Descubre un enfoque avanzado para el análisis fractal en mercados financieros a través del coeficiente generalizado de Hurst (GHE)! Aprende cómo aplicar GHE en MQL5 para identificar símbolos de divisas que tienden a regresar a su valor promedio, y cómo generar señales de trading con mayor precisión. Profundiza en la implementación del archivo GHE.mqh, explora la prueba del coeficiente de varianza (VRT) para validar resultados, y optimiza estrategias de reversión a la media usando la puntuación Z. Mejora tus estrategias de trading aprovechando estos conceptos y herramientas matemáticas.

Leer más...

El primer capítulo del libro “Introducción a MQL5 y el entorno de desarrollo” presenta el lenguaje MQL5 y su entorno. Una diferencia clave entre MQL5 y MQL4 es la compatibilidad con la programación orientada a objetos (POO), similar a C++. Aunque algunas funciones de POO ya se han transferido de MQL5 a MQL4, aquellos sin experiencia en programación pueden encontrarla complicada. El objetivo del libro es hacer la POO comprensible y accesible.

Este libro complementa el manual de referencia de MQL5 y cubre todos los aspectos de la programación en este lenguaje. Los desarrolladores pueden optar por estilos de programación orientada a objetos, procedimental, o combinar ambos. Los expertos en C++ encontrarán MQL5 más fácil de dominar, pero deben tener en cuenta las diferencias para evitar errores.

MQL5 ofrece diferentes tipos de programas: indicadores para visualizar datos, expertos para ...

Leer más...

Escriba artículos para la comunidad de tráders algorítmicos y reciba 200 USD por cada publicación

¿Quiere compartir conocimientos valiosos o debatir una idea interesante? Únase a nuestros autores, comparta su experiencia de negociación y programación y, lo que es más importante, obtenga una remuneración por los artículos publicados.

En julio, los tráders algorítmicos experimentados abarcaron una amplia gama de temas: desde las características universales de MQL5 y las estrategias multidivisa básicas hasta las tecnologías avanzadas de inteligencia artificial y las redes neuronales en el trading.

El mes pasado se publicaron 61 nuevos artículos en la sección «Artículos», un récord histórico. Estos son algunos de los mejores:

▪️Redes neuronales: AutoBots para predecir la evolución de los precios
▪️Introducción a MQL5: Estructuras, clases y funciones de tiempo
▪️Trailing stop en el trading

MetaQuotes apoya plenamente el intercambio de conocimientos entre participantes. Creemos que el desarrollo constante de nuevas ideas eleva el nivel profesional de cada uno de los participantes y contribuye al progreso de la esfera del trading algorítmico en su conjunto.

Conviértase en uno de nuestros autores: contribuya a la mayor comunidad de tráders algorítmicos y monetice sus propios conocimientos.

Escribir un artículo

Descubre cómo la herencia de una clase básica para algoritmos de optimización basada en poblaciones puede revolucionar el desarrollo de nuevos métodos híbridos de trading y análisis financiero. Este enfoque permite combinar la robustez de algoritmos como genéticos, enjambre de partículas y hormigas, potenciando sus capacidades mientras se minimizan sus limitaciones. La creación de soluciones personalizadas se simplifica mediante una clase unificada que facilita la integración y evaluación en bancos de pruebas estándar. Ideal tanto para desarrolladores expertos como para aquellos que buscan explorar las posibilidades de la optimización en MetaTrader 5.

Leer más...

Fundamentos de la optimización

Los problemas de optimización tienen dos fases: formulación y solución del problema. En la formulación, se consideran tres componentes principales: variables de entrada, funciones objetivo y funciones de restricción. En la solución, se usa un algoritmo de optimización para resolver numéricamente el problema.

Las variables de entrada (x_1, x_2, ..., x_n) son los parámetros que se pueden ajustar para maximizar la función objetivo. Existen variables enteras, reales y booleanas. En asesores expertos, se utilizan variables como el periodo de la media móvil o el ratio TP/SL.

Funciones objetivo (f_i(x)): si existen varias, se denomina problema de optimización multiobjetivo. MetaTrader 5 espera una sola función objetivo, combinando varios objetivos en una suma ponderada.

Funciones de restricción (g_i(x)): limitan el valor de las variables. MetaTrader 5 consi...

Leer más...

El sistema de reconocimiento de números manuscritos utiliza la base de datos MNIST, que contiene 60,000 imágenes para entrenamiento y 10,000 para pruebas. Estas imágenes se derivan de muestras originales en blanco y negro de 20x20 píxeles del NIST, proporcionadas por la Oficina del Censo de Estados Unidos y estudiantes universitarios. Posteriormente, fueron normalizadas y ajustadas a 28x28 píxeles en tonos grises.

El modelo mnist.onnx descargado del zoo park of models (opset 8) permite el reconocimiento de números manuscritos. Es necesario mencionar que el modelo con opset 1 ya no es compatible con el onnx runtime actual. Sorprendentemente, la salida del vector no utiliza la función de activación Softmax, como es habitual. Esta se debe aplicar de manera manual.

