Finalmente una verdadera red neuronal de EA gratis - Algo Nuevo Miembro Comercial Registrado Sep 2008 Mensajes 911 Hola a todos, Ya hace un tiempo. Por lo general no tomo esas largas pausas de participar en este foro, pero más de un año he estado trabajando en un proyecto muy intensivo y después de un año de pruebas hacia adelante Im aquí para compartirlo con todos ustedes. amigos de mensajería instantánea con muchos operadores profesionales y un grupo de nosotros se reunieron, combinan nuestra experiencia y crearon un sistema automatizado de redes neuronales para Metatrader que realmente funciona. Puesto que eran conscientes de que la mayoría de las AE son absolutamente inútil o peor, estafas, pensamos casarnos ser algo único que proporciona al comerciante minorista promedio de personas que realmente se puede confiar. Este grupo se llama Metaneural. Hemos utilizado las redes neuronales y las aplicó a las operaciones de cambio con éxito en el pasado y decidió traducir ese método en un sistema de Metatrader. Es ampliamente conocido que las empresas comerciales larget y fondos de cobertura utilizan sofisticada inteligencia artificial y los sistemas de red nueral sacar provecho de los mercados financieros con una precisión asombrosa. Pensamos, ¿por qué no puede ese poder también estar disponible para nosotros - los pequeños inversores de dinero Así que tomé un descanso de todas mis otras actividades y trabajé duro con Metaneural para desarrollar este sistema, que yo creo que es la única red neuronal EA VERDADERO. De hecho, incluso no tiene que ser un EA, el código puede ser escrito en C para trabajar exactamente de la misma manera en tradestation, eSignal, NeuroShell, o cualquier plataforma que permite la importación de DLL y la recolección de datos, debido a la creación de redes neuronales que ocurre en NeuroSolutions. He hecho los indicadores y los sistemas de comercio para la comunidad forexfactory durante años, así que quería dar a ustedes la única versión libre de la Metaneural EA en Internet. Quiero recibir sus comentarios e impresiones. Si este hilo va bien y tampoco se desvíe Ill extender el juicio. He tenido la diversión descifrar el mercado de divisas con las grandes mentes en este foro durante años y tengo el placer de dar la espalda. Las redes neuronales en las EA es el futuro, espero que ustedes pueden darse cuenta de esto y desarrollar sus propios sistemas. El primer paso en la creación de un cerebro de la red neural artificial es reunir los datos alrededor de la cual se forma la estructura del cerebro. Puesto que estamos tratando de crear un cerebro que se sabe cómo el comercio de los mercados a los que hay que reunir los datos del mercado. Sin embargo, no podemos simplemente recoger una masa de datos y lo descarga en nuestro motor neuronal para crear la estructura de nuestro cerebro. Debemos recopilar los datos en el formato que deseamos el cerebro para procesar esos datos y, finalmente, el mismo formato que queremos que generen una salida. En otras palabras, no sólo estaban diciendo que nuestro cerebro que pensar, dándole datos en bruto, pero hay que decirle cómo pensar, mediante la formulación de que los datos en bruto en una configuración intelligable. En este caso, nuestra configuración es inteligible patrones. Nos hemos reunido los datos en segmentos, cada segmento se compone de un número de bares establecidos por el comerciante en nuestra colección indicador propietario que viene con todos nuestros paquetes. Esa agrupación de barras se recoge en relación con la siguiente barra que viene después de la agrupación - vamos a llamar a esta la barra de futuro. Cuando estaban recogiendo datos de mercado la barra de futuro es conocido, porque es todos los datos históricos, es la siguiente barra después de la agrupación. La idea es que el cerebro de redes neuronales encontrará patrones complejos en la agrupación bar y utilizar la información recopilada, incluyendo la barra siguiente después de la agrupación, para determinar qué patrones complejos preceder el resultado de la siguiente barra. Durante la jornada real que resultado será la barra de futuro que en efecto hace que sea posible conocer con un alto grado de precisión la dirección del mercado antes de que suceda. Los datos recogidos se extrae en una hoja de cálculo que muestra los datos de precios tan abierto, alto, bajo, cerca (OHLC). El OHLC de cada barra se recoge por separado y se coloca en su propia columna. En el ejemplo anterior cada fila representa 3 bares en total. Por lo tanto, las columnas representan cientos o miles de bares que se remontan recogidos en adición a history. In OHLC también puede recoger los valores de casi cualquier indicador que seleccione, que esencialmente dar ese indicador de la capacidad de pensar en base a las condiciones cambiantes del mercado y predecir el valor siguiente. Red Neuronal Construcción y Formación Ahora que tenemos nuestros datos recogidos, se extrajo en un archivo de hoja de cálculo en una configuración inteligible, podemos cargarlo en nuestro motor de red neuronal que va a crear la estructura del cerebro artificial, entrenarlo, y poner a prueba su precisión antes ahorro de la estructura. Una vez que los datos recogidos se importa en el programa de desarrollo de la red se le da la opción de seleccionar qué bits de datos que desea utilizar para construir su cerebro. Esta es una característica importante porque permite al usuario crear muchas estrategias diferentes en función de lo que se considera necesario pieza de datos. Lo que se hace esencialmente en este paso es determinar lo que el motor va a utilizar para crear los complejos patrones mencionados anteriormente, que en última instancia decida la capacidad de proyección de la EA red neuronal. Por ejemplo, digamos que quería decir la red neuronal sólo para buscar patrones en los precios de apertura de bares en relación con los valores de los indicadores de su indicador favorito. A continuación, seleccione el indicador en el colector y elegir sólo las entradas abiertas y de datos en el software del edificio se ha representado anteriormente. También puede seleccionar todas las entradas, a excepción de la columna output1, lo que significa que su valor de salida - seleccionar todas las entradas va a crear el patrón de aprendizaje más complejo posible y con ello permitir que su cerebro para responder a muchos escenarios diferentes. Una vez que se seleccionan las entradas y salidas deseadas del software creará la estructura de su cerebro red neuronal y podrá comenzar a entrenarlo. Una parte de los datos recopilados se reservó y se utiliza para entrenar y probar la exactitud de su cerebro artificial, verá la salida deseada comienzan a ajustarse a los datos de prueba, ya que aprende. Una vez completado este proceso usted será capaz de exportar el cerebro artificial estructurado en forma de un archivo DLL que será utilizado por el MetaNeural EA. Una vez que el cerebro está construido, entrenado, probado y exportado como un archivo DLL puede comenzar a operar con una red neuronal del cerebro automatizado que ver patrones complejos que son imposibles para un ser humano para lograr. Obtener el Metaneural GRATIS ahora EA mediante la financiación de una cuenta en FinFX con cualquier cantidad y el uso de nuestro servicio de copiadora comercial para reflejar nuestras operaciones ganadoras profesionales en su cuenta. Después de 50 lotes completos se negocian recibirá el Metaneural EA con la funcionalidad completa para las cuentas gratuitas deben ser financiados