Skip to content

README.md

Latest commit

 

History

History
189 lines (140 loc) · 9.7 KB

README.md

File metadata and controls

189 lines (140 loc) · 9.7 KB
Raw

Bayesian Adaptive Moving Average — MT5

Média móvel adaptativa de nível institucional para MetaTrader 5, dirigida por inferência Bayesiana sobre 6 evidências de mercado, com banda de incerteza σ-driven, fusão multi-timeframe via prior Bayesiano e suavização Kalman-style adaptativa por convicção.

Language: MQL5 Platform: MT5 Version Standalone License: MIT

Sobre

Bayesian Adaptive Moving Average é a evolução institucional da minha abordagem Bayesiana para Smart Money Concepts: em vez de só plotar setas e zonas, o motor agora vira média móvel — uma linha contínua que se desloca em função da convicção do mecanismo Bayesiano e cuja banda de incerteza ao redor representa diretamente o desvio padrão da posterior Bernoulli P(BUY) calculada barra a barra.

A linha é adaptativa: quando o motor está confiante (P perto de 0 ou 1), ela se torna responsiva e segue o preço de perto. Quando o motor está indeciso (P perto de 0.5), ela suaviza e fica estável — eliminando praticamente todo whipsaw em mercado lateralizado.

Capturas de tela

Bayesian Adaptive MA plotado em USDJPY H4 — banda de incerteza σ-driven, regime colorido por convicção e painel Bayesiano

Indicador rodando em USDJPY H4. A nuvem verde-clara é a banda σ (largura proporcional à incerteza), a linha colorida é a média Bayesiana adaptativa (azul = neutro, verde = bias buy, vermelho = bias sell, dourado = transição), a linha cinza pontilhada é a EMA base. As barras coloridas no fundo do gráfico mostram regime de mercado calculado bar-a-bar. Painel superior mostra P(BUY), σ-band em pontos, MTF prior e idade do último flip.

Recursos — 5 elevações de qualidade vs. v1

1. Banda Bayesiana de Incerteza (σ-driven cloud)

Cada barra produz uma posterior Bernoulli P(BUY) ∈ [0,1] com desvio σ = √(P·(1−P)). A banda de cloud em volta da linha tem largura σ · ATR · BandWidth — colapsa quando o motor está confiante (P→0 ou 1) e se expande no centro (P=0.5). É a visualização direta da convicção do motor por barra.

2. MTF Bayesian Fusion (higher-TF prior em log-odds)

Usa o Trend evidence em uma TF maior (default H4) como prior Bayesiano, somando ao logit local com peso configurável. A álgebra de log-odds é a forma canônica de combinar duas fontes independentes de evidência — cada barra do TF do gráfico consulta o bar correspondente da MTF via iBarShift().

3. Adaptive Smoothing (Kalman-style com gain bias-driven)

$$\alpha_t = \alpha_{\min} + (\alpha_{\max} - \alpha_{\min}) \cdot |\text{bias}_t|^2$$

Quando o motor está em sinal forte (|bias|≈1), α se aproxima de α_max → linha responsiva. Quando indeciso (|bias|≈0), α cai para α_min → linha estável. Resultado: zero whipsaw em chop, máxima reatividade em tendência.

4. Structure com fractais reais + BoS

A v1 usava close[i] − close[i−K] como proxy. Agora detectamos swing highs/lows via fractais N-bar e medimos BoS local (close atual rompendo o último swing) com peso decaindo exponencialmente em barras desde o break. Posição relativa do close ao mid do range entre swings também contribui.

5. Painel + alertas

Painel compacto com bias%, P(BUY), confiança, MTF prior, σ-band em pontos e idade do último flip. Alertas opcionais em flip de viés e cruzamento preço × linha — anti-spam por barra.

Robustez de implementação

  • 13 validações de input em OnInit
  • 7 handles (chart: EMA fast/slow, RSI, ATR, VolMA + MTF: EMA fast/slow), todos checados e liberados em OnDeinit
  • CopyBuffer com ResetLastError + GetLastError em todos
  • BarsCalculated() conferido antes de copiar
  • Recompute incremental: prev_calculated → recalcula só novas barras
  • EMPTY_VALUE explícito em warmup; sem linha-fantasma à esquerda
  • Anti-spam de alertas: 1 por barra fechada, gate em time[]
  • Painel limpo seletivo em OnDeinit (preserva em PARAMETERS/CHARTCHANGE)

Instalação

  1. Faça download do arquivo BayesianSMC_MA.mq5.
  2. No MetaTrader 5, abra Arquivo → Abrir Pasta de Dados.
  3. Copie o arquivo .mq5 para MQL5/Indicators/.
  4. Na janela Navegador do MT5, clique direito em Indicadores → Atualizar.
  5. Arraste BayesianSMC_MA para o gráfico desejado.

