О номере
Публикации
Партнеры
Июнь 2025 (опубликовано: 05.06.2025)
Выпуск 2(61)
Главная
>
Содержание
>
Разработка и внедрение автоматизированной системы торговли на рынке Форекс на основе динамической стратегии и пользовательских технических индикаторов
Хуинь К. Т.
Ключевые слова: Fintech, Forex, алгоритмическая торговля, экспертный советник, MetaTrader, технические индикаторы, мартингейл, управление рисками, MQL4.
Список литературы:
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Разработка и внедрение автоматизированной системы торговли на рынке Форекс на основе динамической стратегии и пользовательских технических индикаторов
Язык статьи -
английский
Ссылка для цитирования: Хyинь Конг Ту Разработка и внедрение автоматизированной системы торговли на рынке Форекс на основе динамической стратегии и пользовательских технических индикаторов // Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2025. № 2. С. 3-11. DOI: 10.17586/2310-1172-2025-18-2-3-11.
Аннотация. В быстро развивающейся сфере Fintech автоматизированные торговые системы играют все большую роль в оптимизации инвестиций и управлении рисками на финансовых рынках, особенно на валютном рынке (Forex). В данной статье представлены разработка, реализация и оценка нового экспертного советника (EA) под названием PicoDyna на платформе MetaTrader 4 с использованием MQL4. PicoDyna построена на стратегии следования за трендом в сочетании с адаптивными компонентами: она использует несколько технических индикаторов (RSI, CCI, EMA и Coral) и динамический механизм определения размера позиции по типу мартингейла (LotExponent) с интервалом между ордерами на основе волатильности (динамический PipStep). Расширенные функции управления рисками, включая трейлинг-стопы, выходы на основе времени и защиту от просадки капитала, интегрированы для повышения надежности системы. Мы оцениваем PicoDyna с помощью годовых исторических бэктестов на двух различных инструментах (EUR/USD и XAU/USD) на таймфрейме H1. Результаты демонстрируют стабильную производительность с высоким процентом выигрышей и профит-фактором >1,8 на обоих инструментах, а также эффективным контролем просадки (макс. <17%). Советник демонстрирует адаптивность к различным рыночным условиям, обеспечивая последовательный прирост на трендовых рынках, ограничивая потери в периоды бокового движения или волатильности. Это исследование вносит вклад в развитие модульной архитектуры советников, способной адаптироваться к волатильности рынка, и создаёт основу для дальнейших исследований в области применения искусственного интеллекта и машинного обучения в автоматизированной торговле.
Читать статью полностью
Ссылка для цитирования: Хyинь Конг Ту Разработка и внедрение автоматизированной системы торговли на рынке Форекс на основе динамической стратегии и пользовательских технических индикаторов // Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2025. № 2. С. 3-11. DOI: 10.17586/2310-1172-2025-18-2-3-11.
Аннотация. В быстро развивающейся сфере Fintech автоматизированные торговые системы играют все большую роль в оптимизации инвестиций и управлении рисками на финансовых рынках, особенно на валютном рынке (Forex). В данной статье представлены разработка, реализация и оценка нового экспертного советника (EA) под названием PicoDyna на платформе MetaTrader 4 с использованием MQL4. PicoDyna построена на стратегии следования за трендом в сочетании с адаптивными компонентами: она использует несколько технических индикаторов (RSI, CCI, EMA и Coral) и динамический механизм определения размера позиции по типу мартингейла (LotExponent) с интервалом между ордерами на основе волатильности (динамический PipStep). Расширенные функции управления рисками, включая трейлинг-стопы, выходы на основе времени и защиту от просадки капитала, интегрированы для повышения надежности системы. Мы оцениваем PicoDyna с помощью годовых исторических бэктестов на двух различных инструментах (EUR/USD и XAU/USD) на таймфрейме H1. Результаты демонстрируют стабильную производительность с высоким процентом выигрышей и профит-фактором >1,8 на обоих инструментах, а также эффективным контролем просадки (макс. <17%). Советник демонстрирует адаптивность к различным рыночным условиям, обеспечивая последовательный прирост на трендовых рынках, ограничивая потери в периоды бокового движения или волатильности. Это исследование вносит вклад в развитие модульной архитектуры советников, способной адаптироваться к волатильности рынка, и создаёт основу для дальнейших исследований в области применения искусственного интеллекта и машинного обучения в автоматизированной торговле.
