Trading Algorítmico MQL5
前往频道在 Telegram
Las mejores publicaciones de la mayor comunidad de tráders algorítmicos. Suscríbase para estar al día con las tecnologías más avanzadas y el desarrollo de programas de trading.
显示更多📈 Telegram 频道 Trading Algorítmico MQL5 的分析概览
频道 Trading Algorítmico MQL5 (@mql5es) 西班牙语 语言赛道中的 是活跃参与者。目前社区聚集了 45 558 名订阅者，在 加密货币 类别中位列第 2 526，并在 西班牙 地区排名第 1 865 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 45 558 名订阅者。
根据 21 九月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 1 149，过去 24 小时变化为 26，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 6.41%。内容发布后 24 小时内通常能获得 2.93% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 2 922 次浏览，首日通常累积 1 335 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 7。
- 主题关注点： 内容集中在 léelo, indicador, gráfico, señal, análisis 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“Las mejores publicaciones de la mayor comunidad de tráders algorítmicos.
Suscríbase para estar al día con las tecnologías más avanzadas y el desarrollo de programas de trading.”
凭借高频更新（最新数据采集于 22 九月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 加密货币 类别中的关键影响点。
45 558
订阅者
+2624 小时
+1567 天
+1 14930 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
九月 '26
九月 '26
+793
在0个频道中
八月 '26
+1 448
在0个频道中
Get PRO
七月 '26
+916
在0个频道中
Get PRO
六月 '26
+870
在0个频道中
Get PRO
五月 '26
+1 516
在0个频道中
Get PRO
四月 '26
+1 471
在0个频道中
Get PRO
三月 '26
+19 841
在0个频道中
Get PRO
二月 '26
+2 045
在2个频道中
Get PRO
一月 '26
+2 504
在0个频道中
Get PRO
十二月 '25
+1 739
在0个频道中
Get PRO
十一月 '25
+1 613
在0个频道中
Get PRO
十月 '25
+1 793
在0个频道中
Get PRO
九月 '25
+1 525
在0个频道中
Get PRO
八月 '25
+1 460
在0个频道中
Get PRO
七月 '25
+1 656
在0个频道中
Get PRO
六月 '25
+1 274
在0个频道中
Get PRO
五月 '25
+1 552
在0个频道中
Get PRO
四月 '25
+2 110
在0个频道中
Get PRO
三月 '25
+1 844
在0个频道中
Get PRO
二月 '25
+1 535
在0个频道中
Get PRO
一月 '25
+1 826
在0个频道中
Get PRO
十二月 '24
+1 739
在0个频道中
Get PRO
十一月 '24
+2 409
在0个频道中
Get PRO
十月 '24
+2 360
在0个频道中
Get PRO
九月 '24
+7 122
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 22 九月 | +24 | |||
| 21 九月 | +33 | |||
| 20 九月 | +1 | |||
| 19 九月 | +14 | |||
| 18 九月 | +33 | |||
| 17 九月 | +52 | |||
| 16 九月 | +63 | |||
| 15 九月 | +25 | |||
| 14 九月 | +42 | |||
| 13 九月 | +26 | |||
| 12 九月 | +31 | |||
| 11 九月 | +39 | |||
| 10 九月 | +51 | |||
| 09 九月 | +22 | |||
| 08 九月 | +58 | |||
| 07 九月 | +34 | |||
| 06 九月 | +20 | |||
| 05 九月 | +7 | |||
| 04 九月 | +54 | |||
| 03 九月 | +28 | |||
| 02 九月 | +74 | |||
| 01 九月 | +62 |
频道帖子
El artículo muestra cómo aprovechar los indicadores técnicos internos de MetaTrader 5 para evitar programar cálculos desde cero. Como ejemplo, implementa una media móvil con iMA: se crea un “handle”, se define un buffer de salida y en OnCalculate se copian los valores ya calculados por la plataforma con CopyBuffer.
Se explica cómo parametrizar símbolo y marco temporal para calcular con datos de otro activo o timeframe, útil en análisis multi‑timeframe y estrategias algorítmicas.
También destaca buenas prácticas: verificar errores al crear el handle y liberarlo en OnDeinit para no consumir recursos. Finalmente, ajustando CopyBuffer se logra una media “tipo gusano” que solo dibuja las últimas N barras, reduciendo ruido visual, y se añaden inputs para cambiar período, tipo de media y precio sin recompilar.
