Bästa Forex Algoritmer

Algoritmisk handel Automatiserad teknisk analys och handel Operationshantering via specialiserade MetaTrader 5-applikationer kallas Automated Trading eller Algorithmic Trading. Dessa applikationer kallas handelsrobotar som de kan analysera noteringar av finansiella instrument samt utföra handelsverksamhet på valutamarknaden. Handelsrobotar kan bedriva verksamhet på finansmarknaderna och som ett resultat kan en näringsidkare helt ersättas. MetaTrader 5-algoritmiska handelskomponenterna innefattar den specialiserade integrerade utvecklingsmiljön MQL5 IDE. Denna utvecklingsmiljö täcker hela cykeln av handelsapplikationsutveckling, vilket gör det möjligt för näringsidkaren att skapa, felsöka, testa, optimera och driva handelsrobotar. Så här förvärvar du en handelsrobot för MetaTrader 5 Du kan njuta av maximala fördelarna med handelsrobotar. Även om du inte har någon programmeringsbakgrund. Utöver utvecklingsmiljön Expert Advisor erbjuder MetaTrader 5 alternativ för gratis nedladdning, hyra eller köp av tusentals applikationer. Och om dessa fördelar inte räcker, kan du också beställa en anpassad handelsrobot från en professionell programmerare. MetaTrader Market är den största webbutiken, varifrån du kan köpa eller hyra hundratals olika handelsapplikationer för att passa varje smak och varje budget. Du kan testa någon produkt från marknaden gratis innan du bestämmer dig för att köpa den. Gör bara en betalning för en vald robot direkt från plattformen med din föredragna betalningsmetod, och börja använda det direkt. Tusentals handelsrobotar och indikatorer kan också laddas ner gratis från MQL5-kodbasen. Direkt tillgång till Code Base-åtkomst finns på plattformen, så välj och ladda ner program medan du handlar. Om du inte kan hitta en applikation med nödvändiga funktioner från Market eller Code Base kan du beställa en anpassad applikation från en professionell programmerare. Hundratals utvecklare som erbjuder sina tjänster via MQL5 Freelance är redo att utveckla din anpassade robot inte bara på kortast möjliga tid utan också till det mest rimliga priset. Hämta MetaTrader 5 och handla med en robot Utveckla din egen handelsrobot MQL5 IDE erbjuder bred funktionalitet och användarvänliga alternativ för utvecklare av vilken nivå som helst. Nybörjare kan använda MQL5-guiden för att skapa en enkel handelsrobot på bara några få klick. Erfaren och professionell utvecklare kan dra fördel av alla funktioner i MQL5 IDE: MQL5-språket i handelsstrategier. Detta högnivå programmeringsspråk ger objektorienterad arkitektur, högsta beräkningshastighet, C-liknande syntax och mer. MetaEditor är en redaktör för strategier som erbjuder kodmarkeringsalternativ, en debugger och en kompilator. Strategitestaren med stöd för visuell testning, optimering, genetiska algoritmer, ett distribuerat nätverk av testagenter och mycket mer. En exekveringsmodul i form av MetaTrader 5-plattformen för att driva handelsapplikationer. Utöver det höghastighetsexekvering av robotar ger plattformen den största täckningen, så att du kan testa dina applikationer med hundratals mäklare runt om i världen. Dokumentation fullständig beskrivning av alla språkkonstruktioner. Har problem Ta bort språkreferensen MQL5munity en grupp Expert Advisor-utvecklare, som innehåller en unik kunskapsbas och erbjuder ytterligare tjänster där du kan tjäna pengar på dina färdigheter. Besök webbplatsen för att läsa artiklar, kommunicera med andra utvecklare, utveckla anpassade applikationer för handlare genom Freelance-tjänsten, sälj dina applikationer via marknaden och mycket mer. Med alla dessa verktyg och tjänster kan alla näringsidkare enkelt lära sig hur man utvecklar sin egen handel robotar. Du kan skriva program för eget bruk eller erbjuda dem till andra handlare mot en avgift. Utveckla din egen handelsrobot nu allt du behöver är till hands MQL5munity MQL5 är en internationell webbportal där MQL5-utvecklare kan interagera med Forex och aktiehandlare. Denna portal är också en stor lagring av unik information för algoritmiska handelsentusiaster. Om du vill lära dig att utveckla professionella