Jonathan Pereira / Perfil
- Informações
4 anos
experiência
|
5
produtos
|
5
versão demo
|
57
trabalhos
|
1
sinais
|
0
assinantes
|
Foi em 2016 que, por um feliz acaso, me deparei com o mercado financeiro e me encantei instantaneamente. Ao descobrir a plataforma MetaTrader e sua capacidade de integrar estratégias codificadas ao mercado financeiro, soube que tinha encontrado um novo amor.
Explore meus tutoriais no GitHub e acompanhe minha jornada de crescimento e compartilhamento de conhecimento: https://github.com/jowpereira/mql5-tutoriais
Se desejar iniciar um novo projeto e aproveitar minha expertise, acesse: https://www.mql5.com/pt/job/new?prefered=14134597.
Tenho certeza de que, juntos, podemos desenvolver soluções interessantes e inspiradoras!
Conheça meu GPT - https://chat.openai.com/g/g-1DCzqDcMF-arnaldo
![Desenvolvendo um agente de Aprendizado por Reforço em MQL5 com Integração RestAPI (Parte 5): Escolhendo o Algoritmo do agente](https://c.mql5.com/2/74/Desenvolvendo_um_agente_de_Aprendizado_por_Refor4o_em_MQL5_com_Integrav6o_RestAPI_8Parte_5v___LOGO.png)
Este capítulo da série aborda algoritmos de aprendizado por reforço, focando em Q-Learning, Deep Q-Network (DQN), e Proximal Policy Optimization (PPO). Explora como essas técnicas podem ser integradas para melhorar a automação de tarefas, detalhando suas características, vantagens, e aplicabilidades práticas. A seleção do algoritmo mais adequado é vista como crucial para otimizar a eficiência operacional em ambientes dinâmicos e incertos, prometendo discussões futuras sobre a implementação prática e teórica desses métodos.
![Desenvolvendo um agente de Aprendizado por Reforço em MQL5 com Integração RestAPI (Parte 4): Organizando Funções em Classes no MQL5](https://c.mql5.com/2/64/RestAPIs_em_MQL5_Logo.png)
Este artigo examina a transição da codificação procedural para a Programação Orientada a Objetos (POO) no MQL5, com foco na integração com REST APIs. Discutimos como organizar funções de requisições HTTP (GET e POST) em classes, ressaltando vantagens como encapsulamento, modularidade e facilidade de manutenção. A refatoração de código é detalhada, mostrando a substituição de funções isoladas por métodos de classes. O artigo inclui exemplos práticos e testes.
Princípio de Funcionamento: O "RSDForce" combina análises de volume de negociação e movimentos de preço para fornecer insights valiosos sobre o mercado. Ele funciona assim: Análise de Volume e Preço : O indicador analisa o volume de negociação (quantidade de ativos negociados) e as variações de preço ao longo do tempo. Cálculo de Força de Mercado : Ele calcula um valor que reflete a 'força' do mercado, indicando se a tendência de preço é forte e se baseia em um volume de negociação substancial
O "ZScore Quantum Edge" é baseado em um algoritmo avançado que combina análise de volume e movimento de preços, proporcionando uma representação clara e precisa das tendências do mercado. Seu design intuitivo, com uma interface de fácil compreensão, exibe informações em tempo real. Características principais: Análise de Tendência Aprofundada : O indicador utiliza um período configurável para análise de tendência, permitindo que os traders ajustem a sensibilidade do indicador de acordo com suas
![Desenvolvendo um agente de Aprendizado por Reforço em MQL5 com Integração RestAPI (Parte 3): Criando jogadas automáticas e Scripts de Teste em MQL5](https://c.mql5.com/2/61/RestAPI_Parte_3_-_Criando_jogadas_automuticas_e_Scripts_de_Teste_em_MQL5__LOGO.png)
Este artigo explora a implementação de jogadas automáticas no jogo da velha Python, integrado com funções MQL5 e testes unitários. O objetivo é aprimorar a interatividade do jogo e garantir a robustez do sistema através de testes MQL5. Ele aborda desde o desenvolvimento da lógica de jogo até a integração e testes práticos, culminando na criação de um ambiente de jogo dinâmico e um sistema integrado confiável.
![Desenvolvendo um agente de Aprendizado por Reforço em MQL5.com Integração RestAPI(Parte 2): Funções MQL5 para Interação HTTP com API REST do Jogo da Velha](https://c.mql5.com/2/61/DALLvE_2023-11-26_00.52.08_-_A_digital_artwork_illustrating_the_integration_of_MQL55_Pythono_and_Fas.png)
O artigo detalha como MQL5 pode interagir com Python e FastAPI, usando chamadas HTTP em MQL5 para se comunicar com um jogo da velha em Python. Discute a criação de uma API com FastAPI para essa integração e inclui um script de teste em MQL5, destacando a versatilidade do MQL5, a simplicidade do Python e a eficiência do FastAPI na conexão de diferentes tecnologias para soluções inovadoras.
![Desenvolvendo um agente de Aprendizado por Reforço em MQL5 com Integração RestAPI(Parte 1): Usando RestAPIs em MQL5](https://c.mql5.com/2/60/RestAPIs_em_MQL5_Logo.png)
Este artigo aborda a importância das APIs (Interfaces de Programação de Aplicativos) na comunicação entre diferentes aplicativos e sistemas de software. Ele destaca o papel das APIs na simplificação da interação entre aplicativos, permitindo que eles compartilhem dados e funcionalidades de maneira eficiente.
