![Estratégia de negociação simples: Reversão à média](https://c.mql5.com/2/55/Mean_reversion_600x314.jpg)
Estratégia de negociação simples: Reversão à média
A reversão à média é um tipo de negociação contra-tendência em que o trader espera que o preço retorne a algum tipo de equilíbrio, geralmente medido por uma média ou outra estatística de tendência central.
![Como detectar tendências e padrões gráficos usando MQL5](https://c.mql5.com/2/53/detect_trends_chart_patterns_600x314.jpg)
Como detectar tendências e padrões gráficos usando MQL5
Neste artigo, é apresentado um método de detecção automática de padrões de ação de preços usando o MQL5, como tendências (de alta, de baixa e laterais) e padrões gráficos (topo duplo, fundo duplo).
![Desenvolvendo um sistema de Replay (Parte 29): Projeto Expert Advisor — Classe C_Mouse (III)](https://c.mql5.com/2/58/replay-p28_600x314.jpg)
Desenvolvendo um sistema de Replay (Parte 29): Projeto Expert Advisor — Classe C_Mouse (III)
Agora que a classe C_Mouse foi melhorada. Podemos focar em criar uma classe que será usada para promover uma base completamente diferente de estudos. Mas como expliquei no inicio do artigo, não iremos usar herança ou polimorfismo para gerar esta nova classe. Iremos modificar, ou melhor dizendo, agregar alguns objetos novos a linha de preço. Isto neste primeiro momento, no próximo artigo mostrarei como modificar os estudos. Mas faremos isto sem mexer no código da classe C_Mouse. Sei que na pratica, isto seria mais simples ser feito usando herança ou polimorfismo. No entanto, existem técnicas diferentes para se conseguir a mesma coisa.
![Redes neurais de maneira fácil (Parte 46): Aprendizado por reforço condicionado a metas (GCRL)](https://c.mql5.com/2/55/Neural_Networks_Part_46_600x314.jpg)
Redes neurais de maneira fácil (Parte 46): Aprendizado por reforço condicionado a metas (GCRL)
Convido você a conhecer mais uma abordagem no campo do aprendizado por reforço. É chamada de aprendizado por reforço condicionado a metas, conhecida pela sigla GCRL (Goal-conditioned reinforcement learning). Nessa abordagem, o agente é treinado para alcançar diferentes metas em cenários específicos.
![Redes neurais de maneira fácil (Parte 45): Ensinando habilidades para investigar estados](https://c.mql5.com/2/55/Neural_Networks_Part_45_600x314.jpg)
Redes neurais de maneira fácil (Parte 45): Ensinando habilidades para investigar estados
Aprender habilidades úteis sem uma função de recompensa explícita é um dos principais desafios do aprendizado por reforço hierárquico. Anteriormente, já nos familiarizamos com dois algoritmos para resolver esse problema. Mas a questão da completa exploração do ambiente ainda está em aberto. Neste artigo, é apresentada uma abordagem diferente para o treinamento de habilidades, cujo uso depende diretamente do estado atual do sistema.
![Como criar um Canal Donchian personalizado usando o MQL5](https://c.mql5.com/2/55/donchian_channel_indicator_600x314.jpg)
Como criar um Canal Donchian personalizado usando o MQL5
Há muitas ferramentas técnicas que podem ser usadas para visualizar o canal do preço. Uma dessas ferramentas é o Canal Donchian. Neste artigo, aprenderemos a criar um Canal Donchian e a usá-lo como um indicador personalizado como parte de um Expert Advisor.
![Redes neurais de maneira fácil (Parte 44): Explorando habilidades de forma dinâmica](https://c.mql5.com/2/55/Neural_Networks_are_Just_a_Part_600x314.jpg)
Redes neurais de maneira fácil (Parte 44): Explorando habilidades de forma dinâmica
No artigo anterior, apresentamos o método DIAYN, que oferece um algoritmo para aprender uma variedade de habilidades. O uso das habilidades adquiridas pode ser usado para diversas tarefas. Mas essas habilidades podem ser bastante imprevisíveis, o que pode dificultar seu uso. Neste artigo, veremos um algoritmo para ensinar habilidades previsíveis.
![Como criar um indicador personalizado True Strength Index usando MQL5](https://c.mql5.com/2/54/true_strength_index_600x314.jpg)
Como criar um indicador personalizado True Strength Index usando MQL5
Apresento um novo artigo sobre como criar um indicador personalizado. Desta vez, trabalharemos com o True Strength Index (TSI) e criaremos um Expert Advisor com base nele.