handelsrobotar, se till att du besöker MQL5 hittar du allt du behöver på den här webbplatsen. Webbplatsen lagrar användbar information för utvecklare av handelssystem: fullständig dokumentation, en stor databas med forskningsartiklar och ett forum där Du kan kommunicera med andra utvecklare. Dessutom ger webbplatsen tillgång till populära tjänster genom vilka du kan tjäna pengar på din programfärdighet. Besök webbplatsen för att ta reda på hur du kan sälja produkter via den största affären med handelsrobotar och hur mycket du kan tjäna genom att utveckla applikationer för andra handlare. Automated Trading Championship Makten av tradingrobotar visades under automatiserade handelsmästerskap 2006-2012 . Varje år lockade de stora pengarna på 80 000 hundratals utvecklare och tusentals handlare. Under varje tävling handlades hundratals expertrådgivare automatiskt i enlighet med sin egen dynamik i en period av tre månader, och de bästa författarna tilldelades titeln "Best EA Developer" och ett solidt pris. Besök webbplatsen och lär dig om ATC: ers historia, som innehåller en stor samling av imponerande stigningar och dramatiska fall, briljant handel och slående fiasko, enkla applikationer och geniala professionella robotar. Dessutom kan du övervaka hur robotar kan verka i verklig handel och vad de kan göra av Basen på Forex Algorithmic Trading För nästan trettio år sedan präglades valutamarknaden (Forex) av handelar som genomfördes via telefon, institutionella investerare. Ogenomskinlig prisinformation, en klar skillnad mellan interdealerhandel och återförsäljare-kundhandel och låg marknadskoncentration. Tekniska framsteg har idag förändrat marknaden. Trades sker huvudsakligen via datorer, vilket gör det möjligt för detaljhandlare att komma in på marknaden, realtidströmmarpriser har lett till ökad öppenhet och skillnaden mellan återförsäljare och deras mest sofistikerade kunder har i stor utsträckning försvunnit. En särskilt betydande förändring är införandet av algoritmisk handel. Som samtidigt medför betydande förbättringar av hur valutahandel fungerar, utgör också ett antal risker. Genom att titta på grunderna för Forexmarknaden och algoritmisk handel kommer vi att identifiera några fördelar som algoritmisk handel har lett till valutahandel samtidigt som man pekar ut några av riskerna. Forex Basics Forex är den virtuella platsen i vilken valutapar handlas i varierande volymer enligt citerade priser, varigenom en basvaluta ges ett pris i form av en citatvaluta. Drift 24 timmar om dygnet, fem dagar i veckan, anses Forex vara världens största och mest likvida finansiella marknad. Per banken för internationella förlikningar (BIS) var den dagliga globala genomsnittliga volymen av handel i april 2013 2,0 biljoner. Huvuddelen av denna handel är gjord för amerikanska dollar, euro och japansk yen och involverar en rad spelare, inklusive privata banker, centralbanker, pensionsfonder. Institutionella investerare, stora företag, finansiella företag och enskilda detaljhandeln. Även om spekulativ handel kan vara den främsta motivationen för vissa investerare är den främsta orsaken till valutamarknaden att människor måste handla valutor för att köpa utländska varor och tjänster. Aktiviteten på Forexmarknaden påverkar reala växelkurser och kan därför drabba i stor utsträckning produktionen, sysselsättningen, inflationen och kapitalflödet i en viss nation. Av den anledningen har politiker, allmänheten och media alla ett intresse för vad som händer på Forex-marknaden. Grunderna för algoritmisk handel En algoritm är i grunden en uppsättning specifika regler utformade för att slutföra en tydligt definierad uppgift. Vid handel med finansiella marknader utförs datorer med användardefinierade algoritmer som kännetecknas av en uppsättning regler som består av parametrar som tid, pris eller kvantitet som strukturerar de affärer som kommer att göras. Det finns fyra grundläggande typer av algoritmisk handel inom finansmarknaderna: statistiska, auto-säkringar, algoritmiska genomförandestrategier och direkt marknadstillträde. Statistisk hänvisar till en algoritmisk