con el enlace proporcionado en la sección de precios del sitio Metaneural. Coloque estos archivos en las siguientes carpetas en Metatrader: Asesor de Expertos - Metatrader 4experts Indicador del colector (DatacollectorV2a) - Indicador de Red Neural Metatrader 4expertsindicators (Metaneural Indicador NN) - Metatrader 4expertsindicators archivos MQLLock y MT4NSAdapter DLL - Metatrader 4expertslibraries Usted tendrá que instalar NeuroSolutions 6 y visual Studio 6 para que funcione, instrucciones sobre estas instalaciones se puede encontrar en el Manual muy detallado adjuntos a este mensaje. Debe leer el manual Sí, se puede aplicar a múltiples monedas al mismo tiempo, ya que puede estar capacitado en cada moneda y una estructura de red neuronal puede ser creado para cada moneda. Yo diría que la única dependencia corredor sería la integridad de su indicador de precios, más estable y consistente su alimento mejor los datos de entrenamiento será y, posteriormente, los oficios. no fueron necesariamente así arrancar el cuero cabelludo velocidad de ejecución no es muy importante. Gracias por su interés. Felicidades por el desarrollo de un sistema que da vueltas sanas. Siempre mejor que la EA es de extrañar que por lo general terminan soplando la cuenta. Soy miembro comercial mí compartir mi sistema de Fibonacci cambio de imagen (ForexFibs) aquí para que pueda entender por qué usted está ofreciendo un EA gratuito. Mi pregunta es esta EA puede ser aplicado a varias monedas, ya que se basa en redes neuronales reales Es dependiente de broker y ejecución de redes neuronales de speedHybrid Stop-and-inversa Estrategias para la divisa por las redes neuronales Michael R. Bryant se han utilizado en los sistemas de comercio durante muchos años con diversos grados de éxito. Su atracción principal es que su estructura no lineal es más capaz de capturar las complejidades de movimiento de precios que las reglas de comercio estándar, basados en indicadores. Una de las críticas ha sido que las estrategias comerciales basadas en redes neuronales tienden a ser sobre-ajuste y, por tanto, dont un buen desempeño en los nuevos datos. Una posible solución a este problema es combinar las redes neuronales con la lógica de la estrategia basada en reglas para crear un tipo híbrido de estrategia. Este artículo le mostrará cómo se puede hacer esto utilizando Adaptrade constructor. En particular, este artículo ilustrará la siguiente: la lógica basada en reglas La combinación de redes neuronales y para el comercio entradas serán utilizó un enfoque basado en datos de tres segmentos, con el tercer segmento utiliza para validar las estrategias finales. Se mostrará el código de estrategia resultante tanto para MetaTrader 4 y TradeStation, y se demostró que los resultados de la validación son positivos para cada plataforma. Redes Neuronales como entrada del comercio Filtros Matemáticamente, una red neural es una combinación no lineal de una o más entradas ponderadas que genera uno o más valores de salida. Para el comercio, una red neuronal se utiliza generalmente en una de dos maneras: (1) como una predicción de movimiento del precio futuro, o (2) como un indicador o un filtro para el comercio. En este caso, se considerará su uso como indicador de un filtro o el comercio. Como un indicador, una red neuronal actúa como un filtro adicional o condición que debe cumplirse antes de que se puede entrar en un comercio. Las entradas a la red son típicamente otros indicadores técnicos, tales como cantidad de movimiento, procesos estocásticos, ADX, medias móviles, y así sucesivamente, así como los precios y combinaciones de los anteriores. Las entradas se escalan y la red neural está diseñado de manera que la salida es un valor entre -1 y 1. Un método consiste en permitir una entrada de tiempo si la salida es mayor que o igual a un valor umbral, tal como 0,5, y una entrada corta si la salida es menor que o igual al negativo del umbral por ejemplo, -0.5. Esta condición se sumaría a las condiciones de entrada existentes. Por ejemplo, si hay una condición de entrada larga, tendría que ser verdad y la salida de red neuronal tendría que ser al menos igual al valor umbral para una entrada larga. Cuando la creación de una red neuronal, un comerciante sería típicamente responsable de la elección de los insumos y la topología de la red y para la red quottrainingquot, que determina los valores de los pesos óptimos. Como se muestra a continuación, Adaptrade Constructor realiza estos pasos automáticamente como parte del proceso de construcción de la evolución que el software se basa en. El uso de la red neuronal como un filtro de comercio permite que se puede combinar fácilmente con otras reglas para crear una estrategia de negociación híbrido, que combina las mejores características de los enfoques tradicionales, basadas en reglas con las ventajas de las redes neuronales. Como un simple ejemplo, Constructor podría combinar una regla de cruce de media móvil con una red neuronal de manera que una posición larga se toma cuando los cruces de media móvil rápida por encima de la media móvil lento y la salida de la red neuronal es igual o superior a su límite. Stop-and-inversa Estrategias de Trading Una estrategia de negociación de parada y marcha atrás es uno que siempre está en el mercado, ya sea larga o corta. En sentido estricto, quotstop-y-reversequot significa que se invierte el comercio cuando su orden de suspensión es golpeado. Sin embargo, lo uso como una abreviatura para cualquier estrategia de negociación que invierte de largo a corto o largo y así sucesivamente, de modo que usted está siempre en el mercado. Según esta definición, no es necesario que los pedidos para ser órdenes de parada. Se podía entrar y revertir el uso de las órdenes de mercado o limitar así. Su también no es necesario que cada lado utiliza la misma lógica o incluso el mismo tipo de orden. Por ejemplo, podría introducir larga (corta y salida) en una orden de parada y entrar en corto (y la salida de largo) en un orden de mercado, utilizando diferentes reglas y condiciones para cada entrada / salida. Este sería un ejemplo de una estrategia de parada y marcha atrás asimétrica. La ventaja principal de una estrategia de parada y marcha atrás es que al estar siempre en el mercado, que no se pierda ningún grandes movimientos. Otra ventaja es la simplicidad. Cuando hay reglas y condiciones para entrar y salir de las operaciones separadas, hay más complejidad y más que pueden ir mal. La combinación de entradas y salidas significa un menor número de decisiones oportuna tienen que hacerse, lo que puede significar un menor número de errores. Por otro lado, se puede argumentar que las mejores condiciones para salir de un comercio rara vez son las mismas que las relativas a la entrada en la dirección opuesta a la que entran y salen de los oficios son inherentemente decisiones separadas, por tanto, que deben emplear las reglas y la lógica separadas. Otro posible inconveniente de estar siempre en el mercado es que la estrategia será el comercio a través de cada brecha de apertura. Una gran brecha de apertura en contra de la posición puede significar una gran pérdida antes de que la estrategia es capaz de revertir. Las estrategias que entran y salen de forma más selectiva o que la salida al final del día puede reducir al mínimo el impacto de las brechas de apertura. Dado que el objetivo es construir una estrategia de divisas, MetaTrader 4 (MT4) es una opción obvia para la plataforma de operaciones MetaTrader 4 ya que