Restaurar el estado del EA en MetaTrader 5 tras reinicios es esencial para no comenzar desde cero ni perder posiciones abiertas. Sin embargo, el tamaño de las posiciones abiertas permanecía fijo. Implementar tamaños de posición variables acorde al saldo de la cuenta aumenta flexibilidad y manejo de riesgo en algoritmos. Utilizando estrategias de trading normalizadas y balance ajustado, se asegura una reducción máxima del 10%. Las estrategias deben gestionarse implementando tres opciones: tamaño fijo, tamaño constante para saldo fijo y tamaño variable basado en saldo actual. Este enfoque permite optimizar la gestión monetaria y mejorar el rendimiento en MetaTrader 5.

Leer más...

Mejorando las clases de la biblioteca

La biblioteca DoEasy permite recuperar datos del entorno comercial eficientemente. Se pueden clasificar listas de datos con parámetros específicos y añadir funcionalidades estándar, facilitando el uso directo.

Hoy se añaden herramientas de búsqueda y visualización de patrones de precios. Las clases de series temporales permiten acceder a cualquier dato, encontrando patrones descritos por autores o desarrollados internamente.

Cualquier patrón tiene parámetros comunes, centrados en una clase de objeto de patrón abstracto. Se crearán clases heredadas basadas en el tipo de patrón, asociando patrones encontrados con barras de series temporales.

Leer más...

Optical flow estimation is crucial for analyzing object movement in various fields. Traditional convolutional neural networks (CNNs) often lack global context, impacting large displacements and occlusions handling. Enter CCMR, a novel approach blending attention mechanisms and high-resolution, multi-scale motion aggregation. CCMR leverages context-driven motion reasoning with strategies like global contextual features via self-attention and iterative updates through gated recurrent units (GRUs). Practical for autonomous driving and surveillance, this method integrates context aggregation efficiently across scales, yielding precise, detailed flow fields. Implementing CCMR's concepts in MetaTrader 5 (MQL5) involves constructing complex but highly effective convolutional and feature encoding blocks.

Leer más...

Una estrategia de trading efectiva combina fórmulas matemáticas y verificaciones estadísticas para asegurar coherencia y rentabilidad. Una de las metodologías más simples y practicadas es la basada en medias móviles simples (SMA), donde la apertura de posiciones se realiza al cruzar el precio con la SMA. Sin embargo, para mejorar precisión, es clave utilizar la mediana de la diferencia y promedios móviles adicionales, como la EMA o LWMA, que suavizan y filtran los datos. Implementar estas estrategias con pruebas históricas en herramientas como MetaTrader 5 permite evaluar y ajustar parámetros para optimizar resultados, proporcionando una base sólida y analítica para el desarrollo de sistemas de trading.

Leer más...

La mayoría de los métodos previos tratan el entorno como algo estático, ajustado a un proceso de Markov. Utilizan datos históricos para dotar al modelo de información, pero no estiman la dinámica del cambio de estado. El método DFFT se desarrolló para detectar objetos en imágenes estáticas. Sin embargo, en la detección de objetos en vídeo, es crucial considerar la información temporal y combinar características de fotogramas vecinos.

El artículo "FAQ: Feature Aggregated Queries for Transformer-based Video Object Detectors" propone un enfoque mejorado mediante la agregación de consultas basadas en Transformer. Los resultados experimentales muestran que este método es efectivo y puede aplicarse a diversos métodos de detección en imágenes y vídeos.

Leer más...

El artículo profundiza en la robustez de algoritmos de optimización basados en poblaciones, destacando aquellos con excelente rendimiento en pruebas de funciones complejas. Analiza algoritmos como BGA, GWO y SFL, mostrando cómo superan trampas locales y logran máximos globales. También explora enfoques como la evolución de grupos sociales y la optimización de gotas de agua. Los resultados muestran que cada algoritmo tiene fortalezas y debilidades específicas, pero combinarlos en fases iniciales y finales de optimización puede mejorar significativamente la eficacia. Una lectura esencial para desarrolladores de MetaTrader 5 interesados en estrategias avanzadas de trading algorítmico.

Leer más...

Explora el innovador enfoque bidireccional de predicción para plataformas de transporte bajo demanda, como Uber y Didi, integrando Fusiones Espacio-Temporales (STF). Utiliza series de precios altos y bajos para anclar demanda y oferta, y aplica una matriz espacial junto con un parámetro temporal. En lugar de redes transformadoras, implementa un perceptrón multicapa personalizado para prever ofertas y demandas. Este enfoque mejora la previsión económica en sistemas de trading, combinando análisis de autocorrelación y técnicas de redes neuronales para desarrollar modelos predictivos escalables y eficientes. Ideal para traders y desarrolladores interesados en algoritmos avanzados y su impacto en el mercado.

