Neuronaler Netto Devisenhandel

Neuronale Netze: Prognoseprofite Neuronale Netze sind state-of-the-art, trainierbare Algorithmen, die bestimmte wichtige Aspekte in der Funktionsweise des menschlichen Gehirns emulieren. Dies gibt ihnen eine einzigartige, selbsttrainierende Fähigkeit, die Fähigkeit, nicht klassifizierte Informationen zu formalisieren und vor allem die Fähigkeit, Prognosen auf der Grundlage der historischen Informationen, die sie zur Verfügung haben, zu machen. Neuronale Netze werden zunehmend in einer Vielzahl von Geschäftsanwendungen eingesetzt, einschließlich Prognose - und Marketingforschungslösungen. In einigen Bereichen, wie Betrugserkennung oder Risikobewertung. Sie sind die unbestreitbaren Führer. Die wichtigsten Bereiche, in denen neuronale Netze gefunden haben Anwendung sind Finanzoperationen, Unternehmensplanung, Handel, Business-Analytik und Produkt-Wartung. Neuronale Netze können von allen Arten von Händlern beworben werden. Wenn Sie also ein Händler sind und Sie noch nicht in neuronale Netze eingeführt haben, können Sie diese Methode der technischen Analyse durchführen und Ihnen zeigen, wie Sie diese auf Ihren Handelsstil anwenden können. Gemeinsame Delusions Die meisten Menschen haben noch nie von neuronalen Netzwerken gehört, und wenn sie arent Händler, sie wahrscheinlich nicht wissen müssen, was sie sind. Was ist wirklich überraschend, ist jedoch die Tatsache, dass eine riesige Anzahl von denen, die reichlich von neuronalen Netzwerk-Technologie profitieren können, noch nie davon gehört haben, nehmen es für eine hohe wissenschaftliche Idee oder denken Sie daran, wie von einem glatten Marketing-Gag. Es gibt auch diejenigen, die alle ihre Hoffnungen auf neuronale Netze, Lionisierung der Netze nach einigen positiven Erfahrungen mit ihnen und sie als Silber-Kugel Lösung für jede Art von Problem. Doch wie jede Handelsstrategie. Neuronale Netze sind keine schnelle-fix, mit denen Sie es reich, indem Sie eine Schaltfläche oder zwei schlagen können. In der Tat ist das richtige Verständnis der neuronalen Netze und ihre Zielsetzung entscheidend für ihre erfolgreiche Anwendung. Was den Handel angeht, sind neuronale Netze eine neue, einzigartige Methode der technischen Analyse, die für diejenigen gedacht ist, die einen Denkansatz für ihr Unternehmen einnehmen und bereit sind, etwas Zeit und Mühe zu leisten, um diese Methode für sie zu arbeiten. Am besten von allen, wenn richtig angewendet, können neuronale Netze einen Gewinn auf einer regelmäßigen Basis zu bringen. Verwenden Sie Neuronale Netze, um Chancen zu entdecken Ein großes Missverständnis ist, dass viele Händler neuronale Netze für ein Prognosewerkzeug verwechseln, das Ratschläge zum Handeln in einer bestimmten Marktsituation anbieten kann. Neuronale Netze machen keine Prognosen. Stattdessen analysieren sie Preisdaten und eröffnen Chancen. Unter Verwendung eines neuronalen Netzes können Sie eine handelsbezogene Entscheidung treffen, die auf gründlich analysierten Daten beruht, was nicht unbedingt der Fall ist, wenn traditionelle technische Analysemethoden verwendet werden. Für einen ernsthaften, denkenden Händler sind neuronale Netze ein Werkzeug der nächsten Generation mit großem Potenzial, das subtile nichtlineare Interdependenzen und Muster erkennen kann, die andere Methoden der technischen Analyse nicht aufdecken können. Die besten Netze Genau wie jede Art von großem Produkt