В статье освещены два подхода к объединению одиночных стратегий для улучшения их совместной работы в MetaTrader 5. Первый подход использует результаты оптимизации на всём интервале, второй выделяет небольшой интервал для дополнительных проверок. В статье рассмотрена автоматизация второго этапа оптимизации с применением генетического алгоритма, что упрощает процесс выбора оптимальных экземпляров стратегий. Дополнительно внесены корректировки в работу с базами данных, улучшена обработка данных для форвард-периодов, что позволяет более точно и эффективно формировать группы стратегий. Эти улучшения дают трейдерам и разработчикам ценные инструменты для повышения точности и эффективности торговых стратегий.

Читать далее...

В новой статье исследован процесс создания алгоритмического торгового советника на MQL5, акцент на применении псевдокода. Псевдокод служит важным связующим звеном между концептуальной и практической частью разработки, позволяя четко организационно подходить к написанию кода. Метод проектного обучения с последовательным переходом от простого к сложному облегчает понимание MQL5, способствует освоению алгоритмических стратегий и интеграции AI-кода. Такой подход нацелен на создание эффективных и безошибочных алгоритмов, подчеркивает важность освоения традиционных навыков программирования даже с включением в процесс инструментов искусственного интеллекта.

Читать далее...

Штатная интеграция с Python позволяет легко использовать все многообразие математических и статистически библиотек этого языка для анализа рыночных данных прямо внутри MetaTrader.

Специально для тех, кто интересуется Python, мы собрали более двух сотен полезных видео:

✓ Установка и создание первого скрипта
✓ Создание полезных скриптов для автоматизации ручных операций
✓ Сбор и анализ ценовых данных
✓ Разработка торговых роботов
✓ Интеграция с AI, включая ChatGPT

В отдельной ветке форума вы можете обcудить свои идеи или задать вопросы тем, кто тоже занимается разработкой на Python.

Делитесь опытом и получайте новые знания

Индикатор предоставляет возможность вычислить уровень риска в процентном соотношении, а также определить предельный размер лота, соответствующий заданному риску. Пользователь должен ввести процент риска и размер стопа в пипсах. Эта функциональность полезна для трейдеров, стремящихся эффективно управлять своими инвестиционными рисками и принимать обоснованные торговые решения. Простой и удобный инструмент, который автоматизирует сложные расчёты, позволяя сосредоточиться на стратегии и анализе рынка. Данные вводятся вручную, после чего пользователь получает оптимальный размер лота, помогающий избежать превышения допустимого риска.

Читать далее...

от переменной-флага `bAddNeckGradient`. Если флаг установлен, данные внутренней "шеи" передаются в `calcInputGradients` соответствующего слоя для обновления внутренних градиентов. В противном случае градиенты состояния "шеи" сбрасываются. После этого повторяем процесс для блока повторного внимания и корректируем полученные градиенты. Далее переносим градиенты исходных данных через блок первичного внимания, производим остаточное складывание и добавляем обратное масштабирование. Метод `feedBackward` выставляет параметры между внутренним объектом и исходным источником данных. Это позволяет продвинуть градиенты через ещё один проход.

Следующим шагом является внедрение модуля OCM. Этот модуль позволяет группировать и анализировать лингвистические примитивы, выявляя разнообразные семантические паттерны. С учетом изменяющихся требований мультимодальных данных, внедрение обучаемых токенов ф...

Читать далее...

Введение в мир бинарных моделей регрессии, таких как логит и пробит, демонстрирует их применение в прогнозировании ценовых изменений валютных пар. Эти модели, основанные на методах машинного обучения, позволяют предсказывать движение цен на основе стандартных ценовых паттернов.

Подготовка данных включает в себя выбор подходящих признаков и их стандартизацию. Алгоритмы, такие как L-BFGS, используются для оценки параметров, позволяя упростить интерпретацию результатов и избежать переобучения с помощью L2-регуляризации.

Прогнозирующая функция LogitExpert автоматически переобучает параметры, основываясь на свежих данных. Она также оценивает значимость предсказываемых параметров, что позволяет учесть статистическую надёжность сигналов для торговли.

Особенности эксперта включают динамическую оптимизацию модели, что позволяет адаптироваться к постоянно изменяющимся рыночным условиям. Спе...

Читать далее...

Фильтр Ходрика — Прескотта, известный среди трейдеров, основывается на математическом свойстве: вторая производная линейного тренда равняется нулю. В дискретной форме вторая производная выражается как x[0] - 2*x[1] + x[2]. Это выражение может быть рассчитано для прогнозирования, предполагая неизменность тренда: x[0] = 2*x[1] - x[2]. Однако, в базовой форме фильтр оказывается неустойчивым. Необходимо, чтобы все коэффициенты фильтра находились в пределах от -1 до +1. Пользователь может применить несколько вторых производных с различной частотой дискретизации для повышения устойчивости. Например, для предсказания цены открытия: open[-1] = 2*open[0] - open[1] и другие подобные. После этого можно вычислить среднее всех значений для формирования прогноза. Возможные доработки включают добавление весовых коэффициентов или использование адаптивных методов, таких как LWMA, чтобы улучшить точнос...