👉 Léelo | Cotizaciones | @mql5es
| 2 |  Una neurona simple puede ajustar AND, NAND, OR y NOR, pero falla en XOR/NXOR por no ser separables linealmente. El caso sirve para mostrar límites reales del perceptrón sin recurrir a ejemplos financieros.
La vía práctica es componer XOR con puertas que la neurona ya representa. Una implementación típica usa NOR y AND, alimentando sus salidas a otra NOR. Con esa reducción, el objetivo pasa a entrenar parámetros para NOR y AND y luego cablearlos en código.
En la parte de programación, la “neurona” se convierte en un contenedor de varias puertas: pesos y sesgos por puerta, entrenamiento por tabla de verdad para NOR y AND, y validación de XOR mediante la composición, sin entrenar directamente con la tabla XOR.
👉 Léelo | VPS | @mql5es | 769 |
| 3 |  El artículo completa una lista doblemente enlazada en MQL5 basada en sobrecarga de operadores, añadiendo lo que faltaba para ser realmente utilizable: destructor, lectura sin destruir la estructura, acceso por índice y borrado seguro.
Se introduce un destructor para liberar memoria automáticamente y evitar alertas al finalizar el objeto, separando la lectura secuencial (que puede consumir nodos) del acceso aleatorio, que permite inspeccionar y modificar elementos sin eliminarlos.
Para simplificar el borrado, se reorganiza el diseño: una clase gestiona la lista y otra crea nodos, reduciendo el ajuste manual de punteros. Luego se implementa la eliminación, corrigiendo fallos típicos al borrar extremos (cabeza/cola).
El cierre explora un enfoque tipo C/C++: reutilizar el operador [] para que asignar NULL a una posición se interprete como “eliminar ese nodo”, integrando control de memo...
👉 Léelo | Guía de algotrading | @mql5es | 907 |
| 4 |  El Dingo Optimization Algorithm (DOA) fue propuesto en 2021 por Peraza-Vázquez y colaboradores y publicado en Mathematical Problems in Engineering (DOI: 10.1155/2021/9107547). Es un metaheurístico poblacional orientado a equilibrio entre exploration y exploitation.
DOA modela tres operadores: ataque en grupo, persecución y búsqueda de carroña, más un procedimiento de supervivencia que reubica soluciones con baja aptitud. La selección se controla con dos probabilidades: P decide entre caza y carroña; Q decide entre ataque en grupo y persecución.
La implementación descrita organiza una clase C_AO_DOA_dingo con parámetros popSize, P y Q, y un ciclo Moving/Revision. Incluye arrays de supervivencia y de participantes de ataque, y métodos privados para tasas de supervivencia, GroupAttack, Persecution, Scavenger y SurvivalProcedure.
👉 Léelo | VPS | @mql5es | 947 |
| 5 |  La predicción en redes espaciotemporales afecta tanto a transporte inteligente como a mercados financieros: nodos, aristas y señales (tráfico vs. precios, volumen y liquidez) comparten estructura y objetivos de forecasting.
Los enfoques clásicos separan espacio y tiempo, elevan la complejidad y reducen el horizonte. En self-attention aparecen costes tipo O(NT^2 + TN^2), difíciles de sostener con flujos y latencia reales.
Extralonger propone una Unified Spatial-Temporal Representation: cada paso temporal incorpora todos los nodos y cada nodo resume todo el historial. La complejidad baja a O(T^2 + N^2), con mejoras fuertes en memoria y entrenamiento, habilitando horizontes largos.
La arquitectura combina embeddings con ruido entrenable, periodicidad (día/semana) y un Transformer de tres rutas. El módulo Global-Local Spatial Transformer mezcla atención global y local vía matriz de ady...
👉 Léelo | Documentación | @mql5es | 991 |
| 6 |  El arbitraje en Forex se basa en ciclos de conversión (p. ej., USD→EUR→GBP→USD) rentables tras spreads y comisiones, con requisito de exposición neta cero por divisa. En mercados eficientes, estas ventanas son raras y de corta duración, lo que obliga a automatización y baja latencia.
Una implementación práctica puede modelarse como grafo dirigido: divisas como vértices y pares como aristas, con peso 1/ask en compras y bid en ventas. La detección combina Floyd‑Warshall adaptado a maximizar productos y un DFS con límites de profundidad y exclusión de símbolos repetidos.
La arquitectura típica separa construcción del grafo, búsqueda, balanceo de lotes según restricciones del bróker, ejecución con contingencias y gestión de riesgo con promediado y cierres de emergencia.