Para reconocer un número, se debe dibujar en una cuadrícula especial y pulsar CLASSIFY. Si la probabilidad del número resul...

Leer más...

Descubra en este análisis único cómo los algoritmos de optimización enfrentan desafíos extremos. Evaluamos la estabilidad de diferentes algoritmos al ubicarlos inicialmente en un punto mínimo global, un escenario que genera poblaciones degeneradas. Esta prueba revela cómo estos algoritmos, desde SDSm hasta BGA, se comportan ante la falta de diversidad y la necesidad de encontrar máximos globales.

Los resultados preliminares demuestran que incluso los algoritmos con altas clasificaciones pueden fallar en estas condiciones específicas. Este estudio ofrece valiosas ideas sobre la importancia de la diversidad y la adaptación en el rendimiento de los algoritmos, aportando estrategias para mantener dicha diversidad y mejorar la eficiencia en contextos complejos.

Leer más...

ONNX, o Open Neural Network Exchange, ha transformado la creación de programas MQL5 basados en IA. Ideal para MetaTrader 5, ONNX facilita el aprendizaje automático pero presenta desafíos en despliegues complejos.

Al trabajar con redes neuronales avanzadas y procesamiento de datos, el escalado y la normalización se vuelven cruciales para mejorar rendimiento y estabilidad. Scikit-learn.preprocessing en Python puede ayudar, pero trasladar modelos a MQL5 no es sencillo.

Para predicciones de series temporales, es necesario preparar datos en secuencias. Los modelos LSTM requieren estructuración adecuada para optimizar rendimiento. Probar modelos en ambas plataformas asegura consistencia en resultados.

Leer más...

La función de ejecución del modelo ONNX requiere la definición precisa de los tamaños de entrada y salida. Las funciones OnnxSetInputShape y OnnxSetOutputShape se emplean para especificar estos tamaños de manera adecuada. No todos los modelos presentan entradas y salidas de tamaño fijo; en tales casos, el script mostrará un valor de -1 para indicar esta condición.

La selección del modelo se realiza en la carpeta MQL5\Files mediante la función FileSelectDialog. Esto permite una selección eficiente del modelo deseado. A continuación, un ejemplo demuestra el funcionamiento del script y cómo se definen los tamaños de entrada y salida para modelos que no poseen dimensiones fijas.

Leer más...

Las actualizaciones recientes han mejorado el entorno de desarrollo de MetaTrader 5. Las mejoras incluyen un depurador MQL5 con nuevas funcionalidades, lo que permite identificar y corregir errores de manera más eficiente. Se han optimizado los tiempos de compilación, ofreciendo un proceso más rápido y eficiente. Esto facilita la creación de estrategias de trading automatizadas y personalizadas. Estos avances refuerzan la plataforma como una herramienta robusta para desarrolladores y traders, mejorando la productividad y la precisión en el desarrollo de sistemas de trading.

Leer más...

Descubre cómo optimizar tus modelos ONNX con nuevos formatos de datos como float16 y float8 en MetaTrader 5. Aporta eficiencia y rendimiento a tus cálculos con estos innovadores tipos de datos. Aprende a convertir representaciones de 8 y 16 bits para aplicar estas técnicas en tus proyectos de aprendizaje automático y mejorar la precisión en aplicaciones como la super-resolución de imágenes con el modelo ESRGAN. Los desarrolladores disfrutarán de nuevas funciones y soporte en MQL5, facilitando la manipulación de grandes volúmenes de datos y acelerando el entrenamiento de modelos.

Leer más...

El artículo aborda la integración de las tendencias de velas de plazos superiores con estrategias de cruce de medias móviles en MetaTrader 5. A través del código MQL5, clasifica las velas como alcistas o bajistas y restringe las señales a las tendencias dominantes, mejorando la precisión de las mismas. Esto se demuestra con un algoritmo que filtra señales, reduciendo las falsas. Además, explora cómo esta técnica puede incrementar la rentabilidad y mejorar la gestión del riesgo para los traders. Este enfoque metodológico optimiza la toma de decisiones, proporcionando un marco más robusto para el desarrollo de estrategias de trading algorítmico.

Leer más...

MetaTrader 4, una conocida plataforma de comercio en línea, facilita a los traders el análisis técnico del mercado financiero. A través de su interfaz intuitiva, permite la colocación de órdenes comerciales, la gestión de posiciones y la implementación de algoritmos de trading automatizados. Además, proporciona una variedad de herramientas analíticas, como gráficos interactivos y más de 30 indicadores técnicos preinstalados. Su funcionalidad robusta es adecuada tanto para traders principiantes como expertos. La plataforma también es compatible con sistemas de trading experto, facilita pruebas retrospectivas y permite el comercio móvil para transacciones flexibles desde cualquier lugar.

Leer más...