Читать далее...

Статья предлагает углубленный подход к оптимизации мультивалютного торгового эксперта для MetaTrader 5, рассчитанного на работу на реальных счетах. Выделены три ключевые задачи: адаптация символов под брокеров, создание режима завершения торговли и обеспечение восстановления после перезапуска терминала. Методы включают использование динамических подмен символов через строку настроек, установка лимитов прибыли и времени ожидания в риск-менеджере, а также внедрение механизмов сохранения и загрузки данных для продолжения работы. Это обеспечивает надежность работы и минимизацию рискованных ситуаций в реальной торговле, помогая трейдерам и разработчикам.

Читать далее...

В профессиональной IT-среде обсуждается модель для распознавания рукописных цифр, основанная на MNIST. База данных MNIST включает в себя 60,000 изображений для обучения и 10,000 изображений для тестирования, составленных из обработанных чёрно-белых образцов NIST, дополненных образцами студентов американских университетов. Изображения нормализованы до 28x28 пикселей в серых тонах. Модель mnist.onnx из зоопарка моделей поддерживает opset 8, но не совместима с устаревшим opset 1. Примечательно, что выходной вектор модели не прошёл через Softmax, но это легко исправляется. Для распознавания цифр используется интерфейс с возможностью рисования мышью. Вероятности выводятся, если результат ниже 0.8, причём особенные сложности возникают с цифрой 9. Цифры с левым наклоном обрабатываются более уверенно.

Читать далее...

методов оптимизации в модели, в частности на объём создаваемых буферов для моментов 2-го порядка. Для методики Adam-mini сократим объём этого буфера. Вместо хранения отдельного значения для каждого параметра, будем хранить одно значение на блок параметров. Для полносвязного слоя это число соотносится с количеством нейронов слоя результата.

При внесении изменений, метод updateInputWeights должен также учитывать новые размеры буферов памяти. Это позволит грамотно использовать преимущества Adam-mini и оптимизировать потребление памяти, что особенно актуально для обучения больших моделей на ограниченных ресурсах.

Кроме того, эта модификация позволит повысить производительность и скалируемость при обучении более крупных архитектур.

Читать далее...

Советник осуществляет анализ вероятностей достижения тейк-профита и стоп-лосса, используя данные из виртуальных сделок. Процесс начинается с обучения в тестере, где пользователь устанавливает желаемые пороги вероятностей. Важно отметить, что для корректной работы необходимо активировать опции "Читать историю оптимизации" и "Сохранять историю оптимизации". После данного этапа советник начинает осуществлять торговлю, опираясь на результаты оптимизации. Он способен хранить статистику до 50 000 сделок, что позволяет анализировать большой объем данных. Параметры, такие как дельта, шаг паттерна и стоп-лосс, определяются на основе величин ATR выбранного инструмента.

Читать далее...

Недавняя публикация о разработке системы репликации интересна как пример практической автоматизации в MetaTrader 5 с использованием MQL5. Рассматривается переход от скриптов к сервисам для повышения функциональности. Подчеркивается важность преобразования скрипта в сервис для реализации сложных задач наблюдения за графиками.

Пример применения: простейший скрипт, трансформирующийся в сервис, добавляет индикатор на график. Внимание уделено различиям между скриптами и сервисами и их применению для анализа графиков. Объясняется, как сервисы помогают в стандартной настройке графиков и удержании индикаторов, что позволяет обеспечить предсказуемое и постоянное отображение данных.

Читать далее...

Цены на нефть, включая марки Brent и WTI, имеют значительное влияние на мировую экономику и торговлю. Различия между этими марками важны для понимания динамики рынка и развития стратегий торговли. Визуализация ценовых спредов и применение контролируемого машинного обучения помогают прогнозировать изменения цен. Понимание псевдообратных методов в линейной алгебре важно для сокращения ошибок в прогнозах. Современные алгоритмы внесли множество изменений в традиционные торговые стратегии. Тестирование стратегий с помощью MQL5 позволяет выявить их потенциал и ограничения в условиях изменяющегося нефтяного рынка.

Читать далее...

Метод RefMask3D позволяет выполнять комплексный анализ мультимодального взаимодействия и различных признаков облака точек. Он объединяет кросс-модальное внимание и языковую модель, переводящую текстовое описание в структуру токенов. RefMask3D использует архитектуры, такие как энкодер точек и декодер с Transformer, для улучшения работы с лингвистическими и геометрическими данными. Важная часть — модуль кластера объектов, который интегрирует данные из разных источников и создает эмбединги объектов, улучшая общую точность модели на 1.57%. Операции выполняются с использованием алгоримов самовнимания и кросс-внимания для детального анализа данных.

