Bruke genetiske algoritmer til å prognose finansielle markeder Burton foreslo i sin bok, En tilfeldig Walk Down Wall Street, (1973) at En blindfoldet ape kaste dart på en avisers finansielle sider kunne velge en portefølje som ville gjøre like godt som en nøye utvalgt av eksperter. Mens evolusjonen kanskje har gjort mannen ikke mer intelligent når han plukker aksjer, har Charles Darwins teori ganske effektive når de brukes mer direkte. (For å hjelpe deg med å velge aksjer, sjekk ut hvordan du velger en aksje.) Hva er genetiske algoritmer Genetiske algoritmer (GAs) er problemløsende metoder (eller heuristikk) som etterligner prosessen med naturlig evolusjon. I motsetning til kunstige nevrale nettverk (ANNs), designet for å fungere som neuroner i hjernen, bruker disse algoritmene konseptene naturlig valg for å bestemme den beste løsningen for et problem. Som et resultat blir GAs ofte brukt som optimaliserere som justerer parametere for å minimere eller maksimere noe tilbakemåling, som deretter kan brukes uavhengig eller i konstruksjonen av et ANN. På finansmarkedene. genetiske algoritmer er oftest brukt til å finne de beste kombinasjonsverdiene av parametere i en handelsregel, og de kan bygges inn i ANN-modeller designet for å velge aksjer og identifisere handler. Flere studier har vist at disse metodene kan vise seg å være effektive, blant annet Genetic Algorithms: Genesis of Stock Evaluation (2004) av Rama, og The Applications of Genetic Algorithms i Stock Market Data Mining Optimization (2004) av Lin, Cao, Wang, Zhang. (For å lære mer om ANN, se Neural Networks: Forecasting Profits.) Hvordan genetiske algoritmer Arbeid Genetiske algoritmer er opprettet matematisk ved hjelp av vektorer, som er mengder som har retning og størrelse. Parametre for hver handelsregel er representert med en endimensjonal vektor som kan betraktes som et kromosom i genetiske termer. I mellomtiden kan verdiene som brukes i hver parameter betraktes som gener, som deretter modifiseres ved naturlig valg. For eksempel kan en handelsregel innebære bruk av parametere som Moving Average Convergence-Divergence (MACD). Eksponentiell flytende gjennomsnitt (EMA) og stokastikk. En genetisk algoritme vil da legge inn verdier i disse parameterne med målet om å maksimere nettoresultatet. Over tid er små endringer introdusert, og de som gir en ønskelig innvirkning, beholdes for neste generasjon. Det er tre typer genetiske operasjoner som kan utføres: Crossovers representerer reproduksjon og biologisk crossover sett i biologi, hvor et barn tar på seg bestemte egenskaper hos foreldrene. Mutasjoner representerer biologisk mutasjon og brukes til å opprettholde genetisk mangfold fra en generasjon av en befolkning til den neste ved å introdusere tilfeldige små endringer. Valg er scenen hvor individuelle genomene er valgt fra en populasjon for senere avl (rekombinasjon eller crossover). Disse tre operatørene blir da brukt i en fem-trinns prosess: Initialiser en tilfeldig befolkning, hvor hvert kromosom er n-lengde, med n er antall parametere. Det vil si at et tilfeldig antall parametere er etablert med n elementer hver. Velg kromosomer, eller parametere, som øker ønskelige resultater (antagelig nettoresultat). Bruk mutasjoner eller crossover operatører til de valgte foreldrene og generer et avkom. Rekombinere avkom og gjeldende befolkning for å danne en ny befolkning hos seleksjonsoperatøren. Gjenta trinn to til fire. Over tid vil denne prosessen resultere i stadig gunstigere kromosomer (eller parametere) for bruk i en handelsregel. Prosessen avsluttes da når et stoppkriterium er oppfylt, som kan inkludere kjøretid, kondisjon, antall generasjoner eller andre kriterier. (For mer om MACD, les Trading The MACD Divergence.) Bruke Genetiske Algoritmer i Trading Mens genetiske algoritmer brukes primært av institusjonelle kvantitative handelsmenn. individuelle handelsmenn kan utnytte kraften til genetiske algoritmer - uten en grad i avansert matematikk - ved hjelp av flere programvarepakker på markedet. Disse løsningene spenner fra frittstående programvarepakker rettet mot finansmarkedene til Microsoft Excel-tillegg som kan lette mer praktisk analyse. Når du bruker disse programmene, kan handelsfolk definere et sett med parametere som deretter optimaliseres ved hjelp av en genetisk algoritme og et sett med historiske data. Noen programmer kan optimalisere hvilke parametere som brukes og verdiene for dem, mens andre primært er fokusert på å optimalisere verdiene for et gitt sett med parametere. (For å lære mer om disse programbaserte strategiene, se Kraften i programhandler.) Viktige optimaliseringstips og triks Kurvemontering (overpassing), utforming av et handelssystem rundt historiske data i stedet for å identifisere repeterbar oppførsel, representerer en potensiell risiko for handelsmenn ved å bruke genetiske algoritmer. Et hvilket som helst handelssystem som bruker GA, bør testes på papir før bruk. Å velge parametere er en viktig del av prosessen, og handelsmenn