Forex Vorhersage Algorithmen

Wie es funktioniert. Das Hauptziel ist es, tägliche und intra-Tag qualitativ hochwertige Vorhersagen von FOREX-Marktpreisen zu liefern. Sie erhalten Währungsvorhersagen in einem Tabellengrafikformat, basierend auf fünf verschiedenen Zeitrahmen Zeitraum 5 und 15 Minuten 1 Stunde 1 Tag Und 1 Monat zusammen mit den entsprechenden Kaufverkaufssignalen. Verwendet Vorhersage-Algorithmen, die ursprünglich für den Forex-Markt entwickelt und angepasst wurden. Sie können auf unseren Service auf zwei Arten zugreifen. Online durch unsere Website Sobald Sie ein Konto erstellt haben, erhalten Sie Zugang zum Control Panel und die Werkzeuge, die wir zu bieten haben Ihre Lieblings-Software, wie Metastock, Metatrader und andere Sie müssen das Forex-Forecasting-Plugin herunterladen und installieren Dann können Sie unsere Vorhersagen in Verbindung mit den Formeln und Trading-Algorithmen, die Sie bereits verwenden. Das Konzept. Many Proben der Währung Trends haben eine Welle oder eine nichtperiodische, oszillierende Struktur Dies kann mathematisch als eine Kombination der Anzahl der Oberschwingungen mit unbekannten, sich ändernden Frequenzen und den Trends Amplituden dargestellt werden. Somit sind Informationen über diese Oberwellen sehr nützlich für beide Zeitreihenprognosen Markt Preisvorhersagen und Entscheidungsunterstützung Kauf Verkauf Beratung Allerdings können normale analytische Methoden nicht verwendet werden, um die variablen Parameter Oberwellen zu trennen. Wir haben dev Entwickelte eine spezielle Prognosemethode für ökonomische Zeitreihen auf Basis unserer innovativen und einzigartigen Technologie Im Mittelpunkt unserer Methode steht die Zerlegung sowohl der Trend - als auch der Oszillationskomponenten der Zeitreihe mit Hilfe digitaler Filter. Diese spezielle adaptive Technik, die auf neuronalen basiert Vernetzung, wird verwendet, um unsere Modelle zu aktualisieren und Tage zu erkennen, wann die Preis-Zeitreihe ihre Eigenschaften verändert hat. Im Gegensatz zu anderen Methoden kann unsere Technik langfristige Trends und Schwingungen mit wechselnden Frequenzen identifizieren und dabei viel bequemere Ergebnisse liefern Als zum Beispiel eine Fourier-Analyse. IEEE Internationaler Workshop zum Thema Intelligente Datenerfassung und Advanced Computing Systems Technologie und Anwendungen 6.-8. September 2007, Dortmund, Deutschland.58. Internationale Atlantische Wirtschaftskonferenz, Chicago, Illinois, 7.-10. Oktober 2004. Mit genetischen Algorithmen zu Prognose Financial Markets. Burton schlug in seinem Buch, eine zufällige Walk Down Wall Street, 1973, dass ein Blindfol Ding Affen werfen Darts auf eine Zeitung s finanziellen Seiten könnte ein Portfolio, das genauso gut wie eine sorgfältig von Experten ausgewählt würde Während Evolution kann der Mensch nicht mehr intelligent bei der Kommissionierung Aktien, Charles Darwin s Theorie hat sehr effektiv, wenn direkt angewendet werden Um Ihnen zu helfen, Aktien zu wählen, check out Wie man ein Stock. What Genetische Algorithmen. Genetische Algorithmen GAs sind Problemlösungsmethoden oder Heuristiken, die den Prozess der natürlichen Evolution imitieren Im Gegensatz zu künstlichen neuronalen Netzwerken ANNs, entworfen, um wie Neuronen im Gehirn funktionieren, Diese Algorithmen nutzen die Konzepte der natürlichen Selektion, um die beste