В статье рассматриваются сложности в разработке системы репликации в MetaTrader 5. Основная проблема заключается в точном определении типа счета для советников, используемых в алгоритмической торговле. Хотя платформа предоставляет ряд функций для получения данных о счете, усложняется вопрос координатной передачи типов счетов, связанных с активами, используемыми в системах NETTING и HEDGING. Изменения в файле InterProcess.mqh демонстрируют подход к управлению данными через глобальные переменные терминала. Автор объясняет, как обеспечить корректное взаимодействие между элементами системы, используя возможности MQL5 и системные индикаторы, чтобы улучшить функциональность.

Читать далее...

При анализе графика с помощью индикатора MA Color N Bars важно уделять внимание не только трендовым участкам, но и статистике по остальной части графика. Скрипт, о котором идет речь, автоматически подсчитывает разницу между участками с изменением цвета. Эти данные сохраняются в CSV файл с указанием параметров индикатора, таких как 'Points between color changes MA Color N Bars(15, 0, MODE_LWMA, PRICE_CLOSE, 3).csv'. В результате, при открытии файла в Excel можно визуализировать данные в виде гистограммы. Таким образом, становится очевидно, что значительные колебания индикатора попадают в диапазон от '0' до '85' пунктов.

Читать далее...

В статье обсуждаются проблемы в системе репликации, возникающие от указателей и рекурсии в C/C++. Анализируются ошибки, не оказывающие явного негативного влияния, но затрудняющие правильную работу. Первая ошибка, связанная с индикацией занятости в при использовании CTRL/SHIFT, решается простой доработкой параметра lparam в функции EventChartCustom. Вторая ошибка требует более глубокого вмешательства в код класса C_Mouse для контроля пользовательских взаимодействий в индикаторе управления. Переписывается процедура создания и манипуляции графическими объектами. Изменения в классе C_Control также включают использование класса C_Terminal для управления рядом указателей и наследование класса C_Mouse.

Читать далее...

Торговая стратегия основана на использовании советника с индикатором MA Color N Bars, который может открывать позиции на каждом новом баре, что позволяет наращивать объём. При этом отсутствуют фиксированные уровни тейк-профита и стоп-лосса. Закрытие позиций осуществляется при появлении противоположного сигнала. Открытие идёт с минимальным лотом, а таймфрейм, на котором создаётся индикатор, определяет момент появления нового бара.

Для тестирования используются все символы и два метода усреднения: экспоненциальный и сглаженный. Советник поддерживает возможность оптимизации по рабочему таймфрейму. В настройках торговых параметров фиксируется постоянный стартовый лот. Дополнительная функция логирования ('Print log') предоставляет расширенное описание всех операций.

Читать далее...

Поговорим о выходе на новый уровень алгоритмического трейдинга с помощью инновационного ACEFormer. Этот фреймворк специально ориентирован на анализ временных рядов в условиях высокочастотной торговли, обеспечивая фильтрацию рыночного шума и фокус на значимых ценовых изменениях. Используя улучшенный алгоритм ACEEMD для удаления высокочастотных колебаний, ACEFormer вводит модуль Time-Aware для лучшего учета временных интервалов. Он также включает вероятностное внимание для повышения вычислительной эффективности. Это мощное решение для точного прогнозирования направлений движения цен, адаптировано для использования в рамках платформы MQL5, что делает его доступным для трейдеров и разработчиков, стремящихся повысить свою рыночную эффективность.

Читать далее...

Представлен индикатор для анализа положения индекса относительной силы (iRSI) в областях перепроданности и перекупленности. Пороговые уровни для зоны перепроданности и перекупленности устанавливаются на 35.0 и 65.0 соответственно. Индикатор подсчитывает количество баров, в течение которых iRSI находится в этих зонах. Пользователю предоставляется возможность настройки минимального количества баров, после которых срабатывает оповещение. Это позволяет настраивать мониторинг и своевременно реагировать на изменение рыночных условий. Индикатор предоставляет аналитическую поддержку для принятия более обоснованных решений на основе настроек уровня iRSI и количества баров.

Читать далее...

Стратегия матричного арбитража Forex основана на справедливой стоимости валют. Она опирается на корреляции между основными мировыми валютами, стремясь к равновесию в их обменных курсах. Этот подход позволяет выявлять временные отклонения от справедливой стоимости, что создает возможности для арбитража. Модель исключает технические индикаторы и субъективный анализ, полагаясь на числовую логику. Преимущество этой системы — её универсальность: она адаптируется к различным рыночным условиям. С помощью автоматизированной системы на MQL5, трейдеры могут наблюдать за валютными дисбалансами в реальном времени, управляя рисками более эффективно.

Читать далее...