está diseñado principalmente para la divisa y es ampliamente utilizado para el comercio de los mercados (véase, por ejemplo, MetaTrader vs. TradeStation : Un lenguaje de comparación). Sin embargo, en los últimos años, se ha centrado en TradeStation los mercados de divisas mucho más agresiva. En función de su volumen de operaciones y / o nivel de cuenta, su posible operar en los mercados de divisas a través TradeStation sin gastos de plataforma o el pago de comisiones. Según los informes, los diferenciales son apretados con generación de liquidez en los principales pares de divisas. Por estas razones, ambas plataformas fueron objeto de este proyecto. surgen varios problemas cuando la orientación de múltiples plataformas simultáneamente. En primer lugar, los datos pueden ser diferentes en diferentes plataformas, con diferencias en las zonas de tiempo, cotizaciones de precios de algunos bares, el volumen y los intervalos de fechas disponibles. Para suavizar estas diferencias, los datos se obtuvieron de ambas plataformas, y las estrategias se construyeron sobre ambas series de datos al mismo tiempo. Las mejores estrategias son, por tanto, los que trabajaron bien en ambas series de datos a pesar de las diferencias en los datos. Los ajustes de datos utilizados en Constructor se muestran a continuación en la Fig. 1. Como se puede deducir de la tabla de datos de mercado en la figura, el mercado de divisas euro / dólar fue blanco (EURUSD) con un tamaño de la barra de 4 horas (240 minutos). Otros tamaños de barras o mercados habrían servido tan bien. Yo sólo era capaz de obtener el máximo de datos a través de mi plataforma MT4 como lo indica el intervalo de tiempo se muestra en la Fig. 1 (serie de datos 2), por lo que se utilizó el mismo intervalo de fechas en la obtención de la serie de datos equivalente de TradeStation (serie de datos 1). 80 de los datos se utilizó para la construcción (combinado dentro de la muestra y quotout-de-samplequot), con 20 (06/20/14 a 02/10/15) reservar para su validación. 80 del original 80 a continuación, se estableció en quotin-samplequot con 20 conjunto de quotout de la muestra, quot como se muestra en la Fig. 1. La compra / venta se fijó en 5 puntos, y los costes de negociación de 6 o 60 pips por lote de tamaño completo (100.000 acciones) fueron asumidos por ida y vuelta. Ambas series de datos se incluyeron en la construcción, según lo indicado por las marcas de verificación en la columna de la izquierda de la tabla de datos de mercado. Figura 1. Configuración de los datos del mercado de la construcción de una estrategia de divisas para MetaTrader 4 y TradeStation. Otro problema potencial cuando la orientación de múltiples plataformas es que Builder está diseñado para duplicar la forma en que cada plataforma soportada calcula sus indicadores, lo que puede significar que los valores de los indicadores serán diferentes dependiendo de lo que se ha seleccionado la plataforma. Para evitar esta posible fuente de discrepancia, los indicadores que evalúan de forma diferente en MetaTrader 4 que en TradeStation se debe eliminar de la construcción, lo que significa que los siguientes indicadores deben evitarse: Todos los demás indicadores que están disponibles para ambas plataformas se calculan de la misma manera en ambas plataformas. TradeStation incluye todos los indicadores que están disponibles en el constructor, mientras que MetaTrader 4 no lo hace. Por lo tanto, para incluir sólo los indicadores que están disponibles en ambas plataformas, la plataforma MetaTrader 4 debe ser seleccionado como el tipo de código en el constructor. Que eliminará automáticamente los indicadores del conjunto de construcción que no están disponibles para MT4, que dejará a los indicadores que están disponibles en ambas plataformas. Además, ya que me di cuenta de las diferencias en los datos de volumen obtenidos de cada plataforma, quité todos los indicadores de volumen dependiente del conjunto de construcción. Por último, el indicador de tiempo-de-día se retiró debido a las diferencias en las zonas de tiempo entre los archivos de datos. En la Fig. 2, a continuación, la lista de indicadores utilizados en el conjunto de construcción se muestran clasificados por si o no el indicador fue considerado por el proceso de construcción (columna quotConsiderquot). Los indicadores extraídos de la consideración por las razones expuestas anteriormente se muestran en la parte superior de la lista. Los indicadores restantes, empezando por quotSimple Mov Avequot, eran parte del conjunto de construcción. Figura 2. selecciones de indicador en Constructor, que muestran los indicadores extraídos del conjunto de construcción. Las opciones de evaluación utilizados en el proceso de construcción se muestran en la Fig. 3. Como se ha expuesto, MetaTrader 4 fue seleccionado como la opción de salida código. Después de las estrategias se construyen en Constructor, cualquiera de las opciones de la pestaña Opciones de evaluación, incluyendo el tipo de código, se puede cambiar y las estrategias de re-evaluado, que también volverá a escribir el código en cualquier lenguaje seleccionado. Esta característica se utiliza para obtener el código de TradeStation para la estrategia final después de que las estrategias fueron construidos para MetaTrader 4. Figura 3. Opciones de evaluación en constructor de la estrategia de la divisa EURUSD. Para crear las estrategias de parada-y-inversa, todos los tipos de salida fueron retirados del conjunto de construcción, tal como se muestra a continuación en la figura. 4. Los tres tipos de órdenes de entrada - del mercado, detener y limitar - se dejaron como quotconsiderquot, lo que significa que el proceso de construcción podría considerar cualquiera de ellos durante el proceso de construcción. Figura 4. Tipos de órdenes seleccionadas en Builder para crear una estrategia de parada y marcha atrás. El software Builder genera automáticamente las condiciones lógicas basadas en reglas para la entrada y / o salida. Para añadir una red neuronal para la estrategia, su único necesario seleccionar la opción quotInclude una red neural en conditionsquot entrada en la pestaña Opciones de la Estrategia, como se muestra a continuación en la figura. 5. La configuración de red neural se dejaron a sus valores predeterminados. Como parte de la lógica de parada y marcha atrás, la opción Lados del mercado se fijó a largo / corto, y la opción de quotWait para la salida antes de entrar en la nueva era tradequot sin marcar. Este último es necesario para que el orden de entrada para salir de la posición actual de una inversión. Todos los demás valores se dejaron a los valores predeterminados. Figura 5. Opciones estratégicas seleccionadas en Builder para crear una estrategia híbrida usando ambas condiciones basadas en reglas y de la red neuronal. La naturaleza evolutiva del proceso de construcción en el constructor es guiado por el gimnasio. que se calcula a partir de los objetivos y las condiciones definidas en la pestaña Indicadores, como se muestra a continuación en la figura. 