Lösung für ein Problem zu ermitteln. Als Ergebnis werden GAs üblicherweise als Optimierer verwendet, die Parameter anpassen, um eine Rückkopplungsmaßnahme zu minimieren oder zu maximieren, die dann unabhängig oder in der Konstruktion eines ANN verwendet werden kann. In den Finanzmärkten werden genetische Algorithmen am häufigsten verwendet, um die besten Kombination Werte von Parametern in einer Handelsregel zu finden , Und sie können in ANN-Modelle, die entworfen, um Aktien zu wählen und zu identifizieren Trades Mehrere Studien haben gezeigt, dass diese Methoden können wirksam sein, einschließlich Genetische Algorithmen Genesis of Stock Evaluation 2004 von Rama, und die Anwendungen von genetischen Algorithmen in Aktienmarkt Data Mining Optimierung 2004 von Lin, Cao, Wang, Zhang Um mehr über ANN zu erfahren, siehe Neuronale Netze Prognose Profits. How Genetische Algorithmen Work. Genetic Algorithmen werden mathematisch mit Vektoren, die Mengen, die Richtung und Größe haben Parameter für jede Handelsregel dargestellt werden Ein eindimensionaler Vektor, der als ein Chromosom in genetischen Begriffen gedacht werden kann. Inzwischen können die Werte, die in jedem Parameter verwendet werden, als Gene betrachtet werden, die dann mit der natürlichen Selektion modifiziert werden. Zum Beispiel kann eine Handelsregel die Verwendung von Parameter wie Moving Average Convergence-Divergenz MACD Exponential Moving Average EMA und Stochastik Ein genetischer Algorithmus würde dann inpu T Werte in diese Parameter mit dem Ziel der Maximierung des Nettogewinns Im Laufe der Zeit werden kleine Änderungen eingeführt und diejenigen, die einen wünschenswerten Einfluss haben, werden für die nächste Generation beibehalten. Es gibt drei Arten von genetischen Operationen, die dann durchgeführt werden können. Kreuzungen repräsentieren die Reproduktion Und biologischer Crossover in der Biologie gesehen, wobei ein Kind bestimmte Merkmale seiner Eltern übernimmt. Mutationen stellen biologische Mutation dar und werden verwendet, um die genetische Vielfalt von einer Generation einer Population zur nächsten zu bewahren, indem sie zufällige kleine Veränderungen einführen Einzelne Genome werden aus einer Population für eine spätere Zuchtrekombination oder Crossover ausgewählt. Diese drei Operatoren werden dann in einem fünfstufigen Prozess verwendet. Initialisieren Sie eine zufällige Population, wobei jedes Chromosom n-Längen ist, wobei n die Anzahl der Parameter ist, Eine zufällige Anzahl von Parametern wird mit jeweils n Elementen gebildet. Wählen Sie die Chromosomen oder Parameter, die wünschenswert sind Ergebnisse vermutlich Nettogewinn. Apply Mutation oder Crossover-Betreiber zu den ausgewählten Eltern und generieren eine Nachkommen. Recombine die Nachkommen und die aktuelle Bevölkerung, um eine neue Population mit dem Selektion Betreiber zu bilden. Wiederholen Schritte zwei bis vier. Über Zeit, wird dieser Prozess führen in Zunehmend günstige Chromosomen oder Parameter für die Verwendung in einer Handelsregel Der Prozess wird dann beendet, wenn ein Stoppkriterium erfüllt ist, der Laufzeit, Fitness, Anzahl von Generationen oder anderen Kriterien beinhalten kann. Für mehr über MACD lesen Sie den Handel Die MACD Divergence. Using Genetische Algorithmen im Handel. Während genetische Algorithmen werden in erster Linie von institutionellen