Bot de trading — MQL5 ou Python? Uma comparação honesta e a solução híbrida

Escolher uma linguagem para automatizar uma estratégia de forex raramente se resume à elegância da sintaxe. Resume-se à rapidez com que o bot chega a uma conta real e ao conforto com que ele vive ali pelos anos seguintes. MQL5 lhe dá isso de imediato, dentro da plataforma que a maioria das corretoras de varejo já oferece. Python custa algumas horas de configuração, mas em troca entrega todo o ecossistema de análise de dados, aprendizado de máquina e trabalho com múltiplas corretoras a partir de um único script. A escolha depende do que você realmente quer construir amanhã, não de qual linguagem é "melhor" no abstrato.

O que estamos de fato comparando

MQL5 é a linguagem embutida no MetaTrader 5 pela MetaQuotes, projetada especificamente para escrever Expert Advisors e indicadores personalizados. Python é uma linguagem de propósito geral que você traz para o trading através de um pacote externo — na maioria das vezes o módulo oficial `MetaTrader5` da MetaQuotes, ou a biblioteca de API de outra corretora. A comparação só faz sentido no contexto do que o bot precisa fazer. Se uma estratégia clássica de tendência ou rompimento precisa rodar em uma conta MT5 e abrir um punhado de operações por dia, MQL5 é o caminho mais curto até um resultado. Se o sinal depende de um modelo estatístico, dados macro, várias corretoras ou um mercado fora da MetaQuotes, o ecossistema do Python torna-se difícil de substituir. O contexto mais amplo está no nosso guia de primeiros passos na prática de trading automatizado, e a mecânica dos EAs vive na seção de plataformas de negociação.

Onde o MQL5 vence sem alarde

A maior vantagem isolada do MQL5 é prosaica e muitas vezes subestimada: a conexão com a corretora é gratuita. Você solta o arquivo do EA na pasta do MetaEditor, compila para `.ex5`, anexa a um gráfico e o bot negocia — sem camada de execução, sem autenticação de API, sem encanamento REST. O maduro Strategy Tester, com seu modo "cada tick baseado em ticks reais", reproduz o histórico de ticks da sua corretora ao longo de vários anos usando os spreads e comissões reais inscritos na especificação do símbolo. A comunidade MQL5.com publica milhares de indicadores e bibliotecas, então copiar um esqueleto de cruzamento de médias móveis ou um módulo de gerenciamento de risco leva minutos em vez de dias. O terminal vem com um depurador embutido, um profiler e um otimizador distribuído que usa a nuvem — nada disso exige instalações extras. Um bom ponto de partida para quem está começando são os conceitos fundamentais de trading, ao lado do passo a passo prático de backtesting no MT4 e no MT5.

Onde o Python justifica sua complexidade

A primeira vantagem são os dados. `pandas`, `numpy` e `statsmodels` são o padrão científico para séries temporais, regressão e teste estatístico — em MQL5 o mesmo cálculo vive dentro de um laço escrito à mão, uma ordem de grandeza mais lento e com mais espaço para erros aritméticos. A segunda é o aprendizado de máquina. Se um sinal precisa de uma random forest, gradient boosting ou uma pequena rede neural, `scikit-learn` e `TensorFlow` resolvem em algumas dezenas de linhas; o MQL5 simplesmente não carrega essa pilha nativamente. A terceira é o backtesting. O teste vetorizado no `vectorbt` de Oleg Polakov, ou o teste orientado a eventos no `backtrader` de Daniel Rodriguez, varre centenas de combinações de parâmetros no tempo que o Strategy Tester precisa para duas rodadas. A quarta é a abstração da corretora. Se você coloca uma fina camada de execução à frente da sua estratégia, o mesmo script consegue conversar com o MT5, com a Interactive Brokers via `ib_insync` e com casas de cripto via `ccxt`. O laço de pesquisa mais amplo e a pilha completa vivem na nossa seção de estratégias de trading.

A solução híbrida em que a maioria dos traders sérios de varejo se acomoda

Na prática, uma terceira opção acaba sendo a mais pragmática, e a menos óbvia a partir do marketing de qualquer um dos lados. Pesquisa, dados históricos e trabalho estatístico migram para o Python; a execução permanece dentro do MT5. A ponte é o pacote oficial `MetaTrader5` da MetaQuotes — instalado via `pip`, seu script se conecta ao terminal em execução, puxa barras e ticks da mesma qualidade que o EA enxerga, e envia ordens através de `order_send` e `position_close`. O ecossistema científico roda em Python enquanto a plataforma amigável à corretora e sua fazenda de VPS permanecem dentro da MetaQuotes. A alternativa, se você prefere não misturar duas camadas em tempo real, é fazer toda a pesquisa em Python e reescrever as regras validadas em MQL5 para a implantação. A escolha entre os dois modos depende de o sinal ao vivo precisar das bibliotecas do Python durante a sessão, ou apenas na fase de projeto.