strategi som söker lönsamma handelsmöjligheter utifrån den statistiska analysen av historiska tidsseriedata. Auto-hedging är en strategi som genererar regler för att minska risken för en näringsidkare. Målet med algoritmiska exekveringsstrategier är att genomföra ett fördefinierat mål, till exempel minska marknadsimpå eller exekvera en handel snabbt. Slutligen beskriver direkt marknadsåtkomst de optimala hastigheterna och lägre kostnader som algoritmiska handlare kan komma åt och ansluta till flera handelsplattformar. En av underkategorierna för algoritmisk handel är handel med högfrekventa handelar, vilket kännetecknas av extremt höga frekvenser av exekveringar av handelsorder. Höghastighetshandel kan ge stora fördelar för handlare genom att ge dem möjlighet att göra affärer inom millisekunder av inkrementella prisförändringar. Men det kan också innebära vissa risker. Algoritmisk handel på valutamarknaden Mycket av tillväxten i algoritmisk handel på Forex-marknader under de senaste åren har bero på algoritmer som automatiserar vissa processer och minskar de timmar som behövs för att genomföra valutatransaktioner. Effektiviteten som skapas av automatisering leder till lägre kostnader vid genomförandet av dessa processer. En sådan process är utförandet av handelsorder. Automatiserar handelsprocessen med en algoritm som handlar baserat på förutbestämda kriterier, som exekvering av order under en viss tidsperiod eller till ett visst pris, är betydligt effektivare än manuellt utförande av människor. Bankerna har också utnyttjat algoritmer som är programmerade för att uppdatera priserna på valutapar på elektroniska handelsplattformar. Dessa algoritmer ökar hastigheten vid vilken bankerna kan citera marknadspriserna samtidigt som antalet manuella arbetstider som krävs för att citera priserna minskas. Vissa banker programmerar algoritmer för att minska riskernas exponering. Algoritmerna kan användas för att sälja en viss valuta för att matcha en kundhandel där banken köpte motsvarande belopp för att behålla en konstant mängd av den särskilda valutan. Detta gör det möjligt för banken att behålla en förutbestämd nivå av riskexponering för att hålla den valutan. Dessa processer har gjorts betydligt effektivare genom algoritmer, vilket leder till lägre transaktionskostnader. Ändå är dessa inte de enda faktorer som har drivit tillväxten i Forex-algoritmisk handel. Algoritmer har i allt högre grad använts för spekulativ handel, eftersom kombinationen av högfrekvens och algoritternas förmåga att tolka data och genomföra order har gjort det möjligt för handlare att utnyttja arbitrage möjligheter som uppstår genom små prisavvikelser mellan valutapar. Alla dessa fördelar har lett till ökad användning av algoritmer på Forex-marknaden, men vi kan titta på några av de risker som följer med algoritmisk handel. Risker involverade i algoritmisk Forex Trading Även om algoritmisk handel har gjort många förbättringar, finns det några nackdelar som kan hota stabiliteten och likviditeten på Forex-marknaden. En sådan nackdel gäller obalanser i marknadsmaktens handelsstyrka. Vissa deltagare har möjlighet att förvärva sofistikerad teknik som gör att de kan få information och genomföra order med en mycket snabbare hastighet än andra. Denna obalans mellan haves och ha-nots när det gäller den mest sofistikerade algoritmiska tekniken kan leda till fragmentering inom marknaden som kan leda till likviditetsbrist över tiden. Dessutom, medan det finns grundläggande skillnader mellan aktiemarknaderna och Forexmarknaden, finns det vissa som fruktar att högfrekvenshandeln som förvärrade aktiemarknadens flashkrasch den 6 maj 2010 på samma sätt kan påverka Forex-marknaden. Eftersom algoritmer programmeras för specifika marknadsscenarier kan de inte reagera tillräckligt snabbt om marknaden skulle förändras drastiskt. För att undvika detta scenario kan marknaderna behöva övervakas och algoritmisk handel upphävs under marknadsturbulens. I sådana extrema scenarier kan emellertid en samtidig avbrytande av algoritmisk handel av många marknadsaktörer resultera i hög volatilitet och en