quantitativen Händlern verwendet werden können Einzelhändler können die Macht der genetischen Algorithmen - ohne einen Abschluss in fortgeschrittenen Mathematik - mit mehreren Software-Pakete auf dem Markt Diese Lösungen reichen von eigenständigen Software-Pakete auf die finanzielle ausgerichtet Märkte für Microsoft Excel-Add-ons, die mehr Hands-on-Analyse erleichtern können. Wenn wir Bei diesen Anwendungen können Händler einen Satz von Parametern definieren, die dann mit Hilfe eines genetischen Algorithmus und einer Reihe von historischen Daten optimiert werden. Einige Anwendungen können optimieren, welche Parameter verwendet werden, und die Werte für sie, während andere in erster Linie darauf ausgerichtet sind, die Werte einfach zu optimieren Eine Reihe von Parametern Um mehr über diese Programm abgeleiteten Strategien zu erfahren, siehe Die Macht des Programms Trades. Important Optimierung Tipps und Tricks. Curve Anpassung an die Montage, die Gestaltung eines Handelssystems um historische Daten anstatt identifizieren wiederholbare Verhalten, stellt ein mögliches Risiko für Händler, die genetische Algorithmen verwenden Jedes Handelssystem, das GAs verwendet, sollte auf dem Papier vor dem Live-Einsatz vorwärts getestet werden. Die Parameter sind ein wichtiger Teil des Prozesses, und Händler sollten Parameter suchen, die mit Änderungen des Preises einer bestimmten Sicherheit korrelieren. Probieren Sie verschiedene Indikatoren aus und sehen Sie, ob irgendwelche mit großen Marktwendungen zu korrelieren scheinen. Genetische Algorithmen sind einzigartig Wege zur Lösung komplexer Probleme durch die Nutzung der Macht der Natur Durch die Anwendung dieser Methoden zur Vorhersage der Wertpapierpreise können Händler die Handelsregeln optimieren, indem sie die besten Werte für jeden Parameter für eine bestimmte Sicherheit identifizieren. Allerdings sind diese Algorithmen nicht der Heilige Gral und Händler sollten vorsichtig sein, um die richtigen Parameter zu wählen und nicht Kurve passen über fit Um mehr über den Markt zu lesen, check out Listen To The Market, nicht seine Pundits. A Umfrage von der United States Bureau of Labor Statistics durchgeführt, um zu helfen, Stellenangebote zu messen Sammelt Daten von den Arbeitgebern. Die Höchstmenge der Gelder, die die Vereinigten Staaten leihen können Die Schuldenobergrenze wurde unter dem Zweiten Freiheits-Anleihe-Gesetz geschaffen. Der Zinssatz, bei dem ein Depotinstitut Geld an der Federal Reserve an eine andere Depotinstitution leiht.1 Eine statistische Maß für die Dispersion der Renditen für eine gegebene Sicherheit oder Marktindex Volatilität kann entweder gemessen werden. Handeln Sie die US-Kongress verabschiedet im Jahr 1933 als die Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Lohn-und Gehaltsabrechnung bezieht sich auf jede Arbeit außerhalb der landwirtschaftlichen Betriebe, private Haushalte und der gemeinnützige Sektor Die US Bureau of Labor. Genetic Algorithmus in FOREX Trading Systems. Using Genetischen Algorithmus, um profitable FOREX Trading zu schaffen Strategie Genetischer Algorithmus in Cortex Neuronale Netzwerke Software Feedforward Backpropagation Neuronale Netzwerk Anwendung für genetische Berechnungen basierte Forex Trading. Dieses Beispiel verwendet Konzepte und Ideen des vorherigen Artikels, so lesen Sie bitte Neural Network