oder Technologie haben neuronale Netze angezogen ziehen alle diejenigen, die für einen anspruchsvollen Markt suchen. Torrents von Anzeigen über Next-Generation-Software haben die Markt-Anzeigen gefeiert feiert der mächtigste aller neuronalen Netzwerk-Algorithmen jemals erstellt. Selbst in den seltenen Fällen, wenn Werbung Ansprüche die Wahrheit ähneln, denken Sie daran, dass eine 10 Effizienzsteigerung wahrscheinlich die meisten Sie jemals aus einem neuronalen Netzwerk erhalten wird. Mit anderen Worten, es erzeugt keine wunderbaren Renditen und unabhängig davon, wie gut es in einer bestimmten Situation funktioniert, wird es einige Datensätze und Task-Klassen, für die die bisher verwendeten Algorithmen überlegen bleiben. Denken Sie daran: es ist nicht der Algorithmus, der den Trick macht. Gut präparierte Input-Informationen zum Zielindikator sind die wichtigste Komponente Ihres Erfolges mit neuronalen Netzen. Ist schneller Konvergenz besser Viele von denen, die bereits neuronale Netzwerke irrtümlich glauben, dass je schneller ihr Netz Ergebnisse liefert, desto besser ist es. Dies ist jedoch eine Täuschung. Ein gutes Netzwerk wird nicht durch die Rate bestimmt, mit der es Ergebnisse erzeugt, und die Nutzer müssen lernen, die beste Balance zwischen der Geschwindigkeit, mit der das Netzwerk trainiert, und der Qualität der Ergebnisse, die es erzeugt, zu finden. Korrekte Anwendung von Neuronalen Netzen Viele Händler wenden Neuronale Netze falsch an, weil sie zu viel Vertrauen in die Software setzen, die sie alle verwenden, ohne ordnungsgemäße Gebrauchsanweisungen zu erhalten. Um ein neuronales Netzwerk auf die richtige Art und Weise nutzen zu können, sollte ein Händler auf alle Stadien des Netzwerkvorbereitungszyklus achten. Es ist der Trader und nicht sein Netz, das dafür verantwortlich ist, eine Idee zu erfinden, diese Idee zu formalisieren, zu testen und zu verbessern und schließlich den richtigen Zeitpunkt zu wählen, um es zu entsorgen, wenn es nicht mehr nützlich ist. Lassen Sie uns die Stufen dieses entscheidenden Prozesses genauer betrachten: 1. Suchen und Formalisieren einer Trading-Idee Ein Trader sollte vollständig verstehen, dass sein oder ihr neuronales Netz nicht dazu bestimmt ist, gewinnbringende Ideen und Konzepte zu erfinden. Es ist für die Bereitstellung der vertrauenswürdigsten und präzise Informationen möglich, wie effektiv Ihre Trading-Idee oder Konzept ist. Daher sollten Sie kommen mit einer originellen Trading-Idee und klar definieren den Zweck dieser Idee und was Sie erwarten, indem Sie es zu erreichen. Dies ist der wichtigste Schritt im Netzvorbereitungszyklus. (Erläuterungen dazu finden Sie unter Lehren aus einem Trader-Tagebuch.) 2. Verbesserung der Parameter Ihres Modells Als nächstes sollten Sie versuchen, die Gesamtmodellqualität zu verbessern, indem Sie den verwendeten Datensatz ändern und die verschiedenen Parameter anpassen. Abbildung 1: Angabe des Optimierungsalgorithmus und seiner Eigenschaften 3. Entsorgung des Modells, wenn es obsolet wird Jedes neuronalnetzbasierte Modell hat eine Lebensdauer und kann nicht unbegrenzt genutzt werden. Die Langlebigkeit einer Modelllebensdauer hängt von der Marktsituation und davon ab, wie lange die Marktinterdependenzen in ihr aktuell bleiben. Jedoch wird früher oder später jedes Modell obsolet. Wenn dies geschieht, können Sie entweder das Modell mit völlig neuen Daten umschulen (d. H. Alle