6. Los objetivos de construcción se mantienen simples: maximizar el beneficio neto y reducir al mínimo la complejidad, que se le dio un peso pequeño en relación con el beneficio neto. Se puso más énfasis en las condiciones de construcción, que incluyeron el coeficiente de correlación y la importancia de la calidad general de la estrategia, así como las barras de media en las operaciones y el número de operaciones. Inicialmente, sólo las barras de promedio en los oficios se incluyó como condición para la acumulación. Sin embargo, en algunas de las primeras compilaciones, el beneficio neto fue que se ve favorecida por la longitud del comercio, por lo que se añadió las operaciones relativas al número de métricas. El rango especificado para el número de operaciones (entre 209 y 418) es equivalente a longitudes comerciales de promedio entre 15 y 30 bares con base en el número de barras en el período de fabricación. Como resultado, la adición de esta métrica poner más énfasis en el objetivo de longitud comercio, lo que dio lugar a más miembros de la población con el rango deseado de longitudes comerciales. Figura 6. objetivos y condiciones de construcción del grupo en la pestaña Indicadores determinan cómo se calcula el gimnasio. Los quotConditions para la selección de Top Strategiesquot duplicar las condiciones de construcción, excepto que las estrategias principales se evaluaron las condiciones en todo el rango de datos (no incluyendo el segmento de validación, que es independiente), en lugar de sólo en el período de construcción, como es el caso para la construir condiciones. Las condiciones principales estrategias son utilizados por el programa para dejar de lado las estrategias que satisfagan todas las condiciones en una población separada. Los ajustes finales se realizan en la pestaña Opciones de construcción, tal como se muestra a continuación en la figura. 7. Las opciones más importantes son el tamaño de la población, el número de generaciones, y la opción de restablecer basado en el rendimiento quotout-de-samplequot. El tamaño de la población fue elegida para ser lo suficientemente grande como para obtener una buena diversidad en la población sin dejar de ser lo suficientemente pequeño como para construir en un plazo de tiempo razonable. El número de generaciones se basa en el tiempo que tomó durante unos pocos preliminar construye para que los resultados empiezan a converger. Figura 7. Las opciones de configuración incluyen el tamaño de la población, el número de generaciones, y opciones para restablecer la población en función del rendimiento quotout-de-samplequot. La opción de quotReset de fuera de la muestra (OOS) Performancequot se inicia el proceso de construcción más después del número especificado de generaciones si la condición especificada se cumple en este caso, la población se reinicia si el beneficio neto quotout-de-samplequot es menos de 20.000. Este valor se eligió basándose en las pruebas preliminares para ser un valor lo suficientemente alto que probablemente no sería alcanzado. Como resultado, el proceso de construcción se repitió cada 30 generaciones hasta que se detiene manualmente. Esta es una manera para que el programa a identificar estrategias basadas en las condiciones Top Estrategias de más de un período prolongado de tiempo. Periódicamente, la población de mayor Estrategias se puede comprobar y el proceso de construcción cancela cuando se encuentran las estrategias adecuadas. Nótese que he puesto quotout-de-samplequot entre comillas. Cuando se utiliza el período quotout-de-samplequot para restablecer la población de esta manera, el período quotout-de-samplequot ya no está realmente fuera de la muestra. Desde ese período está siendo utilizado para guiar el proceso de construcción, su eficacia parte del período dentro de la muestra. Es por eso que su recomendable dejar de lado un tercer segmento de validación, como se discutió anteriormente. Después de varias horas de procesamiento y un número de reconstrucciones automáticas, una estrategia adecuada se encontró en la población Top Strategies. Su curva de la equidad del comercio cerrado se muestra a continuación en la figura. 8. La curva de las acciones demuestra un rendimiento constante a través de ambos segmentos de datos con un número adecuado de oficios y esencialmente los mismos resultados más de las dos series de datos. Figura 8.-curva de la equidad del comercio cerrado para la parada y marcha atrás estrategia EURUSD. Para comprobar la estrategia durante el período de validación, los controles de fecha de la ficha Mercados (ver Fig. 1) se cambiaron a la fecha de finalización de los datos (2/11/2015), y la estrategia fue re-evaluado mediante la selección de la Evaluar comando del menú Estrategia de Constructor. Los resultados se muestran a continuación en la Fig. 9. Los resultados de la validación en el cuadro rojo demuestran que la estrategia levantó en los datos que no se utilizan durante el proceso de construcción. Figura 9.-curva de la equidad del comercio cerrado para la estrategia de parada y marcha atrás EURUSD, incluyendo el período de validación. El control final es ver cómo la estrategia de realizar en cada serie de datos por separado usando la opción de salida código para esa plataforma. Esto es necesario porque, como se explicó anteriormente, puede haber diferencias en los resultados dependiendo de (1) el tipo de código, y (2) la serie de datos. Tenemos que verificar que la configuración elegida minimizan estas diferencias, según lo previsto. Para poner a prueba la estrategia para MetaTrader 4, la serie de datos de TradeStation se anula la selección de la ficha mercados, y se volvió a evaluar la estrategia. Los resultados se muestran a continuación en la Fig. 10, que duplica la curva inferior en la figura. Figura 9. curva de las acciones 10.-comercio cerrado para la estrategia de parada y marcha atrás EURUSD, incluyendo el período de validación, para MetaTrader 4. Por último, para poner a prueba la estrategia para TradeStation, se seleccionó la serie de datos de TradeStation y la serie de MetaTrader 4 se anula la selección de la ficha mercados, la salida código se cambió para quotTradeStation, quot, y se volvió a evaluar la estrategia. Los resultados se muestran a continuación en la Fig. 11 y parece ser muy similar a la curva del medio de la figura. 9, como se esperaba. Figura 11.-curva de la equidad del comercio cerrado para la estrategia de parada y marcha atrás EURUSD, incluyendo el período de validación, para TradeStation. El código para ambas plataformas se proporciona a continuación en la Fig. 12. Haga clic en la imagen para abrir el archivo de código para la plataforma correspondiente. Evaluación del código revela que la parte basada en reglas de la estrategia utiliza diferentes condiciones relacionadas con volatilidad de los lados largos y cortos. Las entradas de redes neuronales consisten en una variedad de indicadores, incluyendo el día de la semana, de tendencia (ZLTrend), máximo intradía, osciladores (InvFisherCycle, InvFisherRSI), las bandas de Bollinger, y la desviación estándar. La naturaleza híbrida de la estrategia se puede ver directamente en el estado de código (a partir del código TradeStation): Si EntCondL y NNOutput gt 0,5 luego comenzar Comprar (quotEnMark-Lquot) NShares acciones bar de al lado en el mercado de la quotEntCondLquot variable representa la entrada basada en reglas condiciones y quotNNOuputquot es la salida de la red neural. Ambas condiciones tienen que ser verdad para colocar la orden de entrada larga. La condición de entrada corta funciona de la misma manera. Figura 12. Código de Comercio de la estrategia para la estrategia de parada y marcha atrás EURUSD (izquierda, derecha MetaTrader 4, TradeStation). Haga clic en la figura para abrir el archivo de código correspondiente. Descargar un archivo de proyecto del constructor (.gpstrat) que contiene los ajustes que se describen en este artículo. En este artículo se observó el proceso de construcción