Genetic Algorithmus in FOREX Trading Systems zuerst, obwohl es nicht obligatorisch ist. Über diesen Text. First von allen, lesen Sie bitte den Haftungsausschluss Dies ist ein Beispiel für die Verwendung von Cortex Neural Networks Software genetische Algorithmus Funktionalität, kein Beispiel, wie man profitables Trading Ich bin nicht Ihr Guru, weder sollte ich für Ihre Verluste verantwortlich sein. Cortex Neural Networks Software hat neuronale Netze in ihr, und FFBP, die wir vorher besprochen haben, ist nur o Ne Möglichkeit der Auswahl eines Forex Trading-Strategien Es ist eine gute Technik, leistungsstarke und wenn richtig angewendet, sehr promovieren Allerdings hat es ein Problem - zu lehren, nene Netzwerk müssen wir wissen, die gewünschte Ausgabe. Es ist ziemlich einfach zu tun, wenn wir Funktionieren Näherung, wir nehmen einfach den wirklichen Wert einer Funktion, weil wir wissen, was es sein sollte. Wenn wir neuronale Netzwerkprognose machen, verwenden wir die Technik, die in früheren Artikeln des Neuronalen Netzes über die Geschichte beschrieben wurde, wieder, wenn wir voraussagen , Sagen wir, einen Wechselkurs, wissen wir während der Ausbildung, was die richtige Vorhersage ist. Jedoch, wenn wir ein Handelssystem bauen, haben wir keine Ahnung, was die richtige Handelsentscheidung ist, auch wenn wir den Wechselkurs kennen Tatsache, wir haben viele Devisenhandelsstrategien, die wir zu irgendeinem Zeitpunkt nutzen können, und wir müssen ein gutes finden - wie was sollten wir als die gewünschte Ausgabe unseres Neuronalen Netzes füllen. Wenn du unseren vorherigen Artikel folgst, weißt du, Dass wir betrogen haben, um mit th Ist Problem Wir haben das Neuronale Netzwerk gelehrt, um Wechselkurs oder Wechselkurs basierte Indikator Vorhersage zu tun, und dann verwendet diese Vorhersage zu handeln Dann, außerhalb der Neuronalen Netzwerk Teil des Programms, haben wir eine Entscheidung, welche Neuronale Netzwerk ist die beste. Genetische Algorithmen können mit diesem Problem direkt umgehen, sie können das Problem lösen, um die besten Handelssignale zu finden. In diesem Artikel werden wir Cortex Neural Networks Software verwenden, um ein solches Programm zu erstellen. Mit genetischen Algorithmen. Genetische Algorithmen sind sehr gut entwickelt , Und sehr vielfältig Wenn du alles über sie lernen willst, schlage ich vor, dass du Wikipedia benutzt, da dieser Artikel nur darüber kommt, was Cortex Neural Networks Software tun kann. Mit Cortex Neural Networks Software können wir ein Neuronales Netzwerk erstellen, das einige Eingaben annimmt , Werte eines Indikators, und produziert einige Ausgabe, sagen, Trading-Signale kaufen, verkaufen, halten und stoppen Verlust nehmen Gewinnniveaus für Positionen zu öffnen. Wenn wir das Neural Networks Gewicht sähen S zufällig, Handelsergebnisse werden schrecklich sein Allerdings lassen wir sagen, wir haben ein Dutzend solcher NNs erstellt Dann können wir die Leistung von jedem von ihnen testen und wählen Sie die beste, die Gewinner. Dies war die erste Generation von NNs weiter zu machen Die zweite Generation, müssen wir unseren Gewinner erlauben zu zeigen, aber um zu vermeiden, identische Kopien, lassen Sie s fügen Sie einige zufällige Lärm, um es scentants Gewichte. In der zweiten Generation haben wir unsere erste Generation Gewinner und es ist unvollkommen mutierte Kopien