drastisk minskning av marknadslikviditeten. Bottom Line Även om algoritmisk handel har kunnat öka effektiviteten och därigenom minska kostnaderna för valutahandeln, har det också medfört vissa ökade risker. För att valutorna ska fungera ordentligt måste de vara något stabila värdebutiker och vara mycket flytande. Det är således viktigt att Forex-marknaden förblir flytande med låg volatilitet. Som med alla delar av livet introducerar ny teknik många fördelar, men det kommer också med nya risker. Utmaningen för framtiden för algoritmisk Forex trading är hur man initierar förändringar som maximerar fördelarna samtidigt som riskerna minskas. Artikel 50 är en förhandlings - och avvecklingsklausul i EU-fördraget som beskriver de åtgärder som ska vidtas för vilket land som helst. Beta är ett mått på volatiliteten, eller systematisk risk, av en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En beställning att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-regel (Internal Revenue Service Rule) som tillåter utbetalningar från ett IRA-konto i samband med straff. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. Forex Awards Algoritmen HUR ALGORITMET ARBETAR Metoden vi använder för att utvärdera företag är en toppmodern produkt som innehåller komplicerade algoritmer, men samtidigt är det enkelt och Förståeligt för våra besökare. Vi samarbetar med en besättning av topprankade specialister, som också hanterar våra enkäter och feedbackformulär och deltar i valet av branschledare. Varje nominering granskas av minst 10 experter med många års erfarenhet inom relevant bransch. Guruerna kryssar de starkaste poängen för varje deltagande deltagare i frågeformuläret. Dessa värdefulla åsikter sammanfattas sedan, eftersom de utgör grunden för vidare utformning av profilerna hos de företag som bjuder att vara bäst inom ett visst verksamhetsområde. Efter att ha mottagit expertbedömningarna fortsätter vi att undersöka marknadsaktörerna med utgångspunkt från vanliga kunder med aktiva attityder som är villiga att dela med sig av sina erfarenheter och utvärderingar avseende detta eller det här företaget med hela samhället. Enligt vår algoritm är skillnaden mellan en expert och en regelbunden åsikt: en expertutlåtelse behandlas med ett tyngre index men någon mening är viktig och beaktas. Utmärkelser ges till företag i olika kategorier på land och funktion. HUR RÖKAR RÖSTNINGAR Våra registrerade användare har rätt att rösta. Det första steget är registrering och godkännande av webbplatshanteringen. Så fort du har tillgång till system kan du välja vilket företag som helst i rullgardinsmenyn. När du har valt ditt val, markera de karakteristiska funktioner som du anser vara bäst att beskriva fördelarna med den här mycket marknadsaktören. Verksamheten hos varje väljare registreras och sammanfattas. Så här genereras den övergripande bedömningen av listdeltagarna: åsikter från både marknadsexperter och vanliga användare beaktas. En mycket viktig egenskap hos vår notering är bekvämligheten vid utvärdering av marknadsaktörer. Dvs. du kan ställa röster vid olika tillfällen med hänsyn till olika funktioner hos ett visst företag, när du känner att du har mer att säga om din personliga erfarenhet av att hantera den här mäklaren eller banken eller programleverantören etc. För att undvika att driva upp antalet och icke-objektiva tillvägagångssätt kan en enda registrerad användare kryssa en viss egenskap hos ett visst företag endast en gång under röstperioden (6 månader). WHO TOPS THE LIST Enligt vår strategi ackumuleras expert - och kundutvärderingar för 6 månader som vi tror att denna tidsperiod är tillräckligt kort för att hålla förfarandet intressant för vårt samhälle, men tillräckligt länge för att samla olika mångfärgade , Omfattande data om marknadsledarnas prestanda och nyckelfunktioner. Efter att ha tagit del av denna information publiceras resultaten på webbplatsen och kommer att märka vårt samhälle för bekräftelse, diskussion och kritning i ytterligare affärspraxis. Ett företag som får de största mängderna av samma funktion tikar topp nomineringen. NOMINATIONER