Leer más...

Explora los tres métodos avanzados de hibridación de algoritmos de optimización para resolver problemas complejos. Combinando Grey Wolf Optimizer (GWO) y Cuckoo Optimization Algorithm (COAm) en secuencial y paralelo, se busca aprovechar las fortalezas individuales de cada algoritmo, transfiriendo estados y adapciones para maximizar resultados. Descubre cómo la hibridación puede mejorar significativamente la velocidad de convergencia y precisión de las soluciones de optimización, beneficiando tanto a desarrolladores de MetaTrader 5 como a traders interesados en algoritmos sofisticados y eficientes. Experimenta un nuevo nivel de rendimiento en tus estrategias algorítmicas.

Leer más...

¿Interesado en la programación de IA aplicada a MetaTrader 5? Descubre cómo la regresión lineal y las derivadas son esenciales para construir redes neuronales eficientes en MQL5. Este análisis profundo te guiará a través de la matemática clave para la creación de algoritmos de Machine Learning, sin salir del propio entorno de desarrollo de MetaTrader. Aprende cómo una ecuación cuadrática puede simplificar los cálculos complejos y optimizar la toma de decisiones en el trading algorítmico, impactando directamente en la mejora de estrategias operativas. Ideal tanto para desarrolladores experimentados como para aquellos que desean adentrarse en el mundo del trading automatizado.

Leer más...

¿Quieres entender cómo implementar cálculos matriciales en MQL5 sin complicaciones? Te explicamos cómo aprovechar las matrices para simplificar la rotación y transformación de objetos en lugar de recurrir a métodos escalares tradicionales.

La forma matricial no solo agiliza la manipulación de grandes volúmenes de datos sino que también es fundamental para gráficos 3D y modelado vectorial. En este artículo, se detalla paso a paso la creación de un indicador en MQL5, mostrando cómo usar la clase CCanvas para definir y rotar objetos con matrices de manera clara y eficiente.

Atrévete a explorar este enfoque y descubre cómo hacer tus programas más robustos y versátiles.

Leer más...

Las redes neuronales han transformado el desarrollo de algoritmos de trading en MetaTrader 5, permitiendo la creación de modelos complejos sin necesitar una profunda comprensión de álgebra lineal. Con ONNX integrado en MT5, los desarrolladores pueden optimizar modelos utilizando técnicas avanzadas como SGD, BGD, y Mini-lote de Descenso Gradual. Los optimizadores como RMSProp, AdaGrad, y Adam mejoran significativamente la eficiencia y precisión de los modelos ajustando parámetros de entrenamiento en tiempo real. Con este conocimiento, tanto traders como desarrolladores pueden aprovechar el poder de la IA para mejorar sus estrategias algorítmicas en diversas plataformas.

Leer más...

En la continuación del artículo sobre aprendizaje profundo, se detallará el desarrollo de un modelo GRU con Python y MetaTrader 5. Inicialmente, se explicará cómo se crean los modelos GRU, seguido de la implementación de un Asesor Experto para operar con dicho modelo y su posterior prueba.

El aprendizaje automático emplea algoritmos y modelos estadísticos para permitir que las computadoras realicen tareas sin necesidad de ser programadas explícitamente. Permite a las computadoras aprender de los datos y mejorar con el tiempo.

Usaremos árboles de decisión para comenzar con modelos más sencillos y luego avanzaremos a modelos más complejos. Inicialmente, los datos se dividirán en grupos basados en características específicas. Las decisiones de segmentación serán complejas y se abordarán posteriormente.

Para la manipulación de datos, se utilizará la biblioteca Pandas. La creación del m...

Leer más...

Implementación de un gestor de riesgos es crucial en el trading manual. Definiremos funciones y configuraremos parámetros de entrada para un gestor de riesgos eficiente.

Controlaremos los límites diarios, semanales y mensuales. Si se alcanzan estos límites, el EA debe cerrar todas las posiciones y alertar al usuario.

Declararemos una clase básica "RiskManagerBase" para almacenar estos parámetros usando "double" y "bool" con modificadores de acceso "protected".

El método "RefreshLimits()" recalculará los valores límite. Usaremos variables de tipo "MqlDateTime" para definir períodos de tiempo y calcular límites basados en transacciones realizadas.

Implementaremos esta lógica en el manejador de eventos para actualizar límites y gestionar riesgos efectivamente en tiempo real.

Leer más...