Lass uns wieder testen Wir werden noch einen Gewinner haben, der BESSER ist dann ein anderes Neuronales Netzwerk in der Generation. Und so weiter Wir erlauben es einfach, die Gewinner zu züchten und die Verlierer zu eliminieren, genau wie im wirklichen Leben, und wir werden unser Bestes bekommen - trading Neuronales Netzwerk ohne vorheriges Wissen auf dem, was der Handelssystem genetischen Algorithmus sein sollte. Neural Network Genetischer Algorithmus Beispiel 0. Dies ist das erste genetische Algorithmus Beispiel und eine sehr einfache Wir werden es durch Schritt Schritt für Schritt zu gehen Lear N alle Tricks, die folgende Beispiele verwenden werden. Der Code hat Inline-Kommentare, also lasst uns nur auf die wichtigsten Momente konzentrieren. Zunächst haben wir ein neuronales Netzwerk erstellt Es ist mit zufälligen Gewichten und wurde noch nicht unterrichtet. Dann, im Zyklus, wir Machen Sie 14 Kopien davon, mit MUTATIONNN Fumktion Diese Funktion macht eine Kopie einer Quelle Neuronales Netzwerk Hinzufügen von zufälligen Werten von 0 bis in unserem Fall 0 1 zu allen Gewichten. Wir halten Handles zu resultierenden 15 NNs in einem Array, können wir es tun, Als Griff ist nur eine ganzzahlige Zahl. Der Grund, warum wir 15 NNs verwenden, hat nichts mit dem Handel zu tun Cortex Neural Networks Software kann bis zu 15 Zeilen auf einem Diagramm gleichzeitig erstellen. Wir können verschiedene Ansätze zur Prüfung verwenden Zuerst können wir das Lernen verwenden Set, das alles auf einmal Zweitens können wir auf 12000 Resorts von 100000 testen und durch das Lernset gehen, von Anfang bis Ende Das macht Lernenden anders, denn wir werden nach Neuronalen Netzwerken suchen, die sind Profitabel auf jedem gegebenen Teil der Daten, nicht nur auf dem ganzen Satz Die zweite Ansatz kann uns Probleme geben, wenn Daten ändern, von Anfang bis Ende Dann wird das Netzwerk weiterentwickeln, die Fähigkeit, am Ende des Datensatzes zu handeln und die Fähigkeit, am Anfang zu handeln, zu verlieren. Um dieses Problem zu lösen, gehen wir Um zufällige 12000 Datensätze Fragmente aus Daten zu nehmen, und füttere sie an das Neuronale Netzwerk. Es ist einfach ein endloser Zyklus, da 100000 Zyklen nie bei unserer Geschwindigkeit erreicht werden. Below wir addieren ein Kind für jedes Netzwerk mit etwas unterschiedlichen Gewichten Beachten Sie, dass 0 1 für Mutations-Tange ist nicht die einzige Wahl, da tatsächlich auch dieser Parameter mit Hilfe des genetischen Algorithmus optimiert werden kann. Neil erzeugte NNs werden nach 15 vorhandenen hinzugefügt. Auf diese Weise haben wir 30 NNs in einem Array, 15 alt und 15 Neu Dann werden wir den nächsten Zyklus des Testens machen und die Verlierer von beiden Generationen töten. Um das Testen durchzuführen, wenden wir Neural Network auf unsere Daten an, um Ausgänge zu erzeugen und dann die Testfunktion aufzurufen, die diese Ausgänge zu simulieren nutzt Handel Ergebnisse des Handels werden verwendet, um zu entdecken, Welche NNs sind am besten. Wir verwenden ein Intervall von nLearn Datensätze, von nStart zu nStart nLearn, wo nStart ist ein zufälliger Punkt innerhalb Lern-Set. Der Code unten ist ein Trick Der Grund, warum wir es verwenden, ist zu illustrieren, die Tatsache, dass genetische Algorithmus kann Erstellen Sie genetischen Algorithmus, aber es wird nicht unbedingt der beste sein, und auch, um