![Integrando modelos de ML ao Testador de Estratégias (Conclusão): Implementação de um Modelo de Regressão para Previsão de Preço](https://c.mql5.com/2/58/implementation_regression_model_avatar.png)
Este artigo descreve a implementação de um modelo de regressão de árvores de decisão para prever preços de ativos financeiros. Foram realizadas etapas de preparação dos dados, treinamento e avaliação do modelo, com ajustes e otimizações. No entanto, é importante destacar que o modelo é apenas um estudo e não deve ser usado em negociações reais.
![Integrando modelos de ML ao Testador de estratégias (Parte 3): Gerenciamento de Arquivos CSV(II)](https://c.mql5.com/2/51/Avatar_Perceptron_Multicamadas_e_o-Algoritmo_Backpropagation_Parte_3_02.png)
Este artigo fornece uma visão detalhada sobre como construir uma classe em MQL5 para gerenciamento eficiente de arquivos CSV. Ele explica como os métodos de abertura, escrita, leitura e conversão de dados são implementados e como eles podem ser utilizados para armazenar e carregar dados. Além disso, o artigo também discute as limitações e considerações importantes ao usar essa classe. É uma leitura valiosa para aqueles interessados em aprender a trabalhar com arquivos CSV em MQL5.
![Perceptron Multicamadas e o Algoritmo Backpropagation (Parte 3): Integrando ao Testador de estratégias - Visão Geral (I)](https://c.mql5.com/2/51/Perceptron_Multicamadas_60x60.png)
O perceptron multicamadas é uma evolução do perceptron simples, capaz de resolver problemas não linearmente separáveis. Juntamente com o algoritmo backpropagation, é possível treinar essa rede neural de forma eficiente. Na terceira parte da série sobre perceptron multicamadas e backpropagation, vamos mostrar como integrar essa técnica ao testador de estratégias. Essa integração permitirá a utilização de análise de dados complexos e melhores decisões para otimizar as estratégias de negociação. Nesta visão geral, discutiremos as vantagens e os desafios da implementação desta técnica.
![Perceptron Multicamadas e o Algoritmo Backpropagation (Parte II): Implementação em Python e Integração com MQL5](https://c.mql5.com/2/42/Sem_tqtulo.png)
Um pacote python foi disponibilizado com o proposito de trazer integração com MQL, com isso abre-se as portas para enumeras possibilidades como, exploração de dados, criação e uso de modelos de machine learning. Com essa integração nativa entre MQL5 e Python, abriu-se as portas para muitas possibilidades de uso, podemos construir de uma simples regressão linear a um modelo de aprendizado profundo. Vamos entender como instalar e preparar o ambiente de desenvolvimento e usar algumas das bibliotecas de aprendizado de maquina.
A média móvel Tillson's T3 foi apresentada ao mundo da análise técnica no artigo ''A Better Moving Average'', publicado na revista americana Technical Analysis of Stock Commodities . Desenvolvida por Tim Tillson, logo os analistas e operadores de mercados futuros ficaram fascinados com esta técnica que suaviza a série de preços ao mesmo tempo em que diminui o lag (atraso) típicos dos sistemas seguidores de tendências
O Volume é um indicador muito utilizado em análise técnica, no entanto existe uma variação que é ainda mais útil do que o Volume por si só: a média móvel do Volume. Ele nada mais é do que uma média móvel aplicada ao popular indicador de Volume. Como já diz o nome, o Volume + MA serve para exibir o volume transacionado (compras e vendas executadas) de certo ativo financeiro em determinado ponto do tempo juntamente com a média móvel desse mesmo volume ao longo do tempo. Para que serve? Com o
![Perceptron Multicamadas e o Algoritmo Backpropagation](https://c.mql5.com/2/41/Sem_tbtulo.png)
Recentemente, ao aumentar a popularidade desses métodos, tantas bibliotecas foram desenvolvidas em Matlab, R, Python, C++, e etc, que recebem o conjunto de treinamento como entrada e constroem automaticamente uma Rede Neural apropriada para o suposto problema. Vamos entender como funciona um tipo básico de Rede Neural, (Perceptron de um único neurônio e Perceptron Multicamadas), e um fascinante algoritmo responsável pelo aprendizado da rede, (Gradiente descendente e o Backpropagation). Tais modelos de rede serviram de base para os modelos mais complexos existentes hoje.
Hi-Lo é um indicador cuja finalidade é auxiliar de maneira mais precisa as tendências de um determinado ativo — indicando assim, o possível melhor momento para compra ou venda. O que é o Hi-lo? Hi-Lo é um termo derivado do inglês, onde Hi está ligado à palavra High (Alto) e Lo à palavra Low (baixo). Ele é um indicador de tendência usado para avaliação da negociação de ativos no mercado financeiro. Sendo assim, a sua utilização é dada para identificar se um determinado ativo está
![Jonathan Pereira Jonathan Pereira](https://c.mql5.com/avatar/2020/3/5E5F1716-E757.jpg)
![Jose Gustavo De Almeida Verneque Jose Gustavo De Almeida Verneque](https://c.mql5.com/avatar/2019/9/5D6F00EA-F072.jpg)
![Jonathan Pereira Jonathan Pereira](https://c.mql5.com/avatar/2020/3/5E5F1716-E757.jpg)
![Aldirenio Barbosa Dos Santos Barbosa Aldirenio Barbosa Dos Santos Barbosa](https://c.mql5.com/avatar/2020/10/5F9AAECF-01E6.jpg)