verwendeten Daten ersetzen), neue Daten dem vorhandenen Datensatz hinzufügen und das Modell erneut ausbilden oder das Modell komplett zurückziehen. Viele Händler machen den Fehler, den einfachsten Weg zu gehen - sie verlassen sich stark auf und nutzen den Ansatz, für den ihre Software die benutzerfreundlichste und automatisierte Funktionalität bietet. Dieser einfachste Ansatz prognostiziert einen Preis ein paar Bars voraus und basiert Ihr Trading-System auf dieser Prognose. Andere Händler prognostizieren Preisänderung oder Prozentsatz der Preisänderung. Dieser Ansatz führt selten zu besseren Ergebnissen als die direkte Prognose des Preises. Sowohl die vereinfachten Ansätze scheitern, die meisten wichtigen längerfristigen Interdependenzen aufzudecken und gewinnbringend auszunutzen, und als Ergebnis wird das Modell schnell veraltet, wenn sich die globalen Triebkräfte ändern. Der optimale Ansatz für die Verwendung von neuronalen Netzwerken Ein erfolgreicher Trader konzentriert sich und verbringt viel Zeit damit, die regierenden Eingaben für sein neuronales Netzwerk auszuwählen und seine Parameter anzupassen. Er oder sie wird aus (mindestens) mehrere Wochen - und manchmal bis zu mehreren Monaten - die Bereitstellung des Netzwerks zu verbringen. Ein erfolgreicher Trader wird auch sein Netz an die veränderten Bedingungen während seiner gesamten Lebensdauer anpassen. Da jedes neuronale Netzwerk nur einen relativ kleinen Aspekt des Marktes abdecken kann, sollten auch neuronale Netze in einem Ausschuss eingesetzt werden. Verwenden Sie so viele neuronale Netze wie angemessen - die Fähigkeit, mehrere auf einmal einsetzen ist ein weiterer Vorteil dieser Strategie. Auf diese Weise kann jedes dieser mehreren Netze für einen bestimmten Aspekt des Marktes verantwortlich sein, was Ihnen einen großen Vorteil auf der ganzen Linie. Es wird jedoch empfohlen, die Anzahl der Netze im Bereich von fünf bis zehn zu halten. Neuronale Netze sollten schließlich mit einem der klassischen Ansätze kombiniert werden. Dies ermöglicht es Ihnen, besser nutzen die Ergebnisse in Übereinstimmung mit Ihren Handelspräferenzen erreicht. Fazit Sie erleben einen echten Erfolg mit Neuronalen Netzen nur, wenn Sie auf der Suche nach dem besten Netz zu stoppen. Denn der Schlüssel zu Ihrem Erfolg mit neuronalen Netzen liegt nicht im Netzwerk selbst, sondern in Ihrer Handelsstrategie. Deshalb, um eine rentable Strategie, die für Sie arbeitet zu finden, müssen Sie eine starke Idee über die Schaffung eines Ausschusses der neuronalen Netze und sie in Kombination mit klassischen Filtern und Geld-Management-Regeln zu entwickeln. Für die damit verbundenen Lektüre, überprüfen Sie Neural Trading: Biological Keys To Profit und das Trading Systems Coding Tutorial. Ein Begriff verwendet von John Maynard Keynes verwendet in einem seiner Wirtschaftsbücher. In seiner 1936 erschienenen Publikation The General Theory of Employment. Ein Gesetz der Gesetzgebung, die eine große Anzahl von Reformen in U. S. Pensionspläne Gesetze und Vorschriften. Dieses Gesetz machte mehrere. Ein Maß für den aktiven Teil einer Volkswirtschaft. Die Erwerbsquote bezieht sich auf die Anzahl der Personen, die sind. Der gesamte Bestand an Währung und anderen flüssigen Instrumenten in einer Volkswirtschaft zu einer bestimmten Zeit. Die Geldmenge. 