vorzuschlagen, dass wir das Ergebnis verbessern können, wenn wir einige Einschränkungen für den Lernprozess bedeuten. Es ist möglich, dass unser Handelssystem sehr gut auf langen Trades arbeitet , Und sehr schlecht auf kurz, oder umgekehrt Wenn, sagen wir, lange Trades sind sehr gut, kann dieser genetische Algorithmus gewinnen, auch mit großen Verlusten auf kurze Trades. Um es zu vermeiden, weisen wir mehr Gewicht auf lange Trades in ungeraden und kurz Trades in gleichmäßigen Zyklen Dies ist nur ein Beispiel, es gibt keine Garantie, dass es etwas verbessern wird mehr darüber unten, in der Diskussion über Korrekturen Technisch, Sie don t müssen es tun, oder kann es anders. Add Gewinn zu einem sortierten Array Es gibt eine Einfügeposition zurück, dann verwenden wir t Seine Position, um Neural Network Handle hinzuzufügen, Lernen und Testen von Gewinnen an nicht sortierte Arrays Jetzt haben wir Daten für das aktuelle Neuronale Netzwerk auf dem gleichen Array-Index wie sein Profit. Die Idee ist, zu Array von NNs zu kommen, sortiert nach Profitabilität Wie Array ist Sortiere nach Profit, um 1 2 von Netzwerken zu entfernen, die weniger rentabel sind, müssen wir nur NNs 0 bis 14 entfernen. Entscheidungen auf der Grundlage des Wertes des Neuronalen Netzwerksignals, von diesem Gesichtspunkt aus ist das Programm identisch mit Beispielen aus früheren Article. FOREX Trading-Strategie Diskussion Beispiel 0.First von allen, lassen Sie uns einen Blick auf Charts Die erste Chart für Profit während der ersten Iteration ist überhaupt nicht gut, wie zu erwarten, das Neuronale Netzwerk verliert Geld Bild kopiert nach der ersten Iteration Aus Bildern Ordner. Das Bild für Profit auf Zyklus 15 ist besser, manchmal kann genetische Algorithmus wirklich schnell lernen. Jedoch bemerken die Sättigung auf eine Profit-Kurve. Es ist auch interessant, um zu sehen, wie sich einzelne Gewinne ändern, im Auge behalten, Diese Kurve Zahl, sagen wir, 3 ist nicht immer für das gleiche Neuronale Netzwerk, wie sie geboren werden und beendet die ganze Zeit. Auch beachten Sie, dass aus wenig Forex automatisierte Handelssystem führt schlecht auf kurze Trades, und viel besser auf Longs, die können Oder kann nicht mit der Tatsache in Verbindung gebracht werden, dass Dollar im Vergleich zu Euro in diesem Zeitraum fiel. Es kann auch etwas mit Parametern unserer Indikator zu tun haben, vielleicht brauchen wir unterschiedliche Zeit für Shorts oder die Wahl der Indikatoren. Hier ist die Geschichte nach 92 und 248 Zyklen. Um unsere Überraschung, genetischen Algorithmus fehlgeschlagen vollständig Lassen Sie uns versuchen, herauszufinden, warum, und wie die Situation zu helfen. Zunächst einmal ist nicht jede Generation soll besser sein als die vorherigen Die Antwort ist nein, bei Am wenigsten nicht in dem Modell, das wir verwendet haben Wenn wir ENTIRE Lernen auf einmal gesetzt und verwendet es immer wieder, um unsere NNs zu lehren, dann ja, sie werden auf jeder Generation zu verbessern Aber stattdessen haben wir zufällige Fragmente 12000 Datensätze in der Zeit, und verwendet sie. Zwei Fragen, warum das System Scheiterte an zufälligen Fragmenten des Lernens, und warum Haven t wir benutzten das gesamte Lernset Nun, um die zweite Frage zu beantworten, habe ich NNs sehr gespielt - beim Lernen Set Und sie scheiterten auf Test-Set, aus dem gleichen