Para entender el procedimiento DispatchMessage es crucial haber leído previamente sobre la clase C_ChartFloatingRAD. Este procedimiento, esencial en MetaTrader 5, gestiona eventos que afectan al Chart Trade, convirtiéndolos en acciones. DispatchMessage no genera objetos directamente; trabaja con eventos preexistentes.

DispatchMessage administra cinco tipos de eventos enviados por MetaTrader 5, comenzando por CHARTEVENT_CHART_CHANGE, que se activa con cambios en el gráfico. Otro evento clave es CHARTEVENT_MOUSE_MOVE, que detecta movimientos del mouse, gestionando interacciones críticas como clics en botones de compra o venta. La validez de estos clics se verifica a través de un indicador de mouse. Estos eventos deben gestionarse eficazmente para evitar ralentizar el sistema. La asignación y comprobación cuidadosa de eventos es crucial para un funcionamiento fluido.

Leer más...

En el artículo anterior, se diseñó un Asesor Experto para gestionar datos económicos desde una base de datos del calendario de noticias. Se desarrollaron clases fundamentales para optimizar su rendimiento en operaciones basadas en datos económicos. En este artículo, se extienden estas clases con el propósito de lograr operar eficazmente utilizando eventos económicos.

Se ha añadido una nueva vista en la base de datos para revisar eventos únicos del Calendario MQL5, mejorando el análisis de eventos. Nuevas entradas en el experto permiten filtrar datos económicos, añadiendo flexibilidad a las operaciones.

Para más detalles, se sugiere revisar la serie "Operar con noticias de manera sencilla", que explica herramientas de gestión de riesgos y más.

Leer más...

Explora una innovadora estrategia de negociación para el SP500, basada en la relación entre los rendimientos del índice y los bonos del Tesoro. Utilizando datos OHLC, se desarrollaron modelos que predicen el cierre del SP500, revelando que los datos del índice son más efectivos que los de bonos. Mediante validación cruzada y selección de características se determinó que las correlaciones no eran significativas. El Regresor SGD destacó, aunque el ajuste de hiperparámetros con L-BFGS-B resultó en sobreajuste. Una metodología robusta en Python, desde análisis de datos a optimización de modelos, resalta la importancia de precisión en el trading algorítmico.

Leer más...

El artículo aborda la implementación y evaluación de un algoritmo de optimización basado en el comportamiento social adaptativo (ASBO). Este enfoque introduce una evolución en dos fases, diseñada para mejorar la localización de la solución óptima global y su convergencia.

La primera fase gestiona poblaciones independientes, aplicando una mutación autoadaptativa e identificación de líderes. En la segunda fase, se seleccionan las mejores soluciones de todas las poblaciones para una optimización intensiva adicional.

La implementación incluye la creación de estructuras de agentes y poblaciones, así como métodos para gestionar la mutación y desplazamiento en el espacio de búsqueda. Con este método, el algoritmo busca combinar exploración global y optimización local.

Leer más...

MetaEditor es una herramienta esencial para el desarrollo de indicadores y asesores expertos en MQL5. Un desafío común es la gestión de visualizaciones de rectángulos de riesgo-recompensa debido a la alta técnicidad y parámetros mal ajustados como el número excesivo de barras de retrospección.

La solución implicó ajustar el perímetro de retrospección y crear un script independiente que mejora la eficiencia del indicador principal. Este script verifica condiciones específicas y dibuja automáticamente los rectángulos junto con precios críticos para la operación. Es importante aclarar que el script debe añadirse manualmente al gráfico.

Posteriormente, se desarrolló un Asesor Experto para automatizar operaciones basado en las señales del indicador, calificando su funcionalidad mediante pruebas en el Probador de Estrategias de MetaTrader 5. La correcta integración y prueba del EA asegura...

Leer más...

La creación de informes comerciales en MetaTrader 5 utiliza un programa tipo "Servicio" en MQL5. Este programa recoge datos sobre las posiciones cerradas de cuentas para generar estadísticas y enviarlas mediante notificaciones push. Las clases de transacción y de posición histórica desempeñan roles clave. La clase de transacción almacena propiedades de las transacciones y permite su comparación para optimizar estrategias comerciales. La clase de posición histórica organiza las transacciones en listas, ofreciendo acceso mediante propiedades específicas. Los objetos se almacenan en arrays dinámicos, permitiendo crear bases de datos de posiciones cerradas independientemente de otras aplicaciones del terminal.

Leer más...

Descubre cómo la integración de Python en MQL5 puede transformar tus estrategias de trading. Con Python, un lenguaje fácil de leer y rico en bibliotecas para análisis de datos y aprendizaje automático, esta combinación proporciona un enfoque potente para el análisis predictivo y la optimización de estrategias. Aprende a configurar tu entorno para utilizar ambas tecnologías, instalando MetaTrader 5 y Python, y explorando ejemplos como la apertura de posiciones y la obtención de datos financieros. Utilizar Python con MetaTrader 5 no solo mejora tus habilidades técnicas sino que te permite automatizar y optimizar tus estrategias de trading de manera eficiente y precisa.