👉 Léelo | Market | @mql5es | 945 |
| 7 |  Flujo MT5→Python ampliado desde la ingesta a entrenamiento y despliegue en tiempo real. Los históricos se guardan en disco y pasan a un pipeline de ingeniería de variables y ajuste de modelos por símbolo, con serialización y caché.
El EA MQL5 queda como capa de ejecución: captura velas, construye JSON, envía POST y actúa sobre señales COMPRAR/VENDER/CERRAR/ESPERAR. Incluye control por nueva barra, limitación por intervalo, reintentos, limpieza de objetos gráficos y gestión de órdenes vía CTrade.
En Python, Flask expone /upload_history y /predict. upload_history parsea fragmentos JSON, calcula indicadores técnicos, etiqueta y persiste el dataset; /predict carga modelos joblib desde caché y responde en milisegundos. El entrenamiento puede usar scikit-learn o deep learning según el formato de features.
👉 Léelo | VPS | @mql5es | 908 |
| 8 |  SessionORB_EA automatiza una estrategia de ruptura del rango de apertura. Calcula el máximo y mínimo durante los primeros N minutos desde la hora de sesión configurada (Londres, NY o personalizada en horario del bróker) usando datos M1, y proyecta niveles de activación con un buffer.
La entrada se ejecuta solo cuando una vela cierra por encima o por debajo del disparador. Se abre una única operación por sesión, con tamaño calculado por % de riesgo o lote fijo. El stop se coloca al lado opuesto del rango con margen adicional, y el take profit se define por ratio recompensa/riesgo.
La confirmación depende del periodo del gráfico donde corre el EA, pero el rango siempre se mide en M1. El sistema limita operaciones por sesión, respeta una ventana de trading tras el cierre del rango y reconstruye los objetos al inicio de la siguiente sesión.
Parámetros clave: hora/minuto de sesión, dura...
👉 Léelo | Cotizaciones | @mql5es | 927 |
| 9 |  Reverse RSI Bands aplica una deducción algebraica a la fórmula recursiva de suavizado de Wilder para convertir objetivos de RSI en niveles de precio exactos sobre el gráfico principal. En lugar de mostrar un oscilador en subventana, calcula a qué precio el RSI alcanzaría los umbrales configurados de sobrecompra y sobreventa.
El cálculo usa el estado verificado de la barra anterior para obtener el precio requerido en la barra actual, con el objetivo de evitar repintado y mantener coherencia con el RSI estándar de la plataforma. Parámetros: período (14), sobrecompra (70), sobreventa (30) y precio aplicado (cierre).
Uso operativo: monitorizar contacto o ruptura de bandas (superior carmesí, inferior verde) para zonas dinámicas de soporte/resistencia y colocación de órdenes limitadas. Recomendado en EURUSD/GBPUSD, H1 y H4. Proyecto basado en referencias históricas y una implementación MQ...
👉 Léelo | Freelance | @mql5es | 1 123 |
| 10 |  El artículo explica cómo usar un perceptrón (red neuronal básica con aprendizaje supervisado) para pronóstico de precios en Forex, ajustando pesos con históricos y alternando entre entrenamiento y predicción. Su valor está en la adaptabilidad y en integrar múltiples factores, pero exige datos representativos y control de sensibilidad a outliers.
Se detallan riesgos típicos: sobreentrenamiento y degradación al cambiar el régimen de mercado. Para mitigarlos se proponen regularización L1/L2, actualización periódica y combinar el perceptrón con modelos clásicos como ARIMA o suavizado exponencial según horizonte temporal.
Desde el lado práctico en MT5, se enfatiza la optimización de hiperparámetros (capas, neuronas, activación, tasa de aprendizaje, lote, inicialización y optimizador) y el filtrado de indicadores para evitar redundancia. Incluye un EA ejemplo que usa distancias entre dos ...
👉 Léelo | Manual sobre redes neuronales | @mql5es | 1 934 |
| 11 |  Round Trip Cost Reconciler es una utilidad gratuita para MT5, de solo lectura, orientada a operadores y desarrolladores que requieren conciliación y no solo exportar el historial en bruto. Genera dos CSV: uno con operaciones filtradas y otro que agrupa compras y ventas por DEAL_POSITION_ID.
Las ejecuciones parciales se consolidan en precios de entrada y salida ponderados por volumen. Comisiones, swaps y tasas del bróker se reportan por separado del resultado bruto. Incluye IDs de deal/orden/posición, símbolo, magic, dirección, tipo de entrada, hora, precio, volumen y métricas de ciclo.