Grund fehlschlägt es, wenn wir FFPB Lernen verwendet haben Um es anders auszudrücken, haben unsere NNs überdimensioniert, sie haben gelernt, in der Umgebung zu überleben, in der sie sich gewöhnen, aber nicht draußen. Das passiert viel in der Natur. Der Ansatz, den wir stattdessen hatten, sollte das kompensieren, indem wir NNs dazu zwingen Führen Sie auf jedem zufälligen Fragment des Datensatzes gut aus, so dass sie hoffentlich auch auf einem ungewohnten Test-Set stattfinden könnten. Stattdessen scheiterten sie sowohl beim Testen als auch beim Lernen set. Imagine Tiere, die in einer Wüste leben Eine Menge Sonne, kein Schnee an Alles Dies ist ein metafor für den Ritu-Markt, denn für unsere NNs Daten spielen die Rolle der Umwelt Tiere gelernt, in einer Wüste zu leben. Imagine Tiere, die in einem kalten Klima leben Schnee und keine Sonne überhaupt Nun, sie angepasst. Jedoch in Unser Experiment, wir zufällig Stellte unsere NNs in eine Wüste, im Schnee, im Wasser, auf die Bäume, indem sie ihnen verschiedene Fragmente von Daten zufällig aufsteigende, fallende, flache Tiere starb. Or, um es anders auszudrücken, wählten wir das beste Neuronale Netzwerk für zufällige Daten Set 1, was heißt, war für steigenden Markt Dann haben wir den Gewinnern und ihren Kindern einen fallenden Markt s Daten NNs schlecht gemacht, haben wir am besten von armen Performern, vielleicht einer der mutierten Kinder, die verlorene Fähigkeit verloren Handel auf steigenden Markt, aber bekam einige Fähigkeit, mit einem falling one. Then wir drehten den Tisch wieder, und wieder, wir haben besten Performer - aber am besten unter armen Performer Wir haben einfach nicht unsere NNs irgendwelche Chancen, universal zu werden. Es gibt Techniken erlauben genetischen Algorithmus, um neue Informationen zu lernen, ohne die Leistung auf alte Informationen zu verlieren, nachdem alle Tiere im Sommer und im Winter leben können. So Evolution ist in der Lage, wiederholende Änderungen zu bewältigen. Wir können diese Techniken später besprechen, obwohl dieser Artikel mehr ist Ut mit Cortex Neural Networks Software als über den Aufbau eines erfolgreichen Forex automatisierten Handelssystem. Neural Netzwerk Genetische Algorithmus Beispiel 1.Now ist es Zeit, über Korrekturen zu sprechen Ein einfacher genetischer Algorithmus, den wir während des vorherigen Schrittes erstellt haben, hat zwei Hauptfehler Zuerst hat es nicht gelungen Handel mit Gewinn Es ist in Ordnung, wir können versuchen, teilweise geschultes System zu nutzen, das es am Anfang rentabel war. Der zweite Fehler ist ernster, wir haben keine Kontrolle über die Dinge, die dieses System tut. Zum Beispiel kann es lernen, rentabel zu sein, aber mit Riesige Drawdowns. Es ist eine bekannte Tatsache, dass im echten Leben die Evolution mehr als einen Parameter gleichzeitig optimieren kann. Zum Beispiel können wir ein Tier bekommen, das schnell laufen kann und kalt sein kann. Warum nicht versuchen, das gleiche zu tun in unserem Forex automatisiert Trading System. That s, wenn wir Korrekturen verwenden, die nichts anderes als die Menge der zusätzlichen Strafen Sagen, unser System Trades mit Drawdown 0 5, während wir wollen, um es zu bestätigen 0 - 0 3 Intervall Um das System zu sagen M, dass es einen Fehler gemacht hat, verringern wir seinen Profit, den man bestimmt hat, welcher genetische Algorithmus in dem