![Previsão usando modelos ARIMA em MQL5](https://c.mql5.com/2/55/Forecasting_with_ARIMA_models_in_MQL5_600x314.jpg)
Previsão usando modelos ARIMA em MQL5
Neste artigo, continuamos a desenvolver a classe CArima para construir modelos ARIMA adicionando métodos de previsão intuitivos.
![Melhore seus gráficos de negociação com uma GUI interativa baseada em MQL5 (Parte I): GUI móvel (I)](https://c.mql5.com/2/55/Revolutionize_Your_Trading_Charts_Part_I_600x314.jpg)
Melhore seus gráficos de negociação com uma GUI interativa baseada em MQL5 (Parte I): GUI móvel (I)
Libere todo o poder da representação de dados dinâmicos em suas estratégias de negociação ou utilitários com o nosso guia detalhado para desenvolver uma GUI móvel em MQL5. Mergulhe nos eventos do gráfico e saiba como projetar e implementar uma GUI móvel simples e múltipla em um único gráfico. O artigo também aborda a adição de elementos à GUI, aumentando sua funcionalidade e apelo estético.
![Redes neurais de maneira fácil (Parte 43): Dominando habilidades sem função de recompensa](https://c.mql5.com/2/54/NN_Simple_Part_43_600x314.jpg)
Redes neurais de maneira fácil (Parte 43): Dominando habilidades sem função de recompensa
O problema com o aprendizado por reforço é a necessidade de definir uma função de recompensa, que pode ser complexa ou difícil de formular, porém abordagens baseadas no tipo de ação e na exploração do ambiente que permitem que as habilidades sejam aprendidas sem uma função de recompensa explícita estão sendo exploradas para resolver esse problema.
![Redes neurais de maneira fácil (Parte 42): Procrastinação do modelo, causas e métodos de resolução](https://c.mql5.com/2/54/NN_Simple_Part_42_procrastination_600x314.jpg)
Redes neurais de maneira fácil (Parte 42): Procrastinação do modelo, causas e métodos de resolução
A procrastinação de modelos no contexto do aprendizado por reforço pode ser causada por vários motivos, e a solução desse problema requer medidas apropriadas. Este artigo discute algumas das possíveis causas da procrastinação do modelo e métodos para superá-las.
![Redes neurais de maneira fácil (Parte 41): Modelos Hierárquicos](https://c.mql5.com/2/54/NN_Simple_Part_41_Hierarchical_Models_600x314.jpg)
Redes neurais de maneira fácil (Parte 41): Modelos Hierárquicos
Este artigo descreve modelos hierárquicos de aprendizado que propõem uma abordagem eficaz para resolver tarefas complexas de aprendizado de máquina. Os modelos hierárquicos consistem em vários níveis, cada um responsável por aspectos diferentes da tarefa.
![Redes neurais de maneira fácil (Parte 40): Abordagens para usar Go-Explore em uma grande quantidade de dados](https://c.mql5.com/2/54/neural_networks_go_explore_040_600x314.jpg)
Redes neurais de maneira fácil (Parte 40): Abordagens para usar Go-Explore em uma grande quantidade de dados
Neste artigo, discutiremos a aplicação do algoritmo Go-Explore ao longo de um período de treinamento prolongado, uma vez que uma estratégia de seleção aleatória de ações pode não levar a uma passagem lucrativa à medida que o tempo de treinamento aumenta.
![Algoritmo de recompra: Simulação de negociação em várias moedas](https://c.mql5.com/2/54/Multicurrency_Trading_Simulation_600x314.jpg)
Algoritmo de recompra: Simulação de negociação em várias moedas
Neste artigo, criaremos um modelo matemático para simular a precificação em várias moedas e concluiremos o estudo, que comecei no artigo anterior, sobre o princípio de diversificação como parte da busca por mecanismos para aumentar a eficiência da negociação.
![Redes neurais de maneira fácil (Parte 39): Go-Explore - uma abordagem diferente para exploração](https://c.mql5.com/2/54/NN_39_Go_Explore_600x314.jpg)
Redes neurais de maneira fácil (Parte 39): Go-Explore - uma abordagem diferente para exploração
Continuamos com o tema da exploração do ambiente no aprendizado por reforço. Neste artigo, abordaremos mais um algoritmo, o Go-Explore, que permite explorar eficazmente o ambiente durante a fase de treinamento do modelo.
