artículo anterior discutió el desarrollo de un modelo de aprendizaje automático para el trading, utilizando técnicas como el aumento de datos y la creación de características. Se empleó Python 3.10.10 con bibliotecas como sklearn y XGBoost para la implementación. Se eligió XGBoost debido a su alta precisión y capacidad de personalización.

Para evaluar el modelo, se desarrolló un simulador en Python que considera márgenes de beneficio y comisiones. Se implementó la validación cruzada para obtener estimaciones fiables y se optimizaron los hiperparámetros utilizando GridSearchCV.

El ensayo del modelo en datos nuevos mostró resultados prometedores, con una precisión mejorada gracias al ensamblaje de modelos. Se experimenta con una futura integración de trading en línea en MetaTrader 5, señalando la eficiencia de Python para el manejo de características y datos.

Leer más...

Descubre cómo combinar el concepto de "dinero inteligente" con el RSI para optimizar el trading automatizado en MetaTrader 5. Este enfoque mejora la precisión de las entradas y salidas al analizar swing highs y lows con el contexto del mercado, utilizando indicadores clave para ejecutar órdenes de compra y venta. La guía detalla la implementación de un Asesor Experto, proporcionando una estructura clara desde la detección de señal hasta la ejecución de operaciones. Adecuado para desarrolladores y traders que buscan perfeccionar sus estrategias, este método ofrece una interfaz visual sólida para decisiones informadas basadas en la acción del precio y el análisis de impulso.

Leer más...

El control de riesgos en trading es crítico para proteger nuestras inversiones. Implementar un gestor de riesgos permite establecer límites claros sobre las pérdidas permitidas, tanto diarias como totales, basándose en parámetros como el balance inicial o nivel diario. Este enfoque garantiza que las pérdidas no excedan ciertos umbrales, activando la suspensión del trading hasta la siguiente evaluación. Utilizar modelos de estrategias comerciales normalizadas puede ser ventajoso, aunque no siempre garantizan resultados futuros. Aprender de empresas prop-trading y adoptar sus prácticas de control de riesgos puede mejorar significativamente la eficiencia y reducción de pérdidas en cualquier cuenta de trading.

Leer más...

MetaTrader 5 beta build 4695 en MQL5 ahora admite varias funciones nuevas de la biblioteca OpenBLAS, así como las funciones TransposeConjugate y CompareEqual. Estas ofrecerán aún más oportunidades a la hora de trabajar con matrices y vectores.

Además, hemos corregido la compatibilidad del paquete de integración de MQL5 con Python. Ahora funciona con cualquier versión de Python hasta la versión 3.13.

También hemos optimizado y acelerado el trabajo de la plataforma con los datos de precios, mejorado la ventana de apertura de cuentas y corregido la visualización de los valores de las posiciones.

Seguir leyendo...