de una estrategia de red basado en reglas híbrido / neural para el EURUSD utilizando una parada y marcha atrás (siempre en el mercado) con enfoque Adaptrade constructor. Se demostró cómo el código estrategia puede ser generado para múltiples plataformas mediante la selección de un subconjunto común de los indicadores que funcionan de la misma manera en cada plataforma. Los ajustes necesarios para generar estrategias que reviertan de largo a corto y atrás se ha descrito, y se demostró que la estrategia que resulta un comportamiento positivo en un segmento separado, la validación de los datos. También se verificó que la estrategia genera resultados similares con la opción de datos y el código para cada plataforma. Como se discutió anteriormente, el enfoque de parada y marcha atrás tiene varios inconvenientes y puede no gustar a todo el mundo. Sin embargo, un enfoque siempre-en-el-mercado puede ser más atractivo, con los datos de divisas debido a que los mercados de comercio de divisas durante todo el día. Como resultado, no hay huecos sesión de apertura, y las órdenes de operaciones son siempre activa y disponible para invertir el comercio cuando los cambios del mercado. El uso de los datos intradía (barras de 4 horas) proporcionó más barras de datos para su uso en el proceso de construcción, pero por lo demás fue bastante arbitraria en que la naturaleza siempre-en-el-mercado de la estrategia significa que las operaciones se realizan durante la noche. El proceso de construcción se le permitió evolucionar varias modalidades de inscripción a largo y corto, lo que resulta en una estrategia de parada y marcha atrás asimétrica. A pesar del nombre, la estrategia resultante entra en operaciones largas y cortas en las órdenes de mercado, si bien el mercado, detener y órdenes de límite se consideraron por el proceso de construcción de forma independiente para cada lado. En la práctica, la inversión de largo a corto significaría venta corta dos veces el número de acciones en el mercado como la estrategia fue Actualmente larga, por ejemplo, si la posición actual de larga era de 100.000 acciones, que se vendería cortas 200.000 acciones en el mercado. Del mismo modo, si la posición corriente de corto era 100.000 acciones, usted compra 200.000 acciones en el mercado para invertir de corto a largo. Una historia de los precios más corto fue utilizado que sería ideal. Sin embargo, los resultados fueron positivos en el segmento de validación, lo que sugiere la estrategia no fue sobre-ajuste. Esto apoya la idea de que una red neural puede ser utilizado en una estrategia de negociación sin necesariamente exceso de ajuste de la estrategia para el mercado. La estrategia que aquí se presenta no está destinado a operaciones reales y no ha sido probado en el seguimiento en tiempo real o de comercio. Sin embargo, en este artículo se puede utilizar como una plantilla para el desarrollo de estrategias similares para el EURUSD o en otros mercados. Como siempre, cualquier estrategia de negociación a desarrollar debe ser probado a fondo en el seguimiento en tiempo real o en los datos separados para validar los resultados y para familiarizarse con las características de operación de la estrategia previa a vivir de comercio. Este artículo apareció en la edición de febrero 2015 el boletín Adaptrade Software. Resultados de rendimiento hipotético o simulados tienen ciertas limitaciones inherentes. Diferencia de un registro RENDIMIENTO actuales, resultados SIMULADOS NO representan operaciones reales. Además, dado que los oficios en realidad no han sido ejecutadas, los resultados pueden tener sub o sobre-compensado el impacto, de haberlo, de ciertos factores de mercado, como la falta de liquidez. PROGRAMAS comerciales simuladas, en general, están sujetos a los hecho de que están diseñados con el beneficio de la retrospectiva. NO SE REALIZA LA REPRESENTACIÓN QUE CUALQUIER CUENTA O PROBABLEMENTE PARA LOGRAR GANANCIAS O PÉRDIDAS SIMILARES A LOS QUE SE MUESTRA. Si youd como para estar informado de los nuevos desarrollos, noticias y ofertas especiales de Adaptrade Software, por favor, únase a nuestra lista de correo electrónico. Gracias you. When a construir una red neuronal una de las primeras cosas que hay que decidir es qué valores serán los insumos y qué valores serán las salidas de la red. Las salidas son los valores que desee para predecir 8211 a obtener beneficios dentro de un sistema de comercio de 8211 y las entradas son los valores que permitirán a predecir los resultados con suficiente precisión como para constituir una ineficacia. Ahora la elección de las entradas y salidas no es una tarea trivial, ya que esto constituye la mayor parte del éxito o el fracaso de una red neuronal de comercio. Dentro today8217s post voy a compartir con ustedes algunos consejos sobre cómo elegir las entradas y salidas y la forma en que pueden dar lugar a ineficiencias en formas que pueden no ser muy intuitivo. También voy a explicar por qué las soluciones de entrada / salida computacionalmente más sonido puede no ser el mejor y por qué este es el caso. Una red neuronal está formado por un conjunto de capas funcionales que convierten un determinado conjunto de variables de entrada (la capa de entrada) en un conjunto dado de valores de salida (la capa de salida). Entre las capas de entrada y de salida se encuentra una variada cantidad de capas y funciones (neuronas) 8211 dependiendo de lo que elija 8211 que se tratará de transformar los insumos en productos con el menor error posible. Esto se realiza con la ayuda de las series de entrenamiento que permiten a la red para ajustar sus coeficientes de capa oculta para adaptarse a una serie de datos para el que ya se conocen los datos de entrada y de salida. La esperanza, por supuesto, es que la red llevará a cabo al menos la misma capacidad de predicción dentro de un conjunto no entrenado. La primera cosa que hay que elegir cuando se construye una red neuronal para el comercio es exactamente lo que los valores que se desea predecir. ¿Quieres predecir los próximos day8217s cierran Los próximos week8217s cerrar El siguiente soporte o resistencia nivel de elección de la salida de la primera red le permite saber cómo you8217re va a construir sus entradas como necesite para elegir los valores que son capaces de predecir el deseado salida. Una cosa muy importante es considerar cómo va a normalizar la salida y si la salida cae en lo que la red neuronal es 8220best en doing8221. Recuerde que en las redes neuronales valores de salida tienen que variar -1-1 (utilizando las funciones simétricas sigmoideas eficientes) desde las salidas arbitrarias requieren el uso de funciones lineales que son 8220very bad8221 en montar la red. Una vez que elija la salida desea que el siguiente paso lógico es la construcción de los insumos que usted cree que son predictivos hacia esta salida. Ciertamente, antes de construir la red que no hay manera de saber si una de las entradas será mejor que otro, pero es obvio que puede reducir la cantidad de variables que va a utilizar al hacer un PCA (Análisis de Componentes Principales) para filtrar aquellas variables que son, evidentemente, y fuertemente correlacionado. Por ejemplo, usted puede estar interesado en la predicción de los próximos week8217s cerca y se decide utilizar como entradas últimos cierres semanales, abiertos, altos y bajos, pero resulta que un análisis de PCA 8211 como un ejemplo, yo don8217t saber si este es el caso 8211 te dice que el cierre y apertura están muy correlacionados