Market

Dieses Thema befasst sich mit dem Aufbau einer Adaptive Smart Money Architecture (ASMA) – einem intelligenten Expert Advisor, der Smart-Money-Konzepte (Orderblöcke, Strukturbrüche, Fair-Value-Gaps) mit der Marktstimmung in Echtzeit kombiniert, um automatisch die beste Handelsstrategie in Abhängigkeit von den aktuellen Marktbedingungen auszuwählen.

In diesem Artikel bauen wir ein „Liquidity Sweep on Break of Structure“ (BoS) System in MQL5 auf, das hohe/tiefe Umkehrpunkte über eine nutzerdefinierte Länge erkennt, sie als HH/HL/LH/LL kennzeichnet, um BoS zu identifizieren (HH in einem Aufwärtstrend oder LL in einem Abwärtstrend), und Liquidity-Sweeps erkennt, wenn der Preis über den Umkehrpunkt hinausgeht, aber auf einer Auf-/Abwärtskerze wieder innerhalb schließt.

Selbstüberwachtes Lernen ist ein leistungsstarkes Paradigma des statistischen Lernens, das nach Überwachungssignalen sucht, die aus den Beobachtungen selbst generiert werden. Mit diesem Ansatz werden schwierige Probleme des unüberwachten Lernens in vertrautere überwachte Probleme umgewandelt. Diese Technologie hat Anwendungen für unser Ziel als Gemeinschaft von algorithmischen Händlern übersehen. Unsere Diskussion zielt daher darauf ab, dem Leser eine leicht verständliche Brücke in das offene Forschungsgebiet des selbstüberwachten Lernens zu schlagen und bietet praktische Anwendungen, die robuste und zuverlässige statistische Modelle der Finanzmärkte ohne Überanpassung an kleine Datensätze liefern.

In diesem Artikel erstellen wir ein System zur Erkennung der inversen Fair-Value-Gaps (IFVG) in MQL5, das Auf-/Abwärts-FVGs auf den letzten Balken mit einer Filterung der Mindestlückengröße identifiziert, ihre Zustände als normal/gemildert/invertiert auf der Grundlage von Preisinteraktionen verfolgt (Abschwächung bei Durchbrüchen auf der Gegenseite, Rücksetzer bei Wiedereintritt, Inversion des Schlusskurses auf der Gegenseite von innen) und Überschneidungen ignoriert, während es die verfolgten FVGs begrenzt.

In diesem Artikel wird die klassische Strategie des Kreuzens von gleitenden Durchschnitten wieder aufgegriffen und untersucht, warum sie in bewegten, schnelllebigen Märkten oft scheitert. Es werden fünf alternative Filtermethoden vorgestellt, die die Signalqualität verbessern und schwache oder unrentable Handelsgeschäfte entfernen sollen. Die Diskussion zeigt, wie statistische Modelle lernen und Fehler korrigieren können, die der menschlichen Intuition und traditionellen Regeln entgehen. Die Leser erhalten ein besseres Verständnis dafür, wie man eine veraltete Strategie modernisieren kann und welche Fallstricke es gibt, wenn man sich bei der Finanzmodellierung ausschließlich auf Kennzahlen wie den RMSE verlässt.

In diesem Artikel entwickeln wir ein Erkennungssystem für Change of Character (CHoCH) in MQL5, das hohe und tiefe Umkehrpunkte über eine nutzerdefinierte Balkenanzahl identifiziert, sie als HH/LH für Hochs oder LL/HL für Tiefs kennzeichnet, um die Trendrichtung zu bestimmen, und Handelsgeschäfte bei Durchbrüchen dieser Umkehrpunkte auslöst, was eine potenzielle Umkehr anzeigt, und die Durchbrüche handelt, wenn sich die Struktur ändert.