Clasifica el estado como COMPLETO, ABIERTO_O_INCOMPLETO, EXCESS_EXIT o COMPLEX_REVERSAL. Permite configurar días de historial, ámbito de símbolos, filtro por magic, nombres de archivo, carpeta común y delimitador. No usa DLL, WebRequest ni servicios externos; solo lee historial y escribe CSV locales.
👉 Léelo | Guía de algotrading | @mql5es | 1 623 |
| 12 |  Disponible un script para MT5 que inspecciona los horarios reales de sesiones semanales entregados por el bróker conectado. No usa plantillas fijas para Londres, Nueva York u otras plazas.
Puede ejecutarse sobre el símbolo del gráfico, una lista separada por comas o todos los visibles en Market Watch. Por símbolo, enumera sesiones vía SymbolInfoSessionTrade, valida si la hora del servidor cae dentro de una sesión, calcula la próxima transición de apertura/cierre e informa el modo de negociación y el estado de sincronización. Las sesiones que cruzan medianoche se marcan (+1d). Si no hay datos, devuelve SCHEDULE_UNAVAILABLE.
Opcionalmente exporta una instantánea CSV con marca de tiempo en Common Files. Incluye entradas para alcance, lista personalizada, exportación, prefijo y límite de sesiones. Es diagnóstico; no gestiona operaciones ni genera señales.
👉 Léelo | Señales | @mql5es | 1 586 |
| 13 |  La gestión de capital define reglas para dimensionar posiciones con el objetivo de controlar riesgo y estabilizar el rendimiento. Requiere una estrategia con stop-loss/take-profit y esperanza matemática positiva, estimada con p, SL y TP.
El crecimiento lineal usa lote fijo y estima L a partir del histórico, con variantes que incorporan un parámetro R para modular el riesgo. El crecimiento exponencial se implementa con porcentaje fijo y deriva el riesgo de la propia formulación. El crecimiento hiperbólico necesita búsqueda numérica del lote y suele implicar riesgo elevado.
En una prueba EURUSD H1 (2021-2022, 10.000, 509 trades), MinLot cerró con +466. Lin/Exp/Hyp mejoraron el net profit con cambios en profit factor y drawdowns, destacando que el parámetro de riesgo altera de forma material la curva de balance.
👉 Léelo | Foro | @mql5es | 2 030 |
| 14 |  Broker Execution Diagnostics MT5 es un script de solo lectura orientado a diagnosticar parámetros de símbolos que suelen causar volúmenes no válidos, niveles stop incorrectos y cálculos de riesgo inconsistentes en MT5.
El informe incluye dígitos, punto, tamaño y valor de tick, spread actual en puntos, límites de volumen (mínimo, máximo e incrementos) y un resultado de normalización conservadora para el volumen solicitado. También muestra nivel de stop y nivel de congelación, en puntos y distancia de precio, además de los modos de operación y ejecución.
De forma opcional, valida la distancia entre precio de entrada y Stop-Loss y estima OrderCalcProfit en la divisa de la cuenta. Entradas: InpRequestedVolume, InpEntryPrice, InpStopLossPrice, InpShowOnChart.
Uso: compilar en MetaEditor, asignar al símbolo y revisar el registro de expertos o el comentario en el gráfico. No envía, modifi...
👉 Léelo | Documentación | @mql5es | 1 816 |
| 15 |  Un detector de inversión por barrido de sesión formaliza un patrón intradía frecuente: el precio supera el máximo o mínimo de una sesión cerrada, activa liquidez en ese extremo y vuelve a cerrar dentro del rango en pocas velas. La lectura suele ser agotamiento a corto plazo, no ruptura.
El sistema dibuja máximos y mínimos de la sesión en tiempo real y los “congela” al cierre, extendiéndolos como niveles de referencia. Un barrido solo se valida si la penetración excede un buffer configurable (SweepBufferPips) y el cierre regresa al rango dentro de un límite de barras (ReversalBars). Si no hay retorno a tiempo, se descarta la señal.
Señales: barrido alcista tras barrer el mínimo y cerrar de vuelta arriba; barrido bajista tras barrer el máximo y cerrar por debajo. Uso típico en M5–M30, con sesiones Londres/Nueva York; las flechas se tratan como filtro para buscar confirmación adicional.
👉 Léelo | CodeBase | @mql5es | 1 827 |
| 16 |  Muchos EAs en Forex siguen basándose en reglas de indicadores antiguos, ignorando tres problemas clave: relación señal/ruido muy baja, dependencias de largo plazo y no estacionariedad. El artículo prueba N-BEATS como alternativa para modelar series temporales descomponiendo tendencia, estacionalidad y residuo, con bloques residuales más interpretables y cómputo paralelo.