DQN (Deep Q-Networks) - усовершенствованный алгоритм обучения с подкреплением, который использует нейронные сети для оценки стратегии и выбора действий. В отличие от традиционного Q-обучения, DQN обучается прогнозировать будущие выгоды (q-значения) во всех состояниях, применяя нейросети вместо Q-таблиц. DQN более эффективен на сложных и динамичных рынках благодаря способности нейронных сетей адаптироваться к нелинейным условиям. Это особенно полезно для трейдеров и разработчиков, стремящихся создать более устойчивые и адаптивные торговые системы. Сеть DQN способна лучше справляться с рыночным шумом и изменениями.

Читать далее...

Функционал автоматического экспорта истории сделок после тестирования эксперта в стратегиях тестера представляет собой важное дополнение. История операций становится доступной в формате файла, который сохраняется в общей директории Common/Files или же в директории терминала MQL5/Files. Имя файла можно задать вручную или оставить генерацию автоматической. Генерированный файл предназначен для применения на других торговых серверах посредством советника Simple History Receiver, поддерживающего идентичную последовательность сделок.

Для базового использования: создавайте объект в глобальной области и вызывайте метод Export() в OnTester(). Для расширенного использования: добавляйте параметры имен и значений в функцию OnInit(), затем также вызывайте Export() в OnTester(). Настройка Export() может варьироваться в зависимости от конкретных задач.

Читать далее...

В статье рассматривается инновационный Fractal-based Algorithm (FBA) для оптимизации, вдохновленный фрактальной геометрией. Он использует концепцию самоподобия для адаптивного исследования пространства поиска, комбинируя глобальный и локальный поиск. Основное отличие FBA — итеративное разбиение пространства поиска на подпространства, выделяя перспективные зоны для углубленного анализа. Реализованная структура алгоритма позволяет улучшить точность и эффективность поиска оптимальных решений в многомерных задачах. Благодаря фрактальной модели, балансируется изучение пространства и разработка решений, предоставляя программистам полезный инструмент для сложных оптимизационных задач.

Читать далее...

Библиотека `hmmlearn` предлагает функционал для работы со скрытыми марковскими моделями (СММ) на Python, упрощая интеграцию с `scikit-learn`. Используется для анализа последовательностей, где присутствуют скрытые состояния, влияющие на наблюдаемые события. СММ часто применяются в распознавании речи, биоинформатике и анализе временных рядов. Основное достоинство СММ — способность моделировать сложные временные зависимости и скрытые процессы.

`hmmlearn` поддерживает модели с различными эмиссионными распределениями, включая `hmm.GaussianHMM` для непрерывных данных и `hmm.GMMHMM` для их смеси. Инициализация и оптимизация осуществляются с помощью алгоритма EM. Параметр `covariance_type` влияет на сложность и применимость модели к данным. Правильная настройка параметров и выбор типа ковариации определяют эффективность анализа временных рядов. Для многомерных финансовых данных рекомендуется...

Читать далее...

Фреймворк ACEFormer представляет собой модель для прогнозирования временных рядов, адаптированной к финансовым рынкам. Центральный элемент — алгоритм ACEEMD, устраняющий шумы и сохраняющий важные рыночные точки. Структура ACEFormer объединяет локализованное и глобальное внимание, улучшая точность прогнозов в условиях высокой волатильности. Ключевой модуль CNeuronMHProbAttention реализует вероятностное внимание, гарантируя структурную целостность и вычислительную эффективность модели. Организация прямого и обратного проходов базируется на распределении значимости запросов и адаптации архитектуры для устойчивости и быстрой сходимости. Модульная архитектура способствует гибкости и переиспользуемости.

Читать далее...

Разработка индикатора на базе CCIDualOnMA включает использование двух индикаторов CCI (Commodity Channel Index), которые сглаживаются с помощью скользящей средней (МА). Пересечение этих линий генерирует торговые сигналы. Сигнал 'CCIDualOnMA Up' появляется, когда обе линии находятся ниже нулевой отметки, и быстрый CCI пересекает медленный CCI снизу вверх. В противоположной ситуации, когда обе линии выше нуля и быстрый CCI пересекает медленный сверху вниз, формируется сигнал 'CCIDualOnMA Dn'. Визуализация индикатора облегчает интерпретацию сигналов и может быть полезна для принятия решений в торговле.

Читать далее...

Создание эффективных графических компонентов в MQL5 требует понимания парадигмы MVC. Это позволяет четко разделить логику приложения на модель, представление и контроллер, упрощая разработку и поддержание кода. Мы сосредоточили внимание на создании базовых классов для визуализации данных, включая управление цветами и прямоугольными областями, что является основой для остальных компонентов. Эти вспомогательные классы упрощают реализацию сложных элементов управления, таких как таблицы, что обеспечивает гибкость и расширяемость интерфейсов. Модель набора инструментов MQL5 требует внимательного подхода к управлению графическими элементами.