![Teoria das Categorias em MQL5 (Parte 8): Monoides](https://c.mql5.com/2/54/Category-Theory-p8_600x314.jpg)
Teoria das Categorias em MQL5 (Parte 8): Monoides
Esse artigo continua a série sobre a implementação da teoria da categoria em MQL5. Aqui, apresentamos os monoides como um domínio (conjunto) que distingue a teoria da categoria de outros métodos de classificação de dados ao incorporar regras e um elemento de equivalência.
![Funcionalidades do assistente MQL5 que você precisa conhecer (Parte 6): transformada de Fourier](https://c.mql5.com/2/54/fourier_transform_600x314.jpg)
Funcionalidades do assistente MQL5 que você precisa conhecer (Parte 6): transformada de Fourier
A transformada de Fourier é um método de decompor uma onda de pontos de dados em possíveis partes constituintes que foi introduzida por Joseph Fourier. Esse recurso pode ser útil para os traders, e é isso que abordaremos neste artigo.
![Experimentos com redes neurais (Parte 6): O perceptron como uma ferramenta de previsão de preços autossuficiente](https://c.mql5.com/2/54/perceptron_600x314.jpg)
Experimentos com redes neurais (Parte 6): O perceptron como uma ferramenta de previsão de preços autossuficiente
Veja um exemplo do uso do perceptron como um meio autossuficiente de previsão de preços. Esse artigo aborda conceitos gerais, apresenta um Expert Advisor simples e pronto para uso e os resultados de sua otimização.
![Algoritmo de recompra: modelo matemático para aumentar a eficiência](https://c.mql5.com/2/54/mathematical_model_to_increase_efficiency_600x314.jpg)
Algoritmo de recompra: modelo matemático para aumentar a eficiência
Neste artigo, usaremos o algoritmo de recompra como um guia para um entendimento mais profundo da eficiência dos sistemas de negociação e começaremos a trabalhar com os princípios gerais de aumentar a eficiência de negociação usando matemática e lógica, bem como aplicar os métodos mais inovadores para aumentar a eficiência no contexto de usar qualquer sistema de negociação.
![Negociação automatizada em grade usando ordens pendentes de stop na Bolsa de Moscou (MOEX)](https://c.mql5.com/2/54/moex-mesh-trading_600x314.jpg)
Negociação automatizada em grade usando ordens pendentes de stop na Bolsa de Moscou (MOEX)
Uso da abordagem de negociação em grade com ordens pendentes de stop em um Expert Advisor usando a linguagem de estratégias de negociação MQL5 para o MetaTrader 5 na Bolsa de Valores de Moscou (MOEX). Ao negociar no mercado, uma das estratégias mais simples é uma grade de ordens projetada para "capturar" o preço de mercado.
![Ciência de Dados e Aprendizado de Máquina (Parte 14): aplicando mapas de Kohonen nos mercados](https://c.mql5.com/2/52/data_science_ml_kohonen_maps_014_600x314.jpg)
Ciência de Dados e Aprendizado de Máquina (Parte 14): aplicando mapas de Kohonen nos mercados
Deseja descobrir uma nova metodologia de negociação que facilite a orientação em mercados complexos e voláteis? Explore os mapas de Kohonen - uma versão inovadora de redes neurais artificiais, capazes de identificar regularidades e tendências ocultas nos dados do mercado. Neste texto, analisaremos a funcionalidade dos mapas de Kohonen e a forma de utilizá-los na elaboração de estratégias de negociação eficazes. Estou convencido de que esta abordagem inédita será do interesse de traders novatos e experientes.
![Redes neurais de maneira fácil (Parte 38): Exploração auto-supervisionada via desacordo (Self-Supervised Exploration via Disagreement)](https://c.mql5.com/2/54/self_supervised_exploration_via_disagreement_038_600x314.jpg)
Redes neurais de maneira fácil (Parte 38): Exploração auto-supervisionada via desacordo (Self-Supervised Exploration via Disagreement)
Um dos principais desafios do aprendizado por reforço é a exploração do ambiente. Anteriormente, já nos iniciamos no método de exploração baseado na curiosidade interna. E hoje proponho considerar outro algoritmo, o de exploração por desacordo.