1. Im Allgemeinen eine Situation der Gleichheit. Parität kann in vielen verschiedenen Kontexten auftreten, aber es bedeutet immer, dass zwei Dinge. Eine Klassifizierung von Handelsaktien, wenn eine deklarierte Dividende dem Verkäufer statt dem Käufer gehört. Eine Aktie wird. SnowCron genetischen Algorithmus in FOREX Trading Systems mit genetischen Algorithmus zu profitable FOREX Trading-Strategie zu schaffen. Genetischer Algorithmus in Cortex Neuronale Netze Software Feedforward Backpropagation Neuronales Netz Anwendung für genetische Berechnungen basierte Forex Trading. Dieses Beispiel verwendet Konzepte und Ideen des vorherigen Artikels, also lesen Sie bitte Neural Network Genetic Algorithm in Forex Trading Systems zuerst, obwohl es nicht obligatorisch ist. Zu diesem Text Zuerst lesen Sie bitte den Haftungsausschluss. Dies ist ein Beispiel für die Verwendung von Cortex Neural Networks Software genetischen Algorithmus-Funktionalität, nicht ein Beispiel, wie man profitabel Handel tun. Ich bin nicht euer Guru, und ich sollte auch nicht für eure Verluste verantwortlich sein. Cortex Neural Networks Software hat neuronale Netzwerke in ihr, und FFBP wir diskutiert, bevor ist nur eine Möglichkeit der Auswahl eines Forex Trading-Strategien. Es ist eine gute Technik, leistungsstark und wenn richtig angewendet, sehr vielversprechend. Allerdings hat es ein Problem - das Neuronale Netz zu lehren. Müssen wir die gewünschte Ausgabe wissen. Es ist ziemlich einfach zu tun, wenn wir funktionieren Approximation, nehmen wir nur den realen Wert einer Funktion, weil wir wissen, was es sein sollte. Wenn wir neuronale Netzwerk-Prognose. Verwenden wir die in früheren Artikeln beschriebene Technik des Neuronalen Netzes über die Geschichte, wenn wir, wie wir sagen, einen Wechselkurs voraussagt, wissen wir (während des Trainings), was die richtige Vorhersage ist. Allerdings, wenn wir ein Handelssystem zu bauen, haben wir keine Ahnung, was die richtige Handelsentscheidung ist, auch wenn wir wissen, der Wechselkurs Wie die Tatsache, wir haben viele Forex Trading-Strategien können wir zu jedem Zeitpunkt verwenden, und Müssen wir eine gute finden - wie Was sollten wir als die gewünschte Leistung des Neuronalen Netzes füttern Wenn Sie unserem vorherigen Artikel gefolgt sind, wissen Sie, dass wir betrogen haben, um mit diesem Problem umzugehen. Wir lehrten das Neuronale Netz zu tun Wechselkurs (oder Wechselkurs-basierte Indikator) Vorhersage, und dann verwendet diese Vorhersage zu tun Handel. Dann, außerhalb der Neural Network Teil des Programms, haben wir eine Entscheidung, auf die Neural Network ist die beste. Genetische Algorithmen können mit diesem Problem direkt umgehen, können sie lösen das Problem als die besten Trading-Signale 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 Sie alles über sie lernen wollen, schlage ich vor, Sie verwenden Wikipedia, da dieser Artikel nur darüber, was Cortex Neural Networks Software tun kann. Mit der Cortex Neural Networks Software. Können wir ein Neuronales Netz schaffen, das einige Werte, zB Werte eines Indikators, annimmt und einige Outputs erzeugt, zB Handelssignale (Kauf, Verkauf, Halten) und Stop-Loss / Take-Profit für Positionen, die geöffnet werden sollen. Natürlich, wenn wir diese Neural Network s Gewichte zufällig seed, werden die Handelsergebnisse schrecklich sein. Allerdings können wir sagen, wir haben ein Dutzend solcher NNs. Dann können wir testen Leistung von jedem von ihnen, und wählen Sie die beste, der