¿Sabías que la Inteligencia Artificial Explicable (XAI) puede ayudar a descifrar la "caja negra" de los modelos predictivos? Este artículo explora cómo técnicas como LIME y SHAP proporcionan explicaciones tanto globales como locales sobre el funcionamiento de algoritmos complejos. A través de un ejemplo práctico analizando el salario de atletas en EA's Madden NFL, aprenderás cómo estas herramientas identifican y evalúan características clave, permitiendo una interpretación más confiable de los modelos. Una lectura esencial para desarrolladores de MetaTrader 5 y cualquier interesado en la toma de decisiones basada en IA.

Leer más...

Al utilizar algoritmos de optimización, la calidad del generador de números aleatorios (RNG) puede influir significativamente en los resultados. Los RNG se dividen en pseudoaleatorios (PRG) y aleatorios reales (TRNG). Los PRG, comunes en lenguajes de programación como MQL5, Python, C++, C#, y Java, suelen ser suficientes para la mayoría de aplicaciones. Sin embargo, tareas de alta seguridad exigen RNGs criptográficos o de hardware.

El generador Mersenne Twister destaca por su largo período y buena velocidad, haciéndolo adecuado para optimización. A pesar de ello, su eficacia también debe ser evaluada mediante pruebas estadísticas como la chi-cuadrado para asegurar la uniformidad y calidad de la aleatoriedad.

Leer más...

En el primer artículo, se abordó la implementación de la programación procedimental en MQL5, tratando también la programación funcional. Se cubrieron los fundamentos de la programación procedimental y se creó un Asesor Experto básico utilizando el indicador EMA y datos de velas.

En esta ocasión, se examina el paradigma de la programación orientada a objetos (POO). Se transformará el código procedimental del EA previamente desarrollado a código POO en MQL5. Este enfoque permitirá comprender mejor las diferencias clave entre ambos paradigmas de programación.

La metodología POO organiza el código en torno a objetos y modelos. Las clases definen atributos y métodos, mientras que los objetos son implementaciones concretas de estas clases.

Leer más...

Explora el uso innovador de las Ecuaciones Diferenciales Ordinarias (ODE) en modelos neuronales. En vez de capas ocultas discretas, se parametriza la derivada del estado con una red neuronal, mejorando la estimación para cada entrada. Este método permite la retropropagación escalable y eficiente usando solucionadores ODE como una "caja negra", ideal para grandes modelos. Se detallan algoritmos para calcular gradientes en MQL5 con soluciones ODE avanzadas, utilizando el método de Dormand-Prince y funciones ReLU activadas. Aprende cómo implementarlo mediante nuevas clases y kernels en OpenCL, optimizando el rendimiento y la precisión para el trading algorítmico.

Leer más...

En la tercera parte de nuestra serie sobre asesores expertos de cobertura en MetaTrader 5, nos enfocamos en mejorar el Simple Hedge EA. A través de la optimización matemática y la fuerza bruta, buscamos maximizar la eficiencia de esta estrategia de trading. La optimización matemática implica el uso de funciones de beneficio y reducción para ajustar estrategias basadas en datos confiables. Este enfoque se complementa con la fuerza bruta, que prueba todas las combinaciones posibles de datos de entrada, reduciendo significativamente el número de pruebas necesarias. Juntos, estos métodos proporcionan un enfoque equilibrado y eficaz para la optimización de estrategias de cobertura.

Leer más...

Explora cómo el clustering puede revolucionar la inferencia causal y la identificación de regímenes de mercado en el trading algorítmico. Esta técnica agrupa datos similares para analizar relaciones de causa y efecto y ajustar estrategias de trading. Desde K-Means hasta HDBSCAN, descubre los algoritmos líderes y sus aplicaciones en series temporales y volatilidad del mercado. Con ejemplos de implementación en Python, aprende a personalizar modelos predictivos y perfeccionar el análisis de datos financieros mediante clustering. Mejora tus decisiones de inversión y reduce errores, automatizando el análisis y destacando estructuras ocultas del mercado. ¡Impulsa tu trading con algoritmos avanzados!

Leer más...

Los modelos con capas convolucionales y mecanismos de atención son comunes para analizar entornos iniciales. Sin embargo, las redes convolucionales no captan dependencias a largo plazo debido a sesgos inductivos. Las arquitecturas de atención codifican relaciones globales y aprenden representaciones expresivas. Los modelos de convolución de grafos aprovechan bien las correlaciones locales y la topología de los grafos.

Combinar redes de grafos y Transformadores es útil para resolver estrategias comerciales óptimas. El algoritmo GTGAN, presentado en el artículo "Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation", combina ambos enfoques.

El GTGAN ayuda a crear diseños arquitectónicos realistas a partir de grafos. El generador consta de una red neuronal convolucional, un codificador Transformer y una cabeza de generación. El método produce resultados...

Leer más...