Leer más...

Explora el innovador algoritmo SparseTSF, diseñado para la previsión de series temporales a largo plazo con solo 1k parámetros. Este modelo ofrece una solución eficiente al separar de forma efectiva la periodicidad y la tendencia de los datos, permitiendo predicciones precisas mientras minimiza la complejidad del modelo y los recursos computacionales. Al enfocarse en secuencias unidimensionales y usar métodos de predicción dispersa, SparseTSF mejora la extracción de dependencias de largo plazo. Ideado en un entorno MQL5, utiliza capas convolucionales para procesar datos agregados, manteniendo la eficiencia mediante transposiciones estratégicas y normalización sencilla. Un avance clave para desarrolladores y traders en el campo del trading algorítmico.

Leer más...

Descubre cómo la integración de Python en MQL5 puede transformar tus estrategias de trading. Con Python, un lenguaje fácil de leer y rico en bibliotecas para análisis de datos y aprendizaje automático, esta combinación proporciona un enfoque potente para el análisis predictivo y la optimización de estrategias. Aprende a configurar tu entorno para utilizar ambas tecnologías, instalando MetaTrader 5 y Python, y explorando ejemplos como la apertura de posiciones y la obtención de datos financieros. Utilizar Python con MetaTrader 5 no solo mejora tus habilidades técnicas sino que te permite automatizar y optimizar tus estrategias de trading de manera eficiente y precisa.

Leer más...

Explora la implementación de filtros digitales en el dominio de la frecuencia y su aplicación en MetaTrader 5 para análisis temporal mediante la DFT. Se examinan filtros síncronos, en cuadratura y espejo en cuadratura, destacando su capacidad para preservar y manipular relaciones de fase y detectar cambios rápidos en series temporales. Mediante la combinación de estos tipos de filtros, se optimiza la detección de componentes periódicos. El artículo también aborda el preprocesamiento necesario para evitar la distorsión de señales y mejorar la eficiencia computacional al aplicar técnicas de complementación antes de la DFT. Se proporciona un código de ejemplo en MQL5, facilitando la implementación práctica para traders y desarrolladores.

Leer más...

Descubre cómo la Deformación Dinámica del Tiempo (DTW) revoluciona el análisis técnico en MetaTrader 5. Este sofisticado algoritmo mide similitud en secuencias temporales, incluso con ritmos variables, lo que ofrece una flexibilidad superior frente a métodos tradicionales. Al valorar diferencias de velocidad y ritmos, DTW se convierte en una herramienta potente para identificar patrones únicos y potencialmente lucrativos en datos financieros no lineales. La implementación en MQL5 permite a los desarrolladores calcular distancias entre series con precisión, adoptando patrones de paso específicos y restricciones globales para optimizar la alineación de datos financieros. Esta técnica representa un enfoque robusto y práctico para traders y desarrolladores.

Leer más...

Las investigaciones recientes cuestionan la robustez de las arquitecturas basadas en aprendizaje profundo para el modelado de series temporales. Modelos lineales o redes neuronales superficiales pueden superarlas en ciertos contextos. TEMPO, un modelo integral basado en GPT, propone resolver estos problemas aprovechando los patrones de tendencia y estacionalidad.

TEMPO utiliza un enfoque híbrido que combina análisis estadístico y métodos de aprendizaje automático, descomponiendo las series temporales en componentes clave. Esta estrategia mejora la capacidad de los modelos de procesar datos de series temporales.

Implementar TEMPO en MQL5 implica dividir los datos de origen en tendencia, estacionalidad y residuos. La extracción de la tendencia y estacionalidad es clave para entender los patrones evolutivos de las series temporales.

Leer más...

Explora la implementación de filtros digitales en el dominio de la frecuencia y su aplicación en MetaTrader 5 para análisis temporal mediante la DFT. Se examinan filtros síncronos, en cuadratura y espejo en cuadratura, destacando su capacidad para preservar y manipular relaciones de fase y detectar cambios rápidos en series temporales. Mediante la combinación de estos tipos de filtros, se optimiza la detección de componentes periódicos. El artículo también aborda el preprocesamiento necesario para evitar la distorsión de señales y mejorar la eficiencia computacional al aplicar técnicas de complementación antes de la DFT. Se proporciona un código de ejemplo en MQL5, facilitando la implementación práctica para traders y desarrolladores.

Leer más...

La regularización es clave en el aprendizaje automático para optimizar redes neuronales. Evita el sobreajuste asignando pesos equilibrados mediante métodos como Lasso (L1), Ridge (L2) y Drop-Out. Lasso penaliza pesos excesivos, creando dispersión ideal para clasificadores, mientras que Ridge proporciona suavidad, idóneo para regresores. Drop-Out introduce variedad al omitir aleatoriamente neuronas durante el entrenamiento para mejorar la generalización y robustez, crucial para redes profundas. Implementar estos métodos en MQL5 ajusta redes de trading algorítmico, maximizando su eficiencia. Elegir correctamente el tipo de regularización es esencial según el objetivo de la red: clasificación o regresión.