Gewinner. Dies war die erste Generation von NNs. Um mit der zweiten Generation fortzufahren, müssen wir unseren Siegern erlauben, sich zu formen, aber um zu vermeiden, identische Kopien zu erhalten, können wir einige zufällige Geräusche zu den Absenkungsgewichten hinzufügen. In der zweiten Generation haben wir unseren ersten Sieger und seine unvollkommenen (mutierten) Kopien. Lassen Sie uns erneut testen. Wir haben einen weiteren Sieger, der BESSER ist als jedes andere Neuronale Netzwerk in der Generation. Und so weiter. Wir erlauben es den Gewinnern, zu züchten und die Verlierer zu eliminieren, genau wie in der wirklichen Evolution, und wir werden unser bestes Trading Neural Network bekommen. Ohne vorheriges Wissen über das, was das Handelssystem (genetischer Algorithmus) sein sollte. Neuronales Netzwerk Genetischer Algorithmus: Beispiel 0 Dies ist das erste Beispiel eines genetischen Algorithmus. Und eine sehr einfache. Wir werden Schritt für Schritt durch sie gehen, um alle Tricks zu lernen, die folgende Beispiele nutzen werden. Der Code hat Inline-Kommentare, so können nur auf wichtige Momente konzentrieren. Zuerst haben wir ein neuronales Netzwerk geschaffen. Es ist mit zufälligen Gewichten, und wurde noch nicht unterrichtet. Dann, im Zyklus, machen wir 14 Kopien davon, mit MUTATIONNN fumction. Diese Funktion macht eine Kopie eines Quell-Neuronalen Netzes. Zufallswerte von 0 bis (in unserem Fall) 0,1 zu allen Gewichten addieren. Wir halten Griffe zu resultierenden 15 NNs in einem Array, können wir es tun, da Handle ist nur eine ganze 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 Chart gleichzeitig darstellen. Wir können verschiedene Ansätze für die Prüfung verwenden. Zuerst können wir das Lernset verwenden, alles auf einmal. Zweitens können wir auf 12000 Resonanzen (von 100000) testen und durch das Lernset gehen, von Anfang bis Ende. Das wird lernen, verschiedene, wie wir für Neural Network s, die profitabel sind, auf einem bestimmten Teil der Daten, nicht nur auf den gesamten Satz zu suchen. Der zweite Ansatz kann uns Probleme, wenn Daten ändern, von Anfang bis Ende. Dann wird das Netzwerk entwickeln, die Fähigkeit zu erwerben, am Ende des Datensatzes handeln, und verlieren Fähigkeit, den Handel an seinem Anfang. Um dieses Problem zu lösen, werden wir zufällige 12000 Datensätze Fragmente aus Daten zu nehmen, und füttern sie an das neuronale Netzwerk. Ist einfach ein endloser Zyklus, da 100000 Zyklen nie bei unserer Geschwindigkeit erreicht werden. Darunter fügen wir ein Kind für jedes Netzwerk, mit etwas anderen Gewichten. Beachten Sie, dass 0,1 für Mutation Tange ist nicht die einzige Wahl, wie die Tatsache, auch dieser Parameter kann mit Hilfe von genetischen Algorithmus optimiert werden. Neu erstellte NNs werden nach 15 bestehenden hinzugefügt. Auf diese Weise haben wir 30 NNs in einem Array, 15 alte und 15 neue. Dann werden wir den nächsten Testzyklus durchführen und Verlierer von beiden Generationen töten. Um Tests durchzuführen, wenden wir Neuronales Netz an unsere Daten an, um Ausgänge zu erzeugen und dann Testfunktion aufzurufen, die diese Ausgänge zur Simulation des Handels verwendet. Die Ergebnisse des Handels werden verwendet, um zu entwerten, welche NNs am besten sind. Wir verwenden ein Intervall von nLearn-Datensätzen, von nStart bis nStart nLearn, wobei nStart ein zufälliger Punkt innerhalb des Lernsatzes ist. Der Code unten ist