Читать статью полностью
Ключевые слова: Fintech, Forex, алгоритмическая торговля, экспертный советник, MetaTrader, технические индикаторы, мартингейл, управление рисками, MQL4.
Список литературы:
- Salkar T., Shinde A., Tamhankar N., Bhagat N. Algorithmic Trading using Technical Indicators // 2021 International Conference on Communication information and Computing Technology (ICCICT). 2021. P. 1–6. doi: 10.1109/ICCICT50803.2021.9510135.
- Mirete-Ferrer P.M., Garcia-Garcia A., Baixauli-Soler J.S., Prats M.A. A Review on Machine Learning for Asset Management // Risks. 2022. Vol. 10, No. 4. doi: 10.3390/risks10040084.
- Patil B.V., Shaikh T., Hussain K., Dahiya S. Integrating Ensemble Machine Learning with Technical Indicators for Superior FX Volatility Prediction // 2024 International Conference on Intelligent Systems and Advanced Applications (ICISAA). 2024. P. 1–6. doi: 10.1109/ICISAA62385.2024.10828793.
- Aloysius J.A. Rational escalation of costs by playing a sequence of unfavorable gambles: the martingale // Journal of Economic Behavior and Organization. 2003. Vol. 51. P. 111–129.
- Lehoczky J., Schervish M. Overview and History of Statistics for Equity Markets // Annual Review of Statistics and Its Application. 2018. Vol. 5. P. 265–288. doi: 10.1146/annurev-statistics-031017-100518.
- Musiela M., Rutkowski M. Martingale Methods in Financial Modelling. Berlin: Springer, 2005. 513 p.
- Guo X., Lai T.L., Shek H., Wong S.P.-S. Quantitative Trading: Algorithms, Analytics, Data, Models, Optimization. 1st ed. Boca Raton: Chapman and Hall/CRC, 2017. 442 p. doi: 10.1201/9781315371580.
- Elder A. Come Into My Trading Room: A Complete Guide to Trading. Hoboken: Wiley, 2002. 320 p.
- Murphy J.J. Technical Analysis of the Financial Markets. New York: New York Institute of Finance, 1999. 576 p.
- Chourmouziadis K., Chourmouziadou D.K., Chatzoglou P.D. Embedding Four Medium-Term Technical Indicators to an Intelligent Stock Trading Fuzzy System for Predicting: A Portfolio Management Approach // Computational Economics. 2021. Vol. 57, No. 4. P. 1183–1216. doi: 10.1007/s10614-020-10016-2.
- Kharisma F.R., Khoirudin, Diartono D.A. Automated Forex Trading Using Exponential Moving Average Method // 2023 International Conference on Technology, Engineering, and Computing Applications (ICTECA). 2023. P. 1–5. doi: 10.1109/ICTECA60133.2023.10490520.
- Bin Ismail M.A.H., Bin Husin Z., Keong T.W., Bin Yasruddin M.L. Prediction of Expert Advisor Trading System Using An Artificial Intelligence System // 2022 IEEE IAS Global Conference on Emerging Technologies (GlobConET). 2022. P. 233–237. doi: 10.1109/GlobConET53749.2022.9872367.
- Hernes M., Korczak J., Krol D., Pondel M., Becker J. Multi-agent platform to support trading decisions in the FOREX market // Applied Intelligence. 2024. Vol. 54, No. 22. P. 11690–11708. doi: 10.1007/s10489-024-05770-x.
- Ielpo F., Merhy C., Simon G. Backtesting and Statistical Significance of Performance // In: Engineering Investment Process. Amsterdam: Elsevier. 2017. P. 259–296. doi: 10.1016/B978-1-78548-162-8.50004-9.
- Krauss C., Do X. A., Huck N. Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500 // European Journal of Operational Research. 2017. Vol. 259, No. 2. P. 689–702. doi: 10.1016/j.ejor.2016.10.031.
- Chong E., Han C., Park F.C. Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies // Expert Systems with Applications. 2017. Vol. 83. P. 187–205. doi: 10.1016/j.eswa.2017.04.030.
DOI 10.17586/2310-1172-2025-18-2-3-11