Rejoignez notre page de fans
![Experts](https://c.mql5.com/i/code/expert.png)
Programmation MQL5 pour les Traders - Codes Source du livre. Partie 7 - expert pour MetaTrader 5
- Vues:
- 619
- Note:
- Publié:
- 2023.12.15 15:18
- Mise à jour:
- 2023.12.15 15:56
-
Besoin d'un robot ou d'un indicateur basé sur ce code ? Commandez-le sur Freelance Aller sur Freelance
Partie 7 : Outils MQL5 avancés
Le chapitre "Partie 7 : Outil MQL5 avancés" du livre "Programmation MQL5 pour les Traders" traite des capacités avancées de l'API MQL5, qui seront utiles lors du développement de programmes pour MetaTrader 5. Il s'agit notamment des symboles financiers personnalisés, des évènements du calendrier économique intégré et de technologies générales telles que les réseaux, les bases de données et la cryptographie.
Cette partie traite des bibliothèques, un type de programme spécial qui fournit des API prêtes à l'emploi pour se connecter à d'autres programmes MQL. Il aborde également la possibilité de développer des progiciels et de combiner des programmes logiquement interconnectés dans des projets.
Enfin, cette partie présente les intégrations avec d'autres environnements logiciels, dont Python.
Nous commencerons par étudier les ressources, qui sont des fichiers de n’importe quel type pouvant être intégrés dans le code du programme. Les ressources peuvent contenir :
- Des éléments multimédias
- Des paramètres "difficiles" provenant de programmes externes
- D’autres programmes MQL5 sous forme compilée
L'environnement de développement MQL5 permet d'inclure des tableaux de données d'application, des images, des sons et des polices dans le fichier source, ce qui fait du programme un produit autonome et pratique pour l'utilisateur final.
Une attention particulière sera accordée aux ressources graphiques contenant des images matricielles au format BMP : Vous apprendrez à les créer, à les modifier et à les afficher dynamiquement sur le graphique.
Nous conclurons la dernière partie du livre en étudiant l'intégration d'OpenCL dans MQL5. OpenCL est une norme ouverte pour la programmation parallèle dans les systèmes multiprocesseurs, y compris les processeurs graphiques (GPU) et les unités centrales de traitement (CPU). Il permet d'accélérer les tâches à forte intensité de calcul à condition que les algorithmes puissent être parallélisés. Il peut s'agir de l'entraînement de réseaux neuronaux, de la transformée de Fourier et de la résolution de systèmes d'équations.
L'utilisation d'OpenCL dans les programmes MQL nécessite la présence de pilotes spéciaux du fabricant et la prise en charge de la version 1.1 ou supérieure d'OpenCL. La présence d'une carte graphique n'est pas obligatoire, car le processeur central peut également être utilisé pour le calcul parallèle.
Traduit du russe par MetaQuotes Ltd.
Code original : https://www.mql5.com/ru/code/45596
![Programmation MQL5 pour les Traders - Codes Source du livre. Partie 6](https://c.mql5.com/i/code/expert.png)
Dans la partie 6 de la "Programmation MQL5 pour les traders", nous étudierons un élément clé du langage MQL5 : l'automatisation du trading. Nous commencerons par une description des entités fondamentales, telles que les spécifications des instruments financiers et les paramètres du compte de trading. Il s'agit de conditions préalables à la création d’Expert Advisors fonctionnant correctement.
![Programmation MQL5 pour les Traders - Codes Source du livre. Partie 5](https://c.mql5.com/i/code/expert.png)
Dans la cinquième partie du livre, nous approfondirons les API associées au trading algorithmique, notamment l'analyse et le traitement des données financières, la visualisation des graphiques, l'automatisation et les interactions avec les utilisateurs.
![Price Density - Market Noise Index](https://c.mql5.com/i/code/indicator.png)
A sophisticated tool that accurately measures market noise
![Input and output of onnx model](https://c.mql5.com/i/code/script.png)
The script is useful for inspecting the structure of ONNX models, providing insights into the input and output, their names, and their properties. It is particularly helpful for debugging and understanding the characteristics of ONNX models used in machine learning applications.