ein Trick. Der Grund, warum wir es verwenden, ist die Tatsache zu veranschaulichen, dass genetischer Algorithmus einen genetischen Algorithmus erzeugen kann. Aber es wird nicht notwendigerweise die beste sein, und auch, um vorzuschlagen, dass wir das Ergebnis verbessern können, wenn wir einige Einschränkungen des Lernprozesses implizieren. Es ist möglich, dass unser Handelssystem sehr gut auf langen Trades funktioniert und sehr schlecht auf kurzem, oder umgekehrt. Wenn, sagen wir, lange Trades SEHR gut sind, kann dieser genetische Algorithmus gewinnen, auch mit großen Verlusten auf Short Trades. Um es zu vermeiden, weisen wir den Long-Trades in ungeraden und kurzen Trades in gleichmäßigen Zyklen mehr Gewicht zu. Dies ist nur ein Beispiel, es gibt keine Garantie, dass es etwas verbessern wird. Mehr darüber unten, in der Diskussion über Korrekturen. Technisch müssen Sie es nicht tun, oder können es anders machen. Fügen Sie einem sortierten Array einen Gewinn hinzu. Es gibt eine Einfügeposition zurück, dann verwenden wir diese Position, um Neural Network Griff hinzuzufügen, Lernen und Testen von Gewinnen in nicht sortierte Arrays. Jetzt haben wir Daten für das aktuelle Neuronale Netzwerk mit dem gleichen Array-Index wie sein Gewinn. Die Idee ist, zu Array von NNs, sortiert nach Rentabilität zu gelangen. Da Array nach Gewinn sortiert ist, um 1/2 von Netzwerken zu entfernen, die weniger rentabel sind, müssen wir nur NNs 0 bis 14 entfernen. Entscheidungen für den Handel basieren auf dem Wert des Neuronalen Netzwerksignals, von diesem Standpunkt aus ist das Programm identisch Beispiele aus dem vorherigen Artikel. FOREX Trading-Strategie: Diskussion Beispiel 0 Zunächst einmal können wir einen Blick auf Charts. Das erste Diagramm für Profit während der ersten Iteration ist nicht gut, wie zu erwarten ist, verliert das Neuronale Netz Geld (Bild evolution00gen0.png kopiert nach der ersten Iteration aus dem Bilder-Ordner): Das Bild für Profit auf Zyklus 15 ist manchmal besser , Genetische Algorithmus kann wirklich schnell lernen: Allerdings bemerken die Sättigung auf einer Gewinn-Kurve. Interessant ist auch, wie sich einzelne Profite verändern, wobei man bedenkt, dass die Kurvenzahl, sagen wir, 3 nicht immer für dasselbe Neuronale Netz gilt. Wie sie geboren und beendet werden die ganze Zeit: Beachten Sie auch, dass aus kleinen Forex-automatisierte Handelssystem führt schlechte auf kurze Trades, und viel besser auf Longs, die möglicherweise mit der Tatsache, dass der Dollar im Vergleich zu sinken In diesem Zeitraum. Es kann auch etwas mit den Parametern unseres Indikators zu tun haben (vielleicht brauchen wir verschiedene Zeit für Shorts) oder die Wahl der Indikatoren. Hier ist die Geschichte nach 92 und 248 Zyklen: Zu unserer Überraschung, genetischen Algorithmus völlig versagt. Lets versuchen, herauszufinden, warum, und wie die Situation zu helfen. Zunächst einmal, ist nicht jede Generation soll besser als die previuos ein Die Antwort ist nein, zumindest nicht innerhalb des Modells, das wir verwendet haben. Wenn wir ENTIRE Lernen auf einmal gesetzt und es immer wieder verwendet, um unsere NNs zu lehren, dann ja, werden sie auf jede Generation zu verbessern. Stattdessen nahmen wir zufällige Fragmente (12000 Datensätze in der Zeit), und verwendet sie. Zwei Fragen: Warum das System fehlgeschlagen auf zufällige Fragmente von Lern-Set, und warum havent wir ganze