Forex Awards har cirka 30 nomineringar som beskriver olika verksamhetsbeteckningar funktionella, tekniska, geografiska etc. Välj och utvärdera företag i de nomineringar som är av kärnan för dig personligen. Resultatet gäller i sex månader efter den officiella publikationen på Forex Awards webbplatsen. OM FOREX AWARDS Forex Awards är ett team av marknadsföringspersonal med huvudkontor i Hong Kong, ett av de globala finanscentrumen. Vi är specialiserade på analys och utvärdering av företag sedan 2010 i samarbete med välrenommerade oberoende experter. Vår expertkunskap är unik och banbrytande. Vi ser vårt uppdrag att göra världsmarknaderna mer transparenta och ansvariga och resultaten av våra resultat vi delar med vårt samhälle på ett non-stop basis. SnowCron Genetic Algorithm i Forex Trading Systems med hjälp av genetisk algoritm för att skapa lönsam Forex Trading Strategy. Genetisk algoritm i Cortex Neural Networks Software Feedforward Backpropagation Neural Network Application för genetisk beräkningsbaserad Forex trading. I det här exemplet används begrepp och idéer från föregående artikel, så läs först Neural Network Genetic Algorithm i Forex Trading Systems först, men det är inte obligatoriskt. Om den här texten Läs först och främst av ansvarsfriskrivningen. Detta är ett exempel på att använda Cortex Neural Networks Software-genetisk algoritmfunktionalitet, inte ett exempel på hur man gör lönsam handel. Jag är inte din guru, inte heller ska jag vara ansvarig för dina förluster. Cortex Neural Networks Software har neurala nätverk i det, och FFBP vi diskuterade förut är bara ett sätt att välja en Forex trading strategier. Det är en bra teknik, kraftfull och när den tillämpas korrekt, mycket lovande. Det har emellertid ett problem - att lära sig det neurala nätverket. Vi behöver veta den önskade produktionen. Det är ganska lätt att göra när vi fungerar approximation, vi tar bara det verkliga värdet av en funktion, för vi vet vad det ska vara. När vi gör neurala nätverksprognoser. Vi använder tekniken (beskrivs i tidigare artiklar) om att undervisa Neural Network på historien, igen, om vi förutser, säg en växelkurs, vet vi (under träningen) vad den rätta predikan är. Men när vi bygger ett handelssystem har vi ingen aning om vad rätt handelsbeslut är, även om vi känner till växelkursen. Vi har faktiskt många Forex Trading Strategier som vi kan använda när som helst och Vi behöver hitta en bra - hur Vad ska vi mata som önskad produktion av vår neurala nätverk Om du följde vår tidigare artikel vet du att vi har lurat att hantera detta problem. Vi lärde det neurala nätverket att göra valutakurs (eller växelkursbaserad indikator) förutsägelse, och använde sedan denna förutsägelse att göra handel. Då, utanför det neurala nätverksdelen av programmet, fattade vi ett beslut om vilket neuralt nätverk som är det bästa. Genetiska algoritmer kan hantera detta problem direkt, de kan lösa det problem som anges som att hitta de bästa handelssignalerna. I den här artikeln kommer vi att använda Cortex Neural Networks Software för att skapa ett sådant program. Med hjälp av genetisk algoritm Genetiska algoritmer är mycket väl utvecklade och mycket olika. Om du vill lära dig allt om dem, föreslår jag att du använder Wikipedia, eftersom den här artikeln bara handlar om vad Cortex Neural Networks Software kan göra. Har Cortex Neural Networks Software. Vi kan skapa ett neuralt nätverk som tar lite in, säger, värden på en indikator och producerar en viss produktion, säger handelssignaler (köp, sälj, håll.) Och sluta förlust ta vinstnivåer för positioner som ska öppnas. Självklart, om vi släpper ut det här nätverket s viktar slumpmässigt blir handelsresultatet hemskt. Vi kan dock säga att vi skapat ett dussin av sådana NN. Då kan vi testa prestanda för var och en av dem, och välj den bästa, vinnaren. Detta var den första generationen NN. För att fortsätta till andra generationen måste vi tillåta vår vinnare att odla, men för att undvika att få identiska kopior, kan vi lägga till några slumpmässiga ljud till dess vikter. I andra generationen har vi vår första generationens