![Experimentos com redes neurais (Parte 5): Normalização de parâmetros de entrada para alimentar a rede neural](https://c.mql5.com/2/53/neural_network_experiments-p5_600x314.jpg)
Experimentos com redes neurais (Parte 5): Normalização de parâmetros de entrada para alimentar a rede neural
As redes neurais são tudo para nós. E vamos verificar na prática se é assim, indagando se MetaTrader 5 é uma ferramenta autossuficiente para implementar redes neurais na negociação. A explicação vai ser simples.
![Multibot no MetaTrader: lançando vários robôs a partir de um único gráfico](https://c.mql5.com/2/53/launching_multiple_robots_600x314.jpg)
Multibot no MetaTrader: lançando vários robôs a partir de um único gráfico
Neste artigo, veremos um modelo simples para a criação de um robô universal no MetaTrader que pode ser usado em vários gráficos, mas que é fixado em apenas um gráfico, sem a necessidade de configurar cada instância do robô em cada gráfico individual.
![Estratégia de negociação no indicador de reconhecimento apurado de velas Doji](https://c.mql5.com/2/53/doji_candlestick_pattern_600x314.jpg)
Estratégia de negociação no indicador de reconhecimento apurado de velas Doji
O indicador baseado em metabarras detecta mais velas do que o clássico baseado em barras únicas. Vamos ver se ele oferece benefícios reais na negociação automatizada.
![Redes neurais de maneira fácil (Parte 37): atenção esparsa](https://c.mql5.com/2/53/NN_part_37_Sparse_Attention_600x314.jpg)
Redes neurais de maneira fácil (Parte 37): atenção esparsa
No artigo anterior, abordamos modelos relacionais que usavam mecanismos de atenção. Uma das características desses modelos era o aumento do uso de recursos computacionais. O artigo de hoje apresenta um dos mecanismos para reduzir o número de operações computacionais dentro do bloco Self-Attention, o que aumenta o desempenho geral do modelo.
![Encontrando padrões de velas usando MQL5](https://c.mql5.com/2/53/how_to_use_mql5_to_detect_candlesticks_patterns_600x314.jpg)
Encontrando padrões de velas usando MQL5
Neste artigo, falaremos sobre como detectar automaticamente padrões de velas usando MQL5.
![Teoria das Categorias em MQL5 (Parte 4): Intervalos, experimentos e composições](https://c.mql5.com/2/52/Category-Theory-p4_600x314.jpg)
Teoria das Categorias em MQL5 (Parte 4): Intervalos, experimentos e composições
A teoria das categorias representa um segmento diversificado e em constante expansão da matemática, que até agora está relativamente pouco explorado na comunidade MQL5. Esta série de artigos tem como objetivo descrever alguns de seus conceitos a fim de criar uma biblioteca aberta e utilizar ainda mais essa seção notável na criação de estratégias de negociação.
![Desenvolvimento de um sistema de negociação baseado no indicador Fibonacci](https://c.mql5.com/2/52/learnhow_trading_system_fibonacci_600x314.jpg)
Desenvolvimento de um sistema de negociação baseado no indicador Fibonacci
Esta é a continuação de uma série de artigos nos quais aprendemos como construir sistemas de negociação com base nos indicadores mais populares. Desta vez, cobriremos o indicador Fibonacci. Veremos como escrever um programa baseado nos sinais deste indicador.
![Redes neurais de maneira fácil (Parte 36): Modelos relacionais de aprendizado por reforço](https://c.mql5.com/2/52/Neural_Networks_Made_036_600x314.jpg)
Redes neurais de maneira fácil (Parte 36): Modelos relacionais de aprendizado por reforço
Nos modelos de aprendizado por reforço discutidos anteriormente, usamos diferentes variantes de redes convolucionais, que são capazes de identificar diferentes corpos nos dados brutos. A principal vantagem das redes convolucionais é sua capacidade de identificar objetos independentemente de sua localização. No entanto, as redes convolucionais nem sempre são capazes de lidar com as diversas deformações e ruídos que os objetos apresentam. Mas esses problemas podem ser resolvidos pelo modelo relacional.
![Experimentos com redes neurais (Parte 4): Padrões](https://c.mql5.com/2/52/neural_network_experiments-004_600x314.jpg)
Experimentos com redes neurais (Parte 4): Padrões
As redes neurais são tudo para nós. E vamos verificar na prática se é assim, indagando se MetaTrader 5 é uma ferramenta autossuficiente para implementar redes neurais na negociação. A explicação vai ser simples.