Lern-Set verwendet Nun. Um die zweite Frage zu beantworten, habe ich. NNs durchgeführt sehr - auf Lern-Set. Und sie fehlgeschlagen beim Testen Set, aus dem gleichen Grund scheitert es, wenn wir FFPB-Lernen verwendet. Um es anders auszudrücken, wurden unsere NNs überspezialisiert, sie haben gelernt, in der Umgebung zu überleben, die sie gewohnt sind, aber nicht draußen. Das geschieht sehr viel in der Natur. Der Ansatz, den wir stattdessen beabsichtigten, war zu kompensieren, dass durch die zwingende NNs, gut auf jedem zufälligen Fragment des Datensatzes durchzuführen, so dass hoffentlich konnten sie auch auf einem unbekannten Testset durchführen. Stattdessen scheiterten sie sowohl beim Testen als auch beim Lernsatz. Stellen Sie sich vor, Tiere, die in einer Wüste leben. Viel Sonne, kein Schnee. Dies ist eine Metafor für rizing Markt, wie für unsere NNs Daten spielen die Rolle der Umwelt. Tiere lernten, in einer Wüste zu leben. Stellen Sie sich vor, Tiere, die in einem kalten Klima zu leben. Schnee und keine Sonne. Nun, sie stellten sich. Allerdings haben wir in unserem Experiment zufällig unsere NNs in einer Wüste, im Schnee, im Wasser, an den Bäumen platziert. Indem man sie mit verschiedenen Datenfragmenten (zufällig steigend, fallend, flach) präsentiert. Tiere starben. Um es anders auszudrücken, haben wir das beste Neuronale Netzwerk für den Zufallsdatensatz 1 ausgewählt, der zum Beispiel für den steigenden Markt war. Dann stellten wir den Gewinnern und ihren Kindern eine sinkende Marktdatenlage vor. NNs schlecht durchgeführt haben, nahmen wir am besten von schlechten Leistungsträgern, vielleicht, einer der mutierten Kinder, die Fähigkeit verloren, auf dem steigenden Markt zu handeln, aber bekam einige Fähigkeit, mit fallender zu bewältigen. Dann drehten wir den Tisch wieder um, und wieder haben wir den besten Spieler - aber am besten unter schlechten Künstlern. Wir haben einfach nicht unsere NNs alle Chancen, universal zu werden. Es gibt Techniken, die den genetischen Algorithmus erlauben, neue Informationen zu erlernen, ohne die Leistung auf alten Informationen zu verlieren (schließlich können die Tiere im Sommer und im Winter leben, richtig, so Evolution ist in der Lage, wiederholende Änderungen zu bewältigen). Wir können diese Techniken später zu diskutieren, obwohl dieser Artikel ist mehr über die Verwendung von Cortex Neural Networks Software. Als über den Aufbau eines erfolgreichen Forex-automatisierten Handelssystems. Neuronales Netz Genetischer Algorithmus: Beispiel 1 Jetzt ist es Zeit, über Korrekturen zu sprechen. Ein einfacher genetischer Algorithmus, den wir im vorigen Schritt erstellt haben, hat zwei Hauptfehler. Erstens gelang es nicht, mit Gewinn zu handeln. Es ist ok, wir können versuchen, teilweise geschultes System zu benutzen (es war am Anfang rentabel). Der zweite Fehler ist ernster: wir haben keine Kontrolle über Dinge, die dieses System tut. Zum Beispiel kann es lernen, rentabel zu sein, aber mit riesigen Drawdowns. Es ist eine bekannte Tatsache, dass Evolution im wirklichen Leben mehr als einen Parameter gleichzeitig optimieren kann. Zum Beispiel können wir ein Tier bekommen, das schnell laufen kann und resistent gegen Kälte sein kann. Warum nicht zu versuchen, das Gleiche in unserem Forex-automatisierten Handelssystem. Das ist, wenn wir Korrekturen verwenden, die nichts als die Menge der zusätzlichen Strafen sind. Sagen wir, unser