Maße gewann, der proportional zur Größe von DD ist. Dann geht der Evolutionsalgorithmus auf den Rest. Es gibt nur wenige Faktoren Wir wollen berücksichtigen, dass wir vielleicht mehr oder weniger gleich viele Kauf - und Verkaufsbetriebe haben wollen, wir wollen mehr von rentablen Operationen haben, dann von Ausfällen, können wir das Gewinndiagramm linear und so weiter sein Implementieren einen einfachen Satz von Korrekturen Zunächst einmal verwenden wir eine große Anzahl für einen anfänglichen Korrekturwert Wir multiplizieren sie mit einem kleinen, meist zwischen 0 und 1 Werten, abhängig von der Bestrafung, die wir anwenden möchten. Dann multiplizieren wir unseren Gewinn mit dieser Korrektur Als Ergebnis wird der Gewinn korrigiert, um zu reflektieren, wie viel der genetische Algorithmus unseren anderen Kriterien entspricht. Dann verwenden wir das Ergebnis, um einen Gewinner zu finden Neuronales Netzwerk. FOREX Handelsstrategie Diskussion Beispiel 1. Beispiel 1 arbeitet viel besser als Beispiel 0 Während des ersten100 Zyklen, es gelernt viel, und Profit-Charts sehen beruhigend aus. Wie in Beispiel 0 sind lange Trades viel rentabler, was höchstwahrscheinlich bedeutet, dass es ein Problem in unserem Ansatz gibt. Dennoch fand das System ein Gleichgewicht zwischen paar widersprüchlichen Anfangsbedingungen. Es gibt eine positive Dynamik sowohl beim Lernen gesetzt als auch, wichtiger, bei der Prüfung set. As für weiteres Lernen, im Zyklus 278 können wir sehen, dass unser System überholt wurde Es bedeutet, wir haben immer noch Fortschritte beim Lernen set. But Test-Set zeigt Schwäche. Dies ist ein häufiges Problem mit NNs, wenn wir es lehren, Lern-Set, es lernt, damit umzugehen, und manchmal lernt es zu gut - in dem Grad, wenn es verliert Leistung auf Test-Set. To mit zu behandeln Dieses Problem, eine traditionelle Lösung verwendet wird, halten wir auf der Suche nach dem Neuronalen Netzwerk, das am besten auf Test-Set, und speichern Sie es, Überschreiben früheren besten, jedes Mal, wenn neue Spitze erreicht ist Dies ist der gleiche Ansatz, den wir in FFBP-Training verwendet, außer , diesmal Wir müssen es selbst tun, indem wir Code hinzufügen, der nach einem besten Neuronalen Netzwerk auf einem Test-Set sucht und SAVENN anruft oder Gewichte des Neuronalen Netzwerks in eine Datei exportiert. Auf diese Weise, wenn du dein Training aufhörst, wirst du den besten Darsteller aufsetzen TESTING SET gespeichert und wartet auf dich. Hinweis auch, dass es nicht die max Profit sind Sie nach, aber optimale Leistung, also betrachten Sie Korrekturen, bei der Suche nach einem besten Performer auf einem Test-Set. Genetischer Algorithmus für FOREX Technische Analyse Wo jetzt. Nachdem du dein Gewinner neuronales Netzwerk hast, kannst du den Schritten folgen, die im vorherigen Artikel beschrieben wurden, um Gewichte dieses Neuronalen Netzes zu exportieren und sie dann in deiner Echtzeit-Handelsplattform wie Meta Trader, Trade Station und so weiter zu verwenden. Können Sie sich auf andere Möglichkeiten der Optimierung der Neuronalen Netzwerk im Gegensatz zu FFBP-Algorithmus konzentrieren, hier können Sie sich von der Verwendung von Lern-und Test-Sets, und verschieben sequentielle Lernen. Download Cortex Order Cortex View Price List. Visibility ist sehr wichtig Für diese Seite Wenn es Ihnen gefällt, bitte Link zu dieser URL.