y, por lo tanto, tiene sentido utilizar sólo la estrecha, alta y baja. La técnica de PCA nos permite eliminar aquellas variables que pueden ser redundantes dentro de la red y por lo tanto solamente aumentan la complejidad sin incrementar la calidad de los resultados. Una vez que tenga un conjunto de variables que no están correlacionados es el momento de evaluar la cantidad de capacidad de predicción que realmente tienen en contra de su salida deseada. Si los resultados son desalentadores inicialmente puede ser porque se echa en falta una pieza importante de información dentro de sus entradas o por la forma de su salida isn8217t apropiado. Por ejemplo, si desea predecir el cierre semanal y ha intentado normalizar buceando en los últimos week8217s cercanos y luego dividirlo por dos y luego hacer una operación matemática diferente sobre la salida podría aumentar la calidad predictiva de la red. A veces, incluyendo la información relacionada con todas las entradas en la salida puede ser un truco muy útil para 8220force8221 la red en 8220using8221 cada pieza de conocimiento que tiene aunque los resultados pueden variar y que tendrán que evaluar cuál funciona mejor. Un aspecto muy difícil del desarrollo de la red neuronal para los sistemas de comercio es elegir realidad salidas que son útiles para el desarrollo de sistema de comercio y sin embargo lo suficientemente preciso. Por ejemplo, usted puede tener la tentación de elegir los productos e insumos que son muy eficientes para la red neuronal 8211 como una salida entre 0 un 1 intentar predecir un cambio week8217s 8211, pero resulta que esto no está previsto, así como la predicción de los week8217s porque estrecha predecir el cambio semanal de datos utilizando el cambio semanal hace que la red suelta una pieza muy importante de información (absoluto apoyo y niveles de resistencia) que se derivan de la información directa de precios. Desde un punto de vista computacional que parece ser la mejor solución, pero desde un punto de vista comercial you8217re falta una pieza vital de información que no está incluida en los datos de cambio semanal. Una cosa muy interesante que he encontrado en las redes que he desarrollado para Sunqu es que el uso de los valores absolutos de precios es muy bueno ya que la red entera de niveles de soporte y resistencia a medida que desarrollan, en realidad negocia en torno a ellos de una manera determinada. Obviamente no se conocen los cálculos reales realizados por las redes y su significado (recuerde que una red neuronal es a todos los efectos prácticos, un recuadro negro) pero mirando cómo las operaciones se ejecuten por la red muestra una cierta 8220taking en account8221 de cosas tales como el apoyo y resistencia. Puesto que el precio es lo que desea capturar a continuación, teniendo en cuenta los valores absolutos de precios y basando predictores en ellos es un modo más directo conducir a la construcción de sistemas de tratar de desarrollar redes basadas salida del indicador. Sin embargo, esto significa que doesn8217t couldn8217t obtener buenos resultados en este camino. La predicción de cosas como extremos RSI le permitirá tomar ventaja de los movimientos de precios rápidas antes de que ocurran y predecir los cambios en movimiento promedio en el largo plazo le permitirá tomar tendencia a largo plazo después de posiciones. No obstante lo que quiere predecir (su opción de salida) tiene que ir acompañada de una decisión muy sensata de qué entradas que va a utilizar, reforzado por un análisis adecuado ACC que se le puede mostrar la calidad de las entradas, y lo bien separados que son de una otro. La elección pareja también será muy importante ya que ciertos pares necesitan insumos fundamentales, ya que afectan profundamente la forma en que se comportan (un buen ejemplo es una red USD / CAD neuronal a partir de datos de futuros del petróleo de Estados Unidos). Si desea aprender más sobre mi trabajo en el comercio automatizado y cómo usted también puede obtener una verdadera educación en este campo por favor considere unirse Asirikuy. un sitio web lleno de videos educativos, sistemas de comercio, desarrollo y un planteamiento sólido, honesto y transparente hacia el comercio automatizado en general. Espero que hayan disfrutado este artículo. o) Análisis de Precios con Redes Neuronales Unido Mayo 2007 Estado: Statistocrat 110 Mensajes Acerca de esta revista Este será mi diario personal que detalla mi desarrollo de una red neuronal artificial para tratar de obtener una ventaja estadística sobre el mercado en múltiples marcos de tiempo. Voy a publicar mi progreso como llego a los hitos, y veremos juntos si es posible, de hecho, para obtener una ventaja estadísticamente significativa con un método de aprendizaje automático. También voy a discutir cómo me acerco a la administración del dinero con respecto a cualquier ventaja estadística por ganar con mi aprendiz. Voy a publicar simulaciones probabilísticas de mi rendimiento alumnos usando diversas técnicas de manejo de dinero. Tenga en cuenta que en la actualidad que el comercio con bastante éxito (4K en una pequeña cuenta, en vivo) usando simples patrones de los gráficos y análisis de S / R. También soy un estudiante de ingeniería a tiempo completo, sin embargo, por lo que sería altamente preferible tener un agente automatizado, ya sea comercial o en mi ausencia me avise de configuraciones de alta probabilidad. Si mi desarrollo de este indicador / EA tiene éxito en la obtención de una ventaja, tal vez lo dará a conocer a la comunidad de alguna forma. Le agradecería su entrada reflexivo a la rosca. funciones de desarrollo mejor cuando no están viendo, socios constructivamente crítico - o por lo que el movimiento de software de código abierto nos ha enseñado. Así que si usted tiene algo valioso que agregar, por favor, por todos los medios, publicarlo. Usuario Nov 2005 Estado: EURUSD Quant FREAK 3.198 Mensajes ¿Cuáles son las entradas puramente Las tasas de interés COT precio IPC En segundo lugar, lo que es el criterio para entrar / salir de una winsquot quotmajority basado en múltiples NN en múltiples marcos de tiempo estoy bastante educados sobre los NN, y si introducir noncorrelated (datos sin una fuerte dependencia lineal de los precios) entradas que vaya a introducir error a su aprendizaje. Apuesto a que ya lo sabía. Entonces la pregunta es, ¿qué entradas están fuertemente correlacionados Me apuesto a que la divisa es extremadamente eficiente, por lo quotnewquot datos externos tales como COT y el IPC son los más propensos totalmente realizado por el precio dentro de unos minutos de que los datos sean introducidos, por tanto, muy pequeño desfase y la ineficiencia. Pues bien, los NN no son la cena conversación en la mesa. O bien se obtiene lo que estoy diciendo o usted no. Espero eso ayude. Unido Mayo 2007 Estado: Statistocrat 110 puestos conceptos de diseño iniciales En primer lugar, una explicación de la teoría de redes neuronales. La estructura de la red neuronal enfermedad esté usando es similar al que se muestra en la imagen siguiente. Cada círculo que ves en la imagen se llama quotnodequot. Cada uno de estos nodos actúa como una especie de operador matemático. La información se mueve desde la izquierda hacia la derecha en la imagen, desde las entradas hasta las salidas. En cada nodo, las entradas se suman para crear la salida. Cada entrada tiene un quotweightquot ajustable, o factor de escala, por la que se multiplica antes de que sean todos suman en ese nodo. De acuerdo. por lo que hemos