System handelt mit Drawdown 0.5, während wir es auf 0 - 0.3 Intervall bestätigen wollen. Um dem System zu sagen, dass es einen Fehler gemacht hat, verringern wir seinen Profit (einer verwendet, um zu bestimmen, welcher genetische Algorithmus gewonnen hat) in dem Grad, der proportional zur Größe von DD ist. Dann kümmert sich der Evolutionsalgorithmus um den Rest. Es gibt nur wenige weitere Faktoren, die wir in Betracht ziehen wollen: Vielleicht möchten wir mehr oder weniger gleich viele Kauf - und Verkaufsgeschäfte haben, wir wollen mehr rentable Geschäfte haben, dann von Ausfällen können wir die Gewinndiagramme wollen Linear sein und so weiter. In evolution01.tsc implementieren wir einen einfachen Satz von Korrekturen. Zuerst verwenden wir eine große Zahl für einen anfänglichen Korrekturwert. Wir multiplizieren es mit einem kleinen (in der Regel zwischen 0 und 1) Werte, abhängig von der Strafe, 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 Neural Network zu finden. FOREX Handelsstrategie: Beispiel 1 Beispiel 1 arbeitet viel besser als Beispiel 0. Während der ersten 100 Zyklen hat es viel gelernt, und Gewinndiagramme sehen beruhigend aus. Allerdings sind, wie in Beispiel 0, lange Trades viel mehr rentabel, was wahrscheinlich bedeutet, dass es ein Problem in unserem Ansatz. Dennoch hat das System eine Balance zwischen zwei widersprüchlichen Anfangsbedingungen gefunden: Es gibt einige positive Dynamiken sowohl beim Lernsatz als auch, noch wichtiger, beim Testen. Wie für weiteres Lernen, bei Zyklus 278 können wir sehen, dass unser System übertraf. Es bedeutet, dass wir noch Fortschritte beim Lernen haben: Aber Testset zeigt Schwäche: Dies ist ein häufiges Problem mit NNs: Wenn wir es lernen, lernen, lernt es, damit umzugehen, und manchmal lernt es zu gut - um die Grad, wenn es verliert Leistung auf Testsatz. Um dieses Problem zu lösen, wird eine herkömmliche Lösung verwendet: Wir suchen das Neuronale Netz. Die am besten auf dem Test-Set durchgeführt wird, und speichern Sie es, überschreiben vorherige beste, jedes Mal, wenn neue Spitze erreicht wird. Dies ist der gleiche Ansatz, den wir in FFBP-Training, außer, diesmal haben wir es selbst tun (Hinzufügen von Code, der für ein bestes Neuronales Netzwerk sucht auf einem Test-Set und Aufruf von SAVENN oder Exportieren von Gewichten von Neural Network zu einem Datei). Auf diese Weise, wenn Sie Ihr Training zu stoppen, youll haben die besten Darsteller ON TESTING SET gespeichert und warten auf Sie. Beachten Sie auch, dass es nicht die max. Profitieren Sie nach, aber optimale Leistung, so betrachten Korrekturen, bei der Suche nach einem besten Darsteller auf einem Test-Set. Genetischer Algorithmus für FOREX Technische Analyse: Wo jetzt Nachdem Sie Ihre Gewinner erhalten Neuronales Netzwerk. Können Sie die im vorherigen Artikel beschriebenen Schritte ausführen, um die Gewichte dieses Neuronalen Netzwerks zu exportieren. Und dann nutzen sie in Ihrer Echtzeit-Handelsplattform, wie Meta Trader, Trade Station und so weiter. Alternativ können Sie sich auf andere Möglichkeiten der Optimierung des Neuronalen Netzes konzentrieren. Anders als mit FFBP-Algorithmus, hier können Sie Avay aus mit Lern-und Test-Sets zu erhalten, und verschieben sequentiellen Lernen. Download Cortex Order Cortex Preisliste ansehen Die Sichtbarkeit ist für diese Seite sehr wichtig. Wenn es Ihnen gefällt, klicken Sie bitte auf diese URL