Leer más...

Este artículo profundiza en tres aspectos esenciales del uso de arrays en MQL5, un lenguaje crucial para el desarrollo de estrategias algorítmicas en MetaTrader 5. Se detallan los arrays de datos, vitales para manejar colecciones de precios históricos, tiempos y volúmenes en escenarios de trading. Además, se abordan las variables globales, que facilitan la interacción de datos entre diferentes programas MQL5, y se exploran funciones y su relación con variables. El artículo también cubre cómo inicializar y gestionar arrays estáticos y dinámicos, incluyendo arrays multidimensionales, esencial para optimizar la memoria y acelerar el programa.

Leer más...

Explorar la integración de IA en estrategias de trading en MetaTrader 5 presenta una forma eficiente de mejorar decisiones de inversión. Este artículo detalla cómo combinar datos de precios de múltiples símbolos para análisis de correlación, enfocándose en USDZAR, petróleo y oro. A través de técnicas avanzadas como regresión lineal y KNeighborsRegressor, se ajustan modelos con validación cruzada, maximizando la precisión y minimizando el error. La exportación a formato ONNX facilita la implementación en Asesores Expertos de MQL5, optimizando la gestión de posiciones basadas en pronósticos confiables. Este enfoque ofrece a traders y desarrolladores herramientas precisas y robustas para mejorar sus estrategias.

Leer más...

TEMPO ofrece un enfoque innovador para el pronóstico de series temporales usando modelos pre-entrenados. Se emplea un modelo GPT-2, utilizando su conocimiento previo para prever tendencias. A diferencia del habla, las series temporales requieren un tratamiento único, dividiendo datos en componentes como tendencia y estacionalidad.

La arquitectura resulta compleja, combinando ramas y flujos de datos. Una característica clave es el descomponer series en sus partes constitutivas, facilitando previsiones precisas y comprensibles. La normalización de componentes seleccionados añade precisión al modelo, evitando el procesamiento innecesario.

TEMPO se posiciona como una solución robusta y modular para aplicaciones en previsión temporal, maximizando información y simplificando la complejidad para usuarios técnicos.

Leer más...

Los inversores modernos pueden utilizar la inteligencia artificial (IA) para optimizar decisiones comerciales. Integrar IA con estrategias de múltiples marcos temporales permite evaluar su efectividad en decisiones de inversión mediante análisis empírico. Al revisitar estrategias tradicionales, se observa que la tendencia en un marco temporal superior a menudo se reproduce en marcos menores, pactando decisiones con mayor peso en alineación con dicha tendencia. Las variaciones en el comportamiento de precios se evaluaron usando modelos de regresión, destacando un modelo lineal y el Gradient Boosting Regressor (GBR). El modelo lineal mostró mejor rendimiento con datos OHLC ordinarios. Se procede con ajustes y evaluación de modelos para maximizar resultados, revisando correlaciones y seleccionando características clave con el objetivo de exportar exitosamente los modelos trabajados a ONN...

Leer más...

El diseño y planificación de la gestión de riesgo en un sistema robusto exige una definición clara de constantes, enumeraciones y estructuras esenciales. Se requiere declarar variables clave que guiarán el manejo de pérdidas, ganancias y cálculo de lotes. La construcción del constructor, destructor y los métodos de inicialización son fundamentales para una implementación eficiente.

Las funciones de asignación y obtención de valores permitirán gestionar pérdidas y ganancias, mientras que los métodos de cálculo del lote y stop loss, basados en el riesgo por operación, optimizarán la estrategia. Implementar eventos programados para el nuevo día y semana asegurará un seguimiento continuo del rendimiento.

Definir estructuras, constantes y enumeraciones iniciales son pasos críticos para implementar un código más modular y estructurado. Al incluir criterios como el cálculo dinámico y fijo ...

Leer más...

El algoritmo de colmena artificial (ABHA) se inspira en el comportamiento cooperativo de las abejas para resolver problemas de optimización en espacios de alta dimensión. Este método se basa en la capacidad de las abejas para colaborar, compartir información y asignar roles, como exploradores y recolectores.

El ABHA utiliza estados como novato, experimentado, explorador y explotador para reflejar la dinámica del comportamiento de las abejas en la búsqueda de recursos. Estos estados y las transiciones entre ellos permiten que el algoritmo adapte su estrategia de búsqueda, mejorando su eficacia en la identificación de soluciones óptimas en complejos paisajes de solución.

En la implementación, se emplean probabilidades dinámicas para guiar las acciones de las abejas. Campos como position[] y bestPosition[] son esenciales en la estructura del agente "abeja", acompañados de variables que...

Leer más...