![Ciência de Dados e Aprendizado de Máquina (Parte 12): É possível ter sucesso no mercado com redes neurais de autoaprendizagem?](https://c.mql5.com/2/52/Self-Training-Neural-Networks_600x314.jpg)
Ciência de Dados e Aprendizado de Máquina (Parte 12): É possível ter sucesso no mercado com redes neurais de autoaprendizagem?
Certamente muitas pessoas estão cansadas de tentar constantemente prever o mercado de ações. Você gostaria de ter uma bola de cristal que o ajudasse a tomar melhores decisões de investimento? As redes neurais autoaprendentes podem ser a solução para isso. Neste artigo, vamos ver se esses algoritmos poderosos podem ajudar a surfar na onda e ser mais espertos que o mercado de ações. Ao analisar grandes volumes de dados e identificar padrões, as redes neurais autoaprendentes podem fazer previsões que geralmente são mais precisas do que as previsões dos traders. Vamos descobrir se essas tecnologias avançadas podem ser utilizadas para tomar decisões de investimento mais inteligentes e obter mais lucros.
![Desenvolvendo um fator de qualidade para os EAs](https://c.mql5.com/2/55/Desenvolvendo_um_fator_de_qualidade_para_os_EAs_600x314.jpg)
Desenvolvendo um fator de qualidade para os EAs
Nesse artigo vamos explicar como desenvolver um fator de qualidade para ser retornado pelo seu EA no testador de estratégia. Iremos mostrar duas formas de cálculo conhecidas (Van Tharp e Sunny Harris).
![Desenvolvimento de um sistema de negociação baseado no Índice de Facilitação do Mercado de Bill Williams](https://c.mql5.com/2/52/bw_mfi_600x314.jpg)
Desenvolvimento de um sistema de negociação baseado no Índice de Facilitação do Mercado de Bill Williams
Este é um novo artigo de uma série na qual aprendemos a desenvolver sistemas de negociação baseados em indicadores técnicos conhecidos. Neste novo artigo, analisamos o Índice de Facilitação do Mercado (Market Facilitation Index, MFI), criado por Bill Williams.
![Esperança moral na negociação](https://c.mql5.com/2/0/Moral_expectation_600x314.jpg)
Esperança moral na negociação
Este artigo trata da esperança moral. Veremos vários exemplos de como ela é aplicada na negociação e quais resultados podem ser obtidos com ela.
![Como escolher um Expert Advisor: Vinte caraterísticas de um robô de baixa qualidade](https://c.mql5.com/2/0/How_to_choose_an_Expert_Advisor_Twenty_strong_criteria_to_reject_a_trading_bot_600x314.jpg)
Como escolher um Expert Advisor: Vinte caraterísticas de um robô de baixa qualidade
Neste artigo, iremos responder à pergunta de como escolher o Expert Advisor correto. Quais são os mais adequados para o nosso portfólio e como podemos filtrar a maioria dos robôs de negociação disponíveis no mercado? Este artigo apresenta vinte caraterísticas evidentes de um EA de baixa qualidade. Ele ajudará você a tomar decisões mais informadas e criar uma coleção de EAs lucrativos.
![Teste e otimização de estratégias para opções binárias no MetaTrader 5](https://c.mql5.com/2/0/binary-strategy-tester_600x314.jpg)
Teste e otimização de estratégias para opções binárias no MetaTrader 5
Testamos e otimizamos estratégias de opções binárias no MetaTrader 5.
![Experiências com redes neurais (Parte 3): Uso pratico](https://c.mql5.com/2/51/neural_network_experiments_p3_600x314.jpg)
Experiências com redes neurais (Parte 3): Uso pratico
As redes neurais são tudo para nós. E vamos verificar na prática se é assim, indagando se MetaTrader 5 é uma ferramenta autossuficiente para implementar redes neurais na negociação. A explicação vai ser simples.
![Funcionalidades do assistente MQL5 que você precisa conhecer (Parte 05): cadeias de Markov](https://c.mql5.com/2/51/markov_chains_600x314.jpg)
Funcionalidades do assistente MQL5 que você precisa conhecer (Parte 05): cadeias de Markov
As cadeias de Markov são uma poderosa ferramenta matemática que pode ser usada para modelar e prever dados de séries temporais em vários campos, incluindo finanças. Na modelagem e previsão de séries temporais financeiras, as cadeias de Markov são frequentemente usadas para modelar a evolução de ativos financeiros ao longo do tempo, ativo esses como preços de ações ou pares de moedas. Uma das principais vantagens dos modelos das cadeias de Markov é sua simplicidade e facilidade de uso.