vinnare och dess ofullkomliga (muterade) kopior. Låt oss göra test igen. Vi kommer att få en annan vinnare, vilket är Bättre än något annat neuralt nätverk i generationen. Och så vidare. Vi tillåter helt enkelt vinnare att odla och eliminera förlorare, precis som i verklighetens evolution, och vi kommer att få vårt bästa handelsnätverk. Utan någon tidigare kunskap om vad handelssystemet (genetisk algoritm) borde vara. Genetisk algoritm för neuralt nätverk: Exempel 0 Detta är det första genetiska algoritmexemplet. Och en mycket enkel. Vi ska gå igenom det steg för steg för att lära oss alla knep som följande exempel kommer att använda. Koden har inline kommentarer, så vi kan bara fokusera på nyckelmoment. Först har vi skapat ett neuralt nätverk. Det använder slumpmässiga vikter, och lärdes inte ännu. Sedan, i cykel, gör vi 14 kopior av det, med användning av MUTATIONNN-fumktion. Denna funktion gör en kopia av ett källa Neural Network. Lägger till slumpmässiga värden från 0 till (i vårt fall) 0,1 till alla vikter. Vi håller handtag till resulterande 15 NN i en array, vi kan göra det, eftersom handtaget bara är ett heltal. Anledningen till att vi använder 15 NN har inget att göra med handel: Cortex Neural Networks Software kan plotta upp till 15 linjer på ett diagram samtidigt. Vi kan använda olika metoder för testningen. Först kan vi använda inlärningssatsen, allt på en gång. För det andra kan vi testa på, säga 12000 resor (av 100000), och gå igenom inlärningssatsen, från början till slutet. Det kommer att göra learningigs annorlunda, eftersom vi kommer att leta efter Neural Network s som är lönsamma på en viss del av data, inte bara på hela uppsättningen. Det andra tillvägagångssättet kan ge oss problem, om data förändras, från början till slutet. Därefter utvecklas nätverket, får förmåga att handla i slutet av datasatsen och förlora förmågan att handla i början. För att lösa det problemet kommer vi att ta slumpmässiga 12000 dokumentfragment från data och mata det till det neurala nätverket. Är helt enkelt en oändlig cykel, eftersom 100000 cyklar aldrig kommer att nås med vår hastighet. Nedan lägger vi till ett barn för varje nätverk, med lite olika vikter. Observera att 0,1 för mutation tangent är inte det enda valet, faktiskt kan även denna parameter optimeras med hjälp av genetisk algoritm. Nyskapade NN: er läggs till efter 15 befintliga. På så sätt har vi 30 NN i en grupp, 15 gamla och 15 nya. Då ska vi göra nästa testcykel och döda förlorare, från båda generationerna. För att göra test tillämpar vi Neural Network på våra data, för att producera utgångar, och sedan ringa Test-funktion, som använder dessa utgångar för att simulera handel. Resultatet av handel används för att bestämma vilka NN som är bäst. Vi använder ett intervall av nLearn-poster, från nStart till nStart nLearn, där nStart är en slumpmässig punkt inom inlärningssatsen. Koden nedan är ett knep. Anledningen till att vi använder det är att illustrera faktumet att den genetiska algoritmen kan skapa en genetisk algoritm. Men det kommer inte nödvändigtvis att vara det bästa, och också att föreslå att vi kan förbättra resultatet, om vi innebär några begränsningar för inlärningsprocessen. Det är möjligt att vårt handelssystem fungerar mycket bra på långa affärer, och mycket fattiga på korta eller omvända. Om det sägs att långa affärer är mycket bra kan den här genetiska algoritmen vinna, även med stora förluster på korta affärer. För att undvika det tilldelar vi mer vikt till långa affärer i udda och korta affärer i jämncykler. Det här är bara ett exempel, det finns ingen garanti för att det kommer att förbättra något. Mer om det nedan, i diskussion om korrigeringar. Tekniskt behöver du inte göra det, eller kan göra det annorlunda. Lägg till vinst i en sorterad array. Den returnerar en infogningsposition, då använder vi den här positionen för att lägga till Neural Network handtag, lärande och testning av vinster till icke-sorterade arrays. Nu har vi data för nuvarande neurala nätverk i samma array index som dess vinst. Tanken är att komma fram till en rad NN, sorterade