Descubre cómo construir un EA multidivisa en MetaTrader 5 con múltiples estrategias en paralelo. El artículo aborda la creación de la clase CVirtualOrder para manejar órdenes pendientes virtuales, agregando propiedades como m_expiration y m_isExpired para gestionar el tiempo de expiración y los cierres automáticos. También se detalla cómo integrar visualmente estas órdenes en el gráfico y ejecutar una persistencia del estado del EA tras un reinicio. Con cambios mínimos en dos archivos claves, se logran amplias funcionalidades, facilitando la optimización y gestión de estrategias complejas para traders y desarrolladores.

Leer más...

Para calcular el precio promedio, se pueden especificar los períodos H1 y D1. El precio promedio D1 ayuda a determinar si el precio de un instrumento financiero se encuentra por encima o por debajo del precio promedio. El período H1 proporciona una indicación de una reversión de tendencia más rápida. El indicador tiene tres parámetros de entrada: Símbolo para cálculos; Periodo de tiempo; Precio aplicado.

Se recomienda utilizar períodos de M1 a M30; M1 es la escala de tiempo más informativa. Es posible comparar diferentes instrumentos financieros en el mismo gráfico, como EURUSD y USDCAD en M15. El indicador permite ver los niveles de resistencia y soporte del precio promedio diario.

Leer más...

MetaTrader 5 ofrece una herramienta poderosa para transformar ideas matemáticas en sistemas de trading efectivos: el Wizard MQL5. Este asistente permite crear asesores expertos que manejan funciones vitales como la apertura y cierre de operaciones, y decisiones basadas en la formación de nuevas barras. La serie de artículos destacada explora métodos de agrupamiento, como k-means y DBSCAN, con énfasis en la flexibilidad de DBSCAN para descubrir patrones sin predefinir el número de clusters. Implementaciones prácticas incluyen señales de trading que refinan decisiones de compra y venta. Ideal para desarrolladores y traders interesados en algotrading avanzado.

Leer más...

Optimizar modelos de predicción de precios en MetaTrader 5 puede ser muy costoso en términos computacionales, especialmente en mercados volátiles. Inspirándonos en técnicas de conducción autónoma, se pueden emplear modelos de "bajas prestancias" que, mediante un preprocesamiento sencillo y técnicas avanzadas de aprendizaje profundo como Redes Neuronales Gráficas (GNNs) y Atención Múltiple (MHSA), reducen los recursos necesarios sin perder precisión. Estos métodos consideran las trayectorias pasadas y una representación simplificada del entorno, mejorando la eficiencia y operatividad en tiempo real. La implementación en MQL5 permite aplicar estas mejoras directamente en estrategias de trading algorítmico.

Leer más...

### Evolución de Grupos Sociales en Algoritmos de Búsqueda

Anteriormente se analizó la evolución de grupos en un espacio de búsqueda libre. Ahora, se plantea un nuevo enfoque donde los grupos se mueven entre sectores. Se introduce memoria tanto para el grupo como para cada partícula. Este nuevo enfoque permitirá compartir información de mejores soluciones entre sectores, optimizando la búsqueda y adaptación.

### Principios del Algoritmo

1. Desplazamiento entre sectores, permitiendo al grupo explorar diferentes áreas y compartir metadatos.
2. Especialización de roles dentro del grupo para aprovechar recursos de manera eficiente.
3. Cooperación y colaboración en el grupo para intercambio de información y discusión de ideas.
4. Resolución de conflictos mediante normas y procedimientos.
5. Liderazgo para organización y toma de decisiones.
6. Memoria de grupo para retener información so...

Leer más...

Exploramos cómo la estacionalidad afecta al mercado Forex y comparamos el rendimiento de un Asesor Experto (EA) con y sin integración de estacionalidad. Usamos modelos ONNX y técnicas de filtrado de datos para ver cómo estos mejoran la precisión del EA. Los filtros de paso bajo suavizan el ruido del mercado y reducen los costes de transacción. Los resultados mostraron que los EAs ajustados con parámetros de estacionalidad son más estables y rentables. Finalmente, investigamos el impacto de diferentes periodos de NextDay en la optimización del EA, concluyendo que ajustar estos parámetros puede mejorar significativamente el rendimiento.

Leer más...

La inferencia causal se integra cada vez más en el trading. Tras haber dominado lo básico y creado meta-aprendices robustos, el siguiente paso es aplicar estos métodos para evaluar efectos causales en datos heterogéneos.

El emparejamiento por puntuación de propensión permitirá comparar observaciones similares entre grupos de tratamiento y control. Esto es crucial para evitar estimaciones sesgadas al calcular efectos medios condicionales (CATE) y para manejar la maldición de la dimensionalidad.

Implementar la reducción de dimensionalidad mediante puntuación de propensión facilita el emparejamiento unidimensional eficaz. La clave es realizar comparaciones precisas entre unidades similares para lograr una evaluación rigurosa del efecto causal, independientemente de la técnica de aprendizaje utilizada.

Leer más...