Читать далее...

Индикатор TrendiNoRedraw изменяет цвет линии в зависимости от направления тренда, а также отображает стрелки в точках разворота цены. Помимо визуальных сигналов, TrendiNoRedraw оснащён звуковыми и текстовыми уведомлениями о появлении стрелки. В коде доступно описание функционала. Этот инструмент помогает быстро определить изменения тренда и моменты разворота, предоставляя трейдерам ключевые данные для эффективного принятия решений. Подходит для различных стратегий и может быть интегрирован в торговые системы.

Читать далее...

Моделирование матриц требует точного представления для корректных вычислений. Правильная реализация обязательна для избегания запутанных результатов и сложных кодовых решений. Рельефность матричной структуры через одномерный подход, с динамическим аспектом, предлагает более эффективную библиотеку методов работы.

Тем не менее, вызовы связаны с сортировкой элементов и факторизацией. Понимание того, как оптимально организовать матрицу, включая строковые и столбцовые структуры, существенно влияет на производительность и читаемость кода.

Рекомендуется изучение специализированной литературы для совершенствования и углубления математических концепций, от которых зависит успех работы с матрицами в программировании и факторизации.

Читать далее...

Скрипт автоматически генерирует HTML-отчет с сохранением статистики и созданием скриншотов, давая целостное представление о торговой активности. Для визуализации изменяйте шаблон "screen" в соответствии с предпочтительными настройками графика, эти настройки будут отражены на скриншотах. Ордера с примечаниями, содержащими восклицательный знак и цифру от !0 до !9, выделяются в отдельной вкладке отчета.

Получить доступ к итоговой статистике можно, запустив файл в терминале. Рекомендуется создать ярлык или добавить в закладки для упрощения доступа. Рядом с папкой "Index" расположена "LocalData/Comment", где можно создать 'ticket.txt' для добавления комментариев к ордерам.

Время выполнения скрипта варьируется в зависимости от количества данных и может занимать от нескольких секунд до минут. По завершении работы раздастся звуковой сигнал с сообщением в верхнем левом углу графика.

Парамет...

Читать далее...

Обзор статьи о применении математических принципов в программировании на MetaTrader 5. Рассмотрены сложные технические аспекты, такие как использование секансов для создания нейронных сетей. Обсуждено, как инверсия индексов в коде приводит к ошибкам, и показаны способы их исправления. Также статья предлагает методики оценки углового коэффициента прямой для нейросетей, используя производные и подходы к минимизации покрытия. Практическая часть раскрывает, как эти методы применяются для оптимизации алгоритмической торговли, упрощая сложные вычисления и улучшая точность результатов. Подходит для опытных разработчиков и новичков в алгоритмической торговле.

Читать далее...

Скрипт CalculateHistoryProfit версии 1.0 необходим для расчета прибыли за определенный период с применением графической панели из внешней библиотеки MtGuiController.dll. Пользователи могут указать диапазон дат, символы и магические номера на панели. Скрипт обрабатывает общую прибыль и количество сделок на основе введенных параметров. Выбор дат может быть облегчён предустановленными кнопками, что делает инструмент удобным для быстрой оценки торговой деятельности. В дальнейшем планируется добавить расчет максимальной просадки. Чтобы скрипт заработал, требуется минимальная ручная корректировка файла и распаковка библиотеки в нужном каталоге. Библиотека MtGuiController была немного модифицирована для интеграции панели. Код доступен на GitHub.

Читать далее...

В статье обсуждается построение линейных уравнений на основе данных. Рассматриваются методы нахождения наилучшего уравнения для данных, используя простые и сложные математические методы. Объясняется, как математические формулы можно выразить в виде программного кода, с примерами на языке MQL5. Подчеркивается важность понимания математики для упрощения задач программирования и анализа данных. Также упоминается о матричной факторизации как инструменте для работы с данными и вычислениями, подчеркивая её удобство и эффективность в условиях изменяющихся переменных. Обучение в данной области способствует лучшему пониманию программирования и моделирования данных.

Читать далее...

Алгоритм African Buffalo Optimization (ABO) предлагает метаэвристический подход, основанный на поведении африканских буйволов. Ключевые идеи: координация и социальное взаимодействие, что позволяет животным эффективно защищаться и искать ресурсы. Алгоритм инициализируется случайными позициями, оценивая каждое решение через функции фитнеса, улучшая их за счет обновления позиций. Процедуры "Moving" и "Revision" реализуют функции оптимизации с учётом глобальных и локальных решений. Тестирование оригинальной и измененной логики ABO показывает 51.49% результативности, улучшая способности алгоритма на задачах большой размерности. Попробован подход случайного выбора позиции, что также укрепляет эффективность.

Читать далее...