La implementación en MetaTrader 5 se construye desde cero: matrices con gradientes, activación SiLU con derivada estable, optimizador Adam, entradas multivariantes, normalización robusta (mediana y MAD), recorte de outliers y detección de anomalías.
En trading se prioriza incertidumbre: pronóstico por cuantiles, pérdidas cuantílicas, Focal Loss para eventos raros y stop-loss adaptativo. Se añade histéresis de señales, caché para OnTick(), entrenamiento continuo, perfilado, gestión de memoria y monitorización con det...
👉 Léelo | Foro | @mql5es | 2 621 |
| 17 |  Actualización de una librería de controles en MQL5 para conectar Modelo y Vista en un TableView bajo MVC. El objetivo es unificar datos tabulares y renderizado en un único control compuesto por panel base, encabezado con botones, contenedor con scroll, panel de filas y paneles de celdas.
Se refactoriza Base.mqh para soportar dibujo en lienzos ajenos. CBound incorpora puntero al control; se crea CBoundedObj para alojar límites y propiedad de lienzos; CCanvasBase pasa a usar punteros a CCanvas y un flag de ownership para evitar liberaciones indebidas. Se ajustan macros, enums y métodos virtuales.
En Controls.mqh se añaden alturas por defecto, se renombra CListObj a CListElm por colisión, se amplía la factoría de elementos, y CPanel/Container coordinan resize con CheckElementSizes() para recorte y aparición de scrollbars. La celda Vista se modela como objeto sin lienzos propios, dibuja...
👉 Léelo | VPS | @mql5es | 2 284 |
| 18 |  Pipeline para transformar histórico de MetaTrader 5 en señales en tiempo real con ML, con foco en ingesta reproducible y control de límites.
En MQL5, un script divide barras en fragmentos JSON, ajusta el tamaño para mantenerse por debajo de 14 MiB, y envía por WebRequest con POST, reintentos y registro de rangos, tamaños y estados HTTP. La carga es independiente del gráfico y del timeframe al usar parámetros consistentes.
En Python, una API Flask recibe /upload_history, valida, convierte a pandas y persiste en Parquet. El preprocesamiento elimina duplicados y normaliza timestamps.
La ingeniería de características unifica OHLC con MACD/RSI/ATR, pendientes con Kalman y deltas de Prophet. El backend entrena modelos bajo demanda, cachea Prophet por símbolo y usa fallback global cuando falta historial.
👉 Léelo | Freelance | @mql5es | 1 927 |
| 19 |  Las series temporales multivariantes combinan dependencia temporal y correlación entre activos, con relaciones que cambian por shocks macro, política monetaria o eventos industriales. En carteras grandes, ARIMA/VAR y modelos secuenciales suelen perder capacidad para representar correlaciones dinámicas.
Las GNN adaptativas aprenden el grafo desde datos, pero escalan mal con matrices N×N y tienden a introducir conexiones débiles. SAGDFN aborda el problema con difusión en grafos y dispersidad espacial: selecciona nodos y vecinos significativos para construir una matriz N×M, reduciendo complejidad de N² a MN y consumo de memoria.
El framework usa Significant Neighbors Sampling y atención espacial dispersa multicabeza. La normalización con α-Entmax fuerza atención realmente dispersa, eliminando pesos marginales. El entrenamiento conjunto optimiza embeddings, atención y adyacencia con pér...
👉 Léelo | Guía de algotrading | @mql5es | 1 802 |
| 20 |  Un panel de rangos automatiza el cálculo y trazado de máximos y mínimos a partir de una retrospectiva configurable. El estado del mercado queda visible en tiempo real: precio dentro del rango para escenarios de reversión, o ruptura confirmada para operativa direccional. Las líneas y etiquetas opcionales se muestran sobre el gráfico para reducir consultas al panel.
Incluye parámetros operativos claros: ID por instancia para ejecutar varias copias, barras de retrospectiva, búfer de confirmación en puntos para filtrar ruido, e intervalo de actualización por temporizador para evitar carga en cada tick. También ofrece ajustes de tema, tamaño, autoescalado, anclaje y desplazamientos, además de estilo y grosor de líneas.
Uso típico: trading de rango con rechazo en extremos y stop fuera del nivel, entrada en ruptura tras confirmación con stop dentro del rango roto, ORB con 10–15 barras al i...
👉 Léelo | Señales | @mql5es | 1 479 |