Compilação: se o indicador não aparecer compilado, abra-o no MetaEditor (F4 no MT5) e pressione F7 para compilar.

Parâmetros principais

Engine

Parâmetro Default Descrição
InpEMAFast 20 EMA rápida (linha base)
InpEMASlow 50 EMA lenta (Trend evidence)
InpRSIPeriod 14 Período do RSI
InpATRPeriod 14 Período do ATR
InpVolumeMA 20 MA do volume
InpStructureLookback 60 Barras para buscar fractais
InpFractalDepth 2 Profundidade do fractal (clássico = 2)
InpLiqLookback 10 Barras para sweep detection

MTF Bayesian Prior

Parâmetro Default Descrição
InpMTFPeriod H4 Timeframe maior (PERIOD_CURRENT desliga MTF)
InpMTFWeight 0.6 Peso do MTF prior na fusão

Pesos Bayesianos

Evidência Peso default
Trend (EMA fast vs slow) 1.0
Momentum (RSI) 1.0
Structure (BoS via fractais) 1.3
Imbalance (FVG) 1.1
Liquidity (sweeps) 1.2
Volume 0.8

Linha + Banda + Smoothing

Parâmetro Default Descrição
InpDisplacement 1.0 Multiplicador ATR para bias
InpBandWidth 1.5 Multiplicador ATR para banda σ
InpAlphaMin 0.10 Smoothing baseline (incerto)
InpAlphaMax 0.55 Smoothing máximo (motor confiante)
InpNeutralThreshold 0.15 Threshold do bias considerado neutro

Como funciona

Preço + Volume + Tempo
        │
        ▼
┌─────────────────────────────────────┐
│ Extrai 6 evidências por barra       │
│   Trend, Momentum, Structure,       │
│   Imbalance, Liquidity, Volume      │
└─────────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────────┐
│ Cada evidência → log-likelihood     │
│ Soma ponderada → logit local        │
└─────────────────────────────────────┘
        │
        ▼ (se MTF ligado)
┌─────────────────────────────────────┐
│ MTF prior (Trend em H4) + logit     │
│   logit_total = local + w · prior   │
└─────────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────────┐
│ Sigmoid → P(BUY)                    │
│ bias = 2·P − 1 ∈ [−1, +1]           │
└─────────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────────┐
│ α_t = α_min + (α_max−α_min)·|bias|² │
│ MA_t = α_t · MA_input + (1−α_t)·    │
│        MA_{t-1}                     │
└─────────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────────┐
│ σ = sqrt(P·(1−P))                   │
│ Banda = MA ± σ · ATR · BandWidth    │
└─────────────────────────────────────┘

Por que MTF prior em log-odds?

O grande problema de combinar sinais de timeframes diferentes é que eles têm escalas e correlações diferentes — somar um RSI de M15 com um RSI de H4 distorce. A álgebra de log-odds resolve isso de forma elegante:

$$\text{logit}_{\text{total}} = \text{logit}_{\text{local}} + w \cdot \text{logit}_{\text{MTF}}$$

Como logit = log(P/(1−P)), somar logits é equivalente a multiplicar likelihoods independentes — exatamente o que o teorema de Bayes prescreve para combinar duas fontes de evidência. Aplicando o sigmoid no final, recuperamos uma probabilidade calibrada que respeita ambas as fontes.

Aviso

Este indicador foi desenvolvido para fins educacionais e de estudo. Não constitui recomendação de investimento e não garante resultados financeiros. Operações no mercado financeiro envolvem risco de perda. Use em conta demo antes de qualquer aplicação em conta real, e nunca arrisque mais do que pode perder.

Licença

Distribuído sob a Licença MIT.

Autor

Hugo Pereira de Sousa

Estudante de Ciência de Dados e Inteligência Artificial — IESB (Brasília-DF). Foco em análise de dados, IA aplicada e indicadores quantitativos para mercado financeiro.