Сосредоточение внимания на вспомогательных классах и базовом классе рисования на холсте даёт возможность создавать универсальные и легко управляемые графические элементы. Такие классы позволяют контролировать внешний вид элементов, их размерность и пов...

Читать далее...

Объединение глубокого обучения с техническим анализом в алгоритмической торговле приводит к разработке инструмента Volatility Adjusted Momentum (VAM), чуткого к рыночной динамике. Он учитывает волатильность при оценке импульса, предоставляя более надежные сигналы. Комбинация модели LSTM и VAM реализуется в MetaTrader 5, позволяя трейдерам принимать обоснованные решения. LSTM анализирует сложные рыночные зависимости, улучшая точность прогнозов. Совместная работа этих технологий приводит к адаптивным торговым стратегиям, усиливающим управление рисками. Это исследование демонстрирует, как передовые методы машинного обучения дополняют традиционный анализ, повышая эффективность автоматической торговли.

Читать далее...

Советник функционирует на основе индикатора iCCI (Commodity Channel Index) и использует заданный таймфрейм для анализа сигналов. Поиск сигналов осуществляется на каждом тике, однако допускается только одна сделка на один бар. Закрытие сделок осуществляется противоположным сигналом, без использования тейк-профита, стоп-лосса или трейлинга.

Советник поддерживает два вида сигналов — вход в зону и выход из зоны. Для генерации сигнала используются значения индикатора на трёх барах: два перед пересечением и один после пересечения уровня.

Особенности советника включают возможность оптимизации по рабочему таймфрейму и постоянный стартовый лот. Внутренние параметры не выносятся в пользовательские настройки. Также доступно расширенное логирование всех операций через параметр "Print log".

Читать далее...

Исследование использования цепей Маркова и RSI для алгоритмического трейдинга показало, что финансовый рынок может иметь уникальные интерпретации индикатора RSI. Было собрано 300,000 строк данных M1, чтобы построить обучающую и тестовую выборки для анализа рыночных тенденций. Результаты подтвердили, что оптимальные зоны для торговли зависят от рынка, на котором производится анализ. Основной акцент сделан на создание адаптивных моделей, способных к самообучению и настройке на выбранный рынок. Результаты эксперимента показали, что простая марковская модель имеет точность 52%. Стратегия подтверждает важность учета уникальных характеристик каждого финансового инструмента.

Читать далее...

Количественный анализ трендов на Форекс преобразует хаотичные движения рынка в точные статистические данные, предоставляя трейдерам объективные преимущества. Основной алгоритм на Python и MetaTrader 5 анализирует тренды с помощью библиотеки pandas, избирая необходимые таймфреймы. Алгоритм идентификации находит локальные максимумы и минимумы, определяя тренды по их характеристикам. Метод скользящего окна обеспечивает эффективную обработку данных, настраивая чувствительность. Статистическая обработка с визуализациями трендов помогает устанавливать обоснованные торговые цели. Количественный анализ позволяет трейдерам разрабатывать адаптивные, статистически обоснованные торговые стратегии и оптимизировать параметры индикаторов.

Читать далее...

Введение методов управления темами в классы MQL5 позволяет улучшить пользовательский интерфейс в MetaTrader 5. Основное внимание уделяется динамическому обновлению темы в CDialog, CEdit и CButton, что упрощает создание гибких интерфейсов.

CDialog отвечает за диалоговые окна и панели, поддерживает действие пользователя и переключение между темными и светлыми темами. CButton и CEdit, обладая методами управления цветом, помогают в изменении внешнего вида компонентов интерфейса.

Алгоритмы управления темами настраивают панель администратора, создавая возможности для выбора цветовых схем. Это улучшает визуальное представление и функциональность.

Внедрение этих изменений требует внимательного тестирования и понимания, чтобы избежать негативного влияния на производительность системы.

Читать далее...

Индикатор CCIDualOnMA объединяет два индекса товарного канала (CCI) в одном окне, различающихся по скорости — быстрый и медленный. Сглаживание этих индикаторов CCI реализуется с применением скользящей средней MA. Быстрый CCI реагирует на изменения цены быстрее и отображает краткосрочные тренды, в то время как медленный CCI позволяет выявлять более долгосрочные тенденции. Сглаживание посредством MA повышает стабильность и точность сигнала, фильтруя рыночные шумы. Этот подход обеспечивает более целостное восприятие рыночной динамики за счет совмещения скорости реакции и устойчивости анализа.

Читать далее...