"Python tornou-se uma poderosa linguagem de programação e um ecossistema para a indústria financeira — de tudo, desde analisar dados financeiros até o trading algorítmico e o gerenciamento de risco." — Yves Hilpisch, 2018

Um exemplo trabalhado — o mesmo rompimento escrito nas duas linguagens

Imagine um rompimento na abertura de Londres no EUR/USD: na primeira hora da sessão de Londres você compra quando o preço imprime acima da máxima da hora asiática anterior, vende no rompimento da mínima dela, o stop fica no ATR de vinte períodos e o take profit ao dobro do stop. Em MQL5 você escreve uma classe `CExpertAdvisor`, duas funções auxiliares para o intervalo asiático e uma única chamada `OrderSend`. O conjunto cabe em um arquivo `.mq5` de aproximadamente 250 linhas, boa parte das quais é tratamento de erros. A implantação leva cinco minutos: compilar, arrastar para o gráfico, ligar o `AutoTrading`. Em Python a mesma ideia parece diferente. Você importa `MetaTrader5`, carrega as barras em `pandas`, calcula o ATR e os níveis de rompimento em uma expressão vetorizada, e então solta a execução em um laço que consulta um novo tick a cada poucos segundos. O arquivo tem comprimento parecido, mas você também paga pelo tratamento de exceções de rede e mantém um olho nas quedas de conexão entre o Python e o terminal. Em troca você ganha um backtest gratuito no `vectorbt` sobre cinco anos de histórico — em MQL5 a mesma varredura pode levar dezenas de minutos dentro do Strategy Tester. Cada número neste exemplo é ilustrativo.

Um veredito honesto

Para um trader de varejo que roda estratégias clássicas em uma única conta MT5, com um ou dois instrumentos, MQL5 é o caminho mais curto até um resultado. Um primeiro bot escrito em MQL5 do zero chega a uma conta demo mais rápido do que um ambiente Python recém-instalado se configura num laptop novo. Para quem busca métodos estatísticos, modelos de aprendizado de máquina, fontes de dados fora da MetaQuotes ou múltiplas contas de corretoras, Python vence no longo prazo — mesmo quando as primeiras semanas parecem menos espetaculares. A solução híbrida Python mais MT5 é o padrão de trabalho para traders com um ou dois anos de prática em qualquer um dos lados, que querem pesquisa honesta sem abandonar a plataforma na qual sua conta real já roda. A pior decisão é escolher uma linguagem com base na força de um tutorial assistido pela manhã; as diferenças são reais, mas pertencem ao objetivo, não à linguagem em si. O ofício mais amplo está no workshop do trader na ForexMechanics.

O que fazer agora

1. Escreva três frases sobre a estratégia que você de fato quer automatizar — entrada, saída, gestão da posição — e então responda a uma pergunta com honestidade: o sinal precisa de algo além das cotações da corretora (um modelo estatístico, dados macro, um sinal de outro mercado)? Se a resposta for não, comece em MQL5. Se for sim, comece em Python, mesmo que a primeira semana pareça mais lenta do que o MetaEditor.
2. Instale o MetaEditor com a plataforma MT5 de qualquer corretora de varejo, além do Python 3.11 com os pacotes `MetaTrader5`, `pandas` e `backtrader`, e escreva o mesmo esqueleto mínimo nos dois ambientes: um EA em MQL5 que abre uma compra a mercado de 0,01 lote e a fecha após dois minutos, e um script Python fazendo a mesma coisa através de `order_send`. Esse exercício leva uma noite e revela a diferença real de sensação mais rápido do que dez horas de leitura de documentação.
3. Rode o Strategy Tester no modo "cada tick baseado em ticks reais" sobre o seu próprio EA ao longo de dois anos de histórico, e compare o relatório com a mesma ideia reescrita em forma vetorizada no `vectorbt`. A diferença entre os dois relatórios lhe diz quanto a sua estratégia de fato perde para o spread real da corretora, e quanto era uma aproximação simpática na versão vetorizada — os dados de que você precisa para decidir qual plataforma segura a conta real.
4. Se você decidir pela híbrida, reserve um fim de semana para conectar o pacote `MetaTrader5` como a única camada entre pesquisa e execução. O script Python gera o sinal, coloca a ordem através de `order_send` e registra cada passo em um arquivo CSV, enquanto um EA clássico em MQL5 fica em segundo plano como rede de segurança que fecha posições se o elo com o Python cair.
5. Depois de duas semanas de trabalho na variante escolhida, responda a duas perguntas com honestidade: quanto tempo foi para brigar com a linguagem, e quanto foi para de fato melhorar a estratégia. Se a proporção pender mais de dois para um a favor de lutar com as ferramentas, a escolha está errada para o seu estágio atual e é mais saudável recuar para uma pilha mais simples do que insistir numa pilha que não serve à pesquisa.