conseguido los nodos que se suman los valores escalados. ¿Cómo diablos vamos a predecir el comportamiento del precio futuro con esta cosa. Pues bien, resulta que si se ajusta estos pesos de una manera inteligente, puede quottrainquot esencialmente esta red para reconocer patrones en la capa de entrada y producir los resultados que usted desea de acuerdo a esos patrones. Así que aquí está el diseño de la red: los movimientos de pepita retrasada en el tiempo. En esencia se trata de valores cuyas magnitudes corresponden al tamaño de cada barra en un gráfico de un período de tiempo determinado. Por ejemplo, digamos que usted tiene la siguiente tabla: Si la red neuronal se han diseñado para analizar los patrones de cuatro barras, que tendría 12 entradas totales. Es decir, para cada barra, que tendría una entrada para la mecha inferior, el cuerpo de la barra, y la mecha superior. Ambos valores de mecha serían ya sea positivo o cero, y el valor barra carrocería serían ya sea positiva o negativa. Así que para el gráfico de la vela anterior, youd ver las siguientes entradas (aproximadamente) en el formato upperbodylower: Como se habrán dado cuenta, todos estos valores están por debajo de 1.0 eso es porque las entradas a la red neuronal debe ser un decimal entre 1 y -1 . Así que ahora tenemos entradas. ¿Qué queremos para las salidas Le permite elegir alza ya la baja los indicadores de riesgo para diferentes horizontes temporales. Decir. dos en cada lado. En resumen: Una salida para el futuro alta después de 1 hora. Una salida para el futuro alta después de 4 horas. Una salida para el futuro de baja después de 1 hora. Una salida para el futuro de baja después de 4 horas. Para entrenar la red, nos fijamos en los altos y bajos después del patrón de entrada, calculamos las salidas, y luego usamos cuál es llamado un algorithmquot quotback-propagación para ajustar de forma inteligente los pesos de la red para que aparezcan los resultados deseados cuando se presentan este patrón de entrada. A continuación, hacemos lo largo de un gran número de combinaciones de entrada / salida, y es de esperar que llegue con una red que, cuando se presenta con un nuevo conjunto de entradas, puede predecir los altibajos futuro con cierto grado de precisión. Una vez que tenemos una red que puede predecir futuros altos y bajos, podemos colocar operaciones con niveles de TP y SL que maximizan nuestra probabilidad de éxito. También podemos elegir sólo tomar comercios que tienen una buena relación riesgo-recompensa. Por ejemplo, podemos elegir sólo para comprar cuando la red predice una relación 2: 1 con alta proporción baja, y sólo se venderá a la inversa. Esto puede ayudar a la exposición al mercado límite de riesgo, al tiempo que maximiza la probabilidad estadística de acierto. Si desea obtener más información acerca de las redes neuronales, echa un vistazo a la entrada de Wikipedia sobre Redes Neuronales Artificiales. Espere pronto otro post sobre el software y los datos (a medida) Ill a utilizar para la instalación y la formación de redes. Los datos quotperfect tradequot usted ha mencionado es en realidad lo que he hablado en mi segundo mensaje en esta revista. Lo que usted está hablando es la orientación del futuro de alta y baja para cada patrón de entrada. La señal de compra / venta es en realidad redundante, teniendo en cuenta que se puede calcular mediante la expresión (highgtlow) 2-1. Después de entrenar a lo largo de un amplio conjunto de estos patrones, sin embargo, la red neuronal aprenderá a la salida de la media de estos valores a través del conjunto de patrones similares. Tienes razón, es la misma cosa que empezó. Esa expresión me tiró por un minuto. (Hgtl) es booleano, 0 ó 1, lo consiguió. De todos modos, como ha dicho el NN acaba de escupir los medios por lo que tu tienes que usar una distribución. En su lugar, prefiero que la red aprenda la distribución. Conocer el pasado distribución estadística le permite crear estrategias basadas en la probabilidad calculada de golpear a diferentes precios. Por ejemplo, estamos acostumbrados a la idea de tomar las operaciones con un 2: 1 o 3: 1 TP de SL, pero no podemos estar seguros de que, efectivamente, aumentarán nuestras ganancias, ya que sin un borde predictivo, una parada más cercana es usualmente más probabilidades de ser golpeado más que la toma de beneficios. Si supiéramos la distribución estadística de los puntos de precio durante la hora siguiente (o día o semana. Lo que sea), podríamos establecer paradas que, históricamente, en realidad son dos veces menos probabilidades de ser golpeado que nuestro nivel de toma de ganancia. Lo ideal sería poder elegir los oficios que son muy alta probabilidad y alta recompensa, donde es poco probable que se golpeó la parada, la toma de beneficios es muy probable que sea golpeado, y la toma de beneficios es significativamente más lejos de la parada. Warren Buffet siempre atribuye su éxito al hacer de bajo riesgo, las inversiones de alta recompensa. Nuestro objetivo debe ser el mismo - es decir, para maximizar la probabilidad de ganar y reducir al mínimo la probabilidad de perder - o en términos de los comerciantes: tener una ventaja en el mercado. Estás hablando mi idioma aquí. Tengo un hilo cerrado llamado quotExpectancy siempre se zeroquot donde este es uno de los temas. Un TP / SL de 3: 1 significa que ganar velocidad sería de alrededor de 25 en una estrategia sin un borde. En general, la tasa de ganancias requerida (RWR) para cualquier estrategia es (Prom. Pérdida) / (Prom. Promedio de ganancia. Pérdida). Lo que pasa es que he tratado de hacerme a negociar de una distribución en el pasado y tenía problemas para imaginar cómo hacerlo, sobre todo en el caso de una distribución independiente para altos y bajos. En realidad, creo que lo que realmente tiene el youd es una distribución en todas las vinculaciones de altos y bajos, es decir, sobre un área con alta en el eje X y bajo en la Y, por ejemplo. En cualquier punto dado en teoría youd tienen un valor, aunque sé que usted es en realidad va a bin ellos. En última instancia, con el fin de hacer una herramienta de comercio, tiene que haber algún proceso para obtener a partir de los insumos en un extremo a la gran decisionsquot quot3 (compra / venta, detener, TP) en el otro. Esto puede llegar a ser un problema mucho más espinoso de la construcción y la formación de la propia red. Im tocando el tema ahora porque su clave para saber en este momento lo que desea que la salida para que parezca. Es un dolor para conseguir algo de todo construido y luego darse cuenta al final que se quiere que haga algo diferente. Con suerte interminables evitar ese problema, y tal vez ha perdido ya tiene cubierto. Lo que pasa es que he tratado de hacerme a negociar de una distribución en el pasado y tenía problemas para imaginar cómo hacerlo, sobre todo en el caso de una distribución independiente para altos y bajos. En realidad, creo que lo que realmente tiene el youd es una distribución en todas las vinculaciones de altos y bajos, es decir, sobre un área con alta en el eje X y bajo en la Y, por ejemplo. En cualquier punto dado en teoría youd tienen un valor, aunque sé que usted es en realidad va a bin ellos. En última instancia, con el fin de hacer una herramienta de comercio, tiene que haber algún proceso para obtener a partir de los insumos en un extremo a la gran decisionsquot quot3 (compra / venta, detener, TP) en el otro. Esto puede llegar a ser un problema mucho más espinoso de la construcción y la formación de