efter lönsamhet. Eftersom arrayen sorterar efter vinst, för att ta bort 12 nätverk, som är mindre lönsamma, behöver vi bara ta bort NNs 0 till 14. Handelsbeslut baseras på värdet av Neural Network-signalen. Ur denna synvinkel är programmet identiskt med exempel från Föregående artikel. Forex Trading Strategy: Diskutera exempel 0 Först och främst kan vi ta en titt på diagram. Det första diagrammet för vinst under den första iterationen är inte alls bra, vilket borde förväntas, det neurala nätverket förlorar pengar (bild evolution00gen0.png kopierat efter första iteration från bildmapp): Bilden för vinst på cykel 15 är bättre, ibland , Genetisk algoritm kan lära sig riktigt snabbt: Observera dock mättnaden på en vinstkurva. Det är också intressant att se på hur enskilda vinster förändras, med tanke på att kurvtalet, säger 3, inte alltid är för samma neurala nätverk. Som de föds och avslutas hela tiden: Observera också, att lite förexautomatiserat handelssystem fungerar fattigt på korta affärer, och mycket bättre i längden, vilket kanske inte är relaterat till det faktum att dollarn sjönk jämfört med Euro under den perioden. Det kan också ha något att göra med parametrar för vår indikator (kanske vi behöver annan period för shorts) eller valet av indikatorer. Här är historien efter 92 och 248 cykler: Till vår förvåning misslyckades den genetiska algoritmen helt. Låt oss försöka lista ut varför, och hur man hjälper situationen. Först och främst är inte varje generation förmodad att vara bättre än den tidigare. Svaret är nej, åtminstone inte inom modellen vi använde. Om vi ​​tog ALLTIRE inlärning omedelbart och använt det upprepade gånger för att lära våra NN, så ja, de kommer att förbättras på varje generation. Men i stället tog vi slumpmässiga fragment (12000 poster i tid) och använde dem. Två frågor: varför systemet misslyckades med slumpmässiga fragment av inlärningssättning, och varför har vi inte använt hela uppsatsens uppsats väl. För att svara på den andra frågan gjorde jag det. NNs utförs kraftigt - på inlärningsset. Och de misslyckades med att ställa in, av samma anledning misslyckas det när vi använde FFPB-lärande. För att uttrycka det annorlunda, blev våra NNs överspecialiserade, de lärde sig hur de ska överleva i den miljö de är vana vid, men inte utanför den. Detta händer mycket i naturen. Tillvägagångssättet vi tog i stället var avsett att kompensera för det genom att tvinga NNs att fungera bra på ett slumpmässigt fragment av datasetet, så att de förhoppningsvis också kunde utföra på en okänd testuppsättning. Istället misslyckades de både med testning och lärande. Föreställ dig djur som bor i en öken. Mycket sol, ingen snö alls. Detta är en metafor för riseringsmarknaden, eftersom vår NNs data spelar rollen som miljö. Djur lärde sig att leva i en öken. Föreställ dig djur som lever i ett kallt klimat. Snö och ingen sol alls. Jo, de justerade. Men i vårt experiment slog vi slumpmässigt våra NN i en öken, i snö, i vattnet, på träden. Genom att presentera dem med olika fragment av data (slumpmässigt stigande, fallande, platt.). Djur dog. Eller, för att uttrycka det annorlunda, valde vi det bästa neurala nätverket för slumpmässig dataset 1, vilket sagt var för stigande marknad. Sedan presenterade vi, för vinnarna och deras barn, en fallande marknadsdata. NNs utfördes dåligt, vi tog bäst av fattiga artister, kanske en av de mutanta barnen, som förlorade förmågan att handla på stigande marknad, men fick lite förmåga att hantera fallande. Sedan vände vi bordet igen, och igen fick vi bäst utövande - men bäst bland fattiga artister. Vi gav helt enkelt våra NNs inga chanser att bli universella. Det finns tekniker som tillåter genetisk algoritm att lära sig ny information utan att förlora prestanda på gammal information (ju djur kan leva på sommaren och på vintern, så att evolutionen kan hantera upprepade förändringar). Vi kan diskutera dessa tekniker senare, även om den här artikeln handlar mer om att använda Cortex Neural Networks Software. Än om att bygga ett framgångsrikt forexautomatiserat handelssystem. Neural Network Genetic Algorithm: Exempel 1 Nu är det dags att prata om korrigeringar. En enkel genetisk algoritm som vi skapade under föregående steg har två stora brister. För det första misslyckades det att handla med vinst. Det är ok, vi kan försöka använda delvis tränade system (det var lönsamt i början). Den andra felet är allvarligare: vi har ingen kontroll över saker som detta system gör. Det kan till exempel lära sig att vara lönsamt, men med stora drawdowns. Det är ett välkänt faktum att evolutionen i det verkliga livet kan optimera mer än en parameter samtidigt. Till exempel kan vi få ett djur som kan springa snabbt och vara motståndskraftigt mot kyla. Varför inte försöka göra detsamma i vårt forex-automatiserade handelssystem. Det är när vi använder rättelser, som bara är en uppsättning ytterligare straff. Säg, vårt system handlar med drawdown 0.5, medan vi vill bekräfta det till 0 - 0.3 intervall. För att berätta för systemet att det gjorde ett misstag minskar vi dess vinst (en som användes för att bestämma, vilken genetisk algoritm vann) till den grad som är proportionell mot DD-storleken. Sedan tar evolutionalgoritmen hand om resten. Det finns få fler faktorer som vi vill ta hänsyn till: vi kanske vill ha mer eller mindre lika många köp och säljoperationer, vi vill ha mer lönsam verksamhet, då av misslyckanden kan vi få vinstdiagrammet till Vara linjär och så vidare. I evolution01.tsc implementerar vi en enkel uppsättning korrigeringar. Först och främst använder vi ett stort antal för ett första korrigeringsvärde. Vi multiplicerar den till en liten (vanligtvis mellan 0 och 1) värden, beroende på det straff vi vill tillämpa. Sedan multiplicerar vi vår vinst till denna korrigering. Som resultat korrigeras vinsten för att reflektera hur mycket den genetiska algoritmen motsvarar våra övriga kriterier. Då använder vi resultatet för att hitta ett vinnande neuralt nätverk. Forex Trading Strategy: Diskutera exempel 1 Exempel 1 fungerar mycket bättre än exempel 0. Under de första 100 cyklerna lärde sig det mycket, och vinstdiagrammen ser lugnande ut. Men som i exempel 0 är långa affärer mycket mer lönsamma, vilket sannolikt innebär att det finns ett problem i vårt tillvägagångssätt. Systemet hittade emellertid en balans mellan några motsägelsefulla initiala förhållanden: Det finns en viss positiv dynamik både vid inlärningssättning och, viktigare, vid testuppsättning. När det gäller vidareutbildning, vid cykel 278 kan vi se att vårt system har överträffats. Det betyder att vi fortfarande har framsteg på inlärningssättet: Men att testa set visar svaghet: Det här är ett vanligt problem med NN: när vi lär det om lärande, lär det sig att hantera det, och ibland lär det sig alltför bra - till Grad när det förlorar prestanda vid testuppsättningen. För att hantera det problemet används en traditionell lösning: vi letar efter det neurala nätverket. that performs best on testing set, and save it, overwriting previous best one, every time new peak is reached. This is the same approach, we used in FFBP training, except, this time we have to do it ourselves (adding code, that looks for a best Neural Network on a testing set, and calling SAVENN, or exporting weights of Neural Network to a file). This way, when you stop your training, youll have the best performer ON TESTING SET saved and waiting for you. Note also, that it is not the max. profit you are after, but optimal performance, so consider using corrections, when looking for a best performer on a testing set. Genetic Algorithm for FOREX Technical Analysis: Where now After you got your winner Neural Network . you can follow the steps, described in previous article, to export weights of that Neural Network . and then to use them in your real time trading platform, like Meta Trader, Trade Station and so on. Alternatively, you can focus on other ways of optimizing the Neural Network . unlike with FFBP algorithm, here you can get avay from using learning and testing sets, and move sequential learning. Download Cortex Order Cortex View Price List Visibility is very important for this site. If you like it please link to this URL