la propia red. Im tocando el tema ahora porque su clave para saber en este momento lo que desea que la salida para que parezca. Es un dolor para conseguir algo de todo construido y luego darse cuenta al final que se quiere que haga algo diferente. Con suerte interminables evitar ese problema, y tal vez ha perdido ya tiene cubierto. De hecho, me he dado un poco de pensamiento a este problema. Sé por uno de sus PMs que usted está interesado en los algoritmos genéticos. Esto podría ser un caso en el que el gas podría ser muy útil en la determinación de las buenas maneras de hacer uso de las salidas de la red neuronal. Por otra parte, hay un número de otras técnicas de aprendizaje de máquina o de clasificación que podría aplicarse al problema de la toma de decisiones de comercio utilizando los datos de distribución. También podemos ser capaces de crear una estrategia de negociación a través de la simple teoría, sin embargo. Mientras que entendemos lo que significa la distribución, podemos hacer un uso inteligente de la misma. En esencia, la distribución nos dirá qué tan probable es que un cierto nivel de precio se alcanzará en un plazo determinado. Sabemos que, para llegar a un máximo de 50 pips por encima del precio actual, el precio también (por lo general) tiene que pasar a través de la 10 pip, pip 20, 30 pip, pip y 40 niveles. Así, conociendo la distribución aproximada, podemos resumir las probabilidades de los niveles más extremos para calcular la probabilidad esperada de que lleguen a cualquier nivel durante un período de tiempo futuro. Podemos entonces crear criterios comerciales que seleccionan solamente los oficios de mayor probabilidad. También podríamos romper la toma de beneficios y detener la pérdida de pedidos en una serie de órdenes estratificados a través de la distribución en función de las probabilidades de los diferentes niveles. Esto también es una configuración que podría ser calculado con el fin de facilitar la recompensa más alta con el menor riesgo. De todos modos, todo esto es una conjetura que tendrá que ser reconsiderada una vez que el final de la red se realiza. Creo que voy a empezar a desarrollar la red con la estructura descrita, y si nos damos cuenta más tarde que la distribución de probabilidad es menos útil que otro objetivo, podemos cambiarlos a cabo con bastante facilidad. La verdadera dificultad de la programación es simplemente cómo configurar y depurar el marco de formación, pruebas y ver la salida. Itll ser bastante tiempo hasta que tenga algo útil desarrollada, pero voy a mantener este hilo actualiza a medida que hago progreso. Tener un buen fin de semana, o Cualquier cosa que quede de ella muy buen enfoque que estoy haciendo algo similar. ¿Qué opinas sobre la incorporación tendencia muy gran escala en la ecuación mediante la normalización de las barras. Lo que quiero decir es decir hace 10000 bares precio era 3000 pips más abajo. Eso significa que, en promedio, nos estamos moviendo hasta 3 puntos por cada 10 bares. Podría esto ser útil si normalizar las barras OHLC para reflejar que en su ecuación de distribución idea interesante. Sin normalización, la distribución sería sesgada hacia cualquiera que sea la tendencia a largo plazo es. Esto estaría bien si todavía estábamos en la misma tendencia a largo plazo, pero no muy bien si la tendencia había cambiado recientemente. Supongo que se podría hacer algún tipo de normlization, pero su también no está claro exactamente cómo tiene que normalizar adecuadamente. Puede ser que sea mejor simplemente incluir un conjunto de medias móviles en diferentes períodos en los insumos. Esto ayudaría a la red para separar la causa de la inclinación, y ser capaz de replicar la cantidad correcta de inclinación de distribución para el mercado actual. Gracias, charlinks. gran punto aquí es un indicador que hice que puede llegar a ser útil. Es una distribución de precios sencilla. Jugando con los parámetros puede crear resultados muy diferentes. cellwidth cuantas barras a utilizar para la distribución de precios por columna cellrows cuántas filas para dividir la distribución de precios en cellcols el número de columnas que generan. para algunos cálculos pesados puede reducir este número si el rendimiento se resiente ya que muy probablemente necesita la reciente distribución de precios cellstep cuanto mayor sea el número de los más bloques se omiten para cada paso que todavía está calculando el número de cellwidth bares. por lo que si cellstep y cellwidth son los mismos que se ve una imagen clara. si cellwidth es significativamente superior verá quotblurredquot datos. corte de todas las células están normalizados con un valor de 0 a 1 si se dibuja todos ellos va a ser muy intensivo en recursos. así que todo menor que se acaba de corte no está dibujado. (Pongo 0,8 veces para identificar las áreas de soporte / resistencia fuertes) countinsidebars countresistance countsupport y aquí es un poco de magia. en lugar de contar toda la barra He dividirlo en bar interior (Open - Close) de apoyo (Menor - Min (abrir, cerrar) Resistencia (Max (abrir, cerrar) - Mayor) De esa manera usted puede enfocar su estudio sólo en el apoyo o sólo en zonas de resistencia. feliz Neural redes. imagen adjunta (clic para ampliar) Una idea interesante. Sin la normalización, la distribución sería sesgada hacia cualquiera que sea la tendencia a largo plazo es. Esto estaría bien si todavía estábamos en la misma a largo plazo tendencia, pero no muy bien si la tendencia había cambiado recientemente. supongo que se podría hacer algún tipo de normlization, pero también es no claro exactamente cómo se debe normalizar adecuadamente. podría ser mejor incluir simplemente un conjunto de promedios de diferentes períodos de movimiento las entradas. Esto ayudaría a la red para separar la causa de la inclinación, y ser capaces de replicar la cantidad correcta de asimetría de distribución para el mercado actual. Gracias, charlinks. gran punto sabes. simplemente me golpeó. Todo lo que tiene que hacer es ajustar el precio de los tipos swap. De hecho algunos corredores hacen exactamente eso. que ajustan su precio de entrada para reflejar el canje por lo que si usted llevó a cabo durante 100 días GJ Tendrías como un precio de compra de 200 pips por debajo de su original en el comercio allí. programas genéticos (GP) en realidad, lo que fue un concepto desarrollado después de GA por un investigador llamado Koza creo. Im justo puntillosa en un domingo por la noche. : Sí, supongo GP es una aplicación práctica de la teoría GA. El libro de aprendizaje de máquina Im familiarizados con (la máquina de aprendizaje por Tom Mitchell) trata a cada tipo de algoritmo de aprendizaje como un método de búsqueda. Así GP es la aplicación del método de búsqueda de GA para las tareas de programación. Taxonomía un lado, la aplicación de un método de búsqueda algoritmo genético para el problema de la selección comercial óptima sin duda podría producir algunas buenas soluciones que nunca se le ocurriría a nosotros mismos. Aquí es un indicador que hice que pueden llegar a ser de utilidad. Es una distribución de precios sencilla. Jugando con los parámetros puede crear resultados muy diferentes. . De esa manera usted puede enfocar su estudio sólo en el apoyo o sólo en zonas de resistencia. Muy genial. Hice algo como esto, una vez que atrajo a un número de líneas s / r utilizando diferentes colores de acuerdo a las últimas distribuciones de alta / baja, pero esto es mucho más configurable. Bien hecho
No comments:
Post a Comment