bør søke parametere som korrelerer med endringer i prisen på en gitt sikkerhet. For eksempel, prøv ut forskjellige indikatorer og se om det ser ut til å korrelere med store markedssvingninger. Genetiske algoritmer er unike måter å løse komplekse problemer ved å utnytte naturens kraft. Ved å bruke disse metodene for å forutsi verdipapirpriser kan handelsmenn optimalisere handelsregler ved å identifisere de beste verdiene som skal brukes for hver parameter for en gitt sikkerhet. Imidlertid er disse algoritmene ikke den hellige gral, og handelsmenn bør være forsiktige med å velge de riktige parametrene og ikke kurveformet (overpasset). (For å lese mer om markedet, sjekk ut Lytt til markedet, ikke sine pundits.) En type skatt belastet kapitalgevinster påløpt av enkeltpersoner og selskaper. Kapitalgevinst er fortjenesten som en investor. En ordre om å kjøpe en sikkerhet til eller under en spesifisert pris. En kjøpsgrenseordre tillater handelsmenn og investorer å spesifisere. En IRS-regelen (Internal Revenue Service) som tillater straffefri uttak fra en IRA-konto. Regelen krever det. Det første salg av aksjer av et privat selskap til publikum. IPO er ofte utstedt av mindre, yngre selskaper som søker. Gjeldsgrad er gjeldsgrad som brukes til å måle selskapets økonomiske innflytelse eller en gjeldsgrad som brukes til å måle en person. En type kompensasjonsstruktur som hedgefondsledere vanligvis bruker i hvilken del av kompensasjonen som er ytelsesbasert. GLOBAL TRADING SYSTEMS FOREX PREDICTION FOREX ROBOT BINARY OPTIONS ROBOT BINARY OPTIONS SIGNALER STOCK TRADING ROBOT STOCK PREDICTION Forex Scalper Profit Progressor Robot EA er ekte multi-market condition robot: trending, non-trending, flyktig og ikke-flyktig. Handler alle store valutapar. 50-100 handler per dag. Profitt 250 per måned. Med denne komplekse Forex Robot Scalper EA skal du tjene stabilt solidt fortjeneste. Meget sikkerhet for kontoen. For forex nybegynnere eller avanserte handelsmenn også. Forex Indikator 3D Signaler - Forex Signaler Ny Generasjon Ny avansert premium kvalitet 3D-Forex Signals Indicator. Forex Indikatoren er basert på Neural Networks analyser markedet i 3D-dimensjoner og genererer statistisk pålitelige og nøyaktige valutasignaler i sanntid. Signaler er intuitive, enkle å bruke og har opprettholdt en fremragende vinnende hastighet. 500 pips avg. fortjeneste per måned. 60 sekunders binære opsjonssignalindikator (metatraderbasert). 90 dagers vinnersats. 100 signaler per dag. 100 fortjeneste per 1 time Ikke-omhyggelig Lett å bruke, fungerer med enhver megler, eventuelle eiendeler. Nøyaktighet verifisert med ekte handelskonto. Basert på avanserte Neural Networks Algorithms. Har testet med over 200 binære opsjonsmeglere og viser stabilt høyt fortjeneste. Binary Options Auto Trader 300 fortjeneste per måned 100 Binær Auto Trader for Metarader-baserte meglere som Core Liqudity Markets, NoaFX, GDMFX, GoMarkets, Grandcapital, WForex og andre. Basert på Neural Networks Algorithm. Innebygd kontovern og risikostyringssystem. 300 fortjeneste per måned 100 handler per dag 100 Automatiserte binære alternativer Robot for nettbaserte meglere Handler 60 sekunders og 30 sekunders binære alternativer. Har innebygd innskuddsbeskyttelse, pengestyringssystem. Utfører automatisk handler direkte til din koblede meglerkonto. 1500 FOR 1 ÅRS TILMELDING Leter du etter lønnsomme binære valgsignaler og autotradere Det er usannsynlige binære valgsignaler som fører deg til suksess. Binary Options Signals Indicator (Metatrader 5 basert). 90 dagers vinnersats. 50 signaler per dag. Non-Repainting Fungerer med noen megler. Basert på Neural Networks. 60 sekunders binære valgsignalindikator (NinjaTrader-basert). 90 daglige vinnende, pålitelige, vinnende handelssignaler. 70 signaler per dag. Non-Repainting Super nøyaktig Enkel å bruke, arbeider med noen megler, eventuelle eiendeler. Synkronisert med eventuelle binære alternativer platfrom. Basert på Neural Networks. Binary Options Prediction og Trading Signal Indicator for Metatrader. Genererer 90 nøyaktige, pålitelige, vinnende handelssignaler. Non-Repainting Basert på Neural Networks Algorithm. Fungerer med enhver megler og hvilken som helst tidsramme. Kan sende varsel til mobile enheter, så skjer handelssignal. 10 og 15 minutter Binær opsjon Handel Signaler Indikator for Metatrader (MT4). 83 daglige gevinster 30 handelssignaler om dagen 100 Ikke REPAINTING 100 RELIABLE Binary Options (BO) Signalindikator vil gi deg råd når det oppstår høye handelsmuligheter. Viser stabilt høyt fortjeneste. Slapp av mens IQ Option Trade Copier Plugin handler i stedet for deg. IQ Option Trade Copier kopierer handler fra Metatrader direkte til IQ Options Platform. Automatiserer enhver lønnsom strategi og gjør det mulig å handle på full auto pilot. Kopier handler øyeblikkelig og pålitelig. Binary Options Trade Copier. Kopierer handler fra Metatrader direkte til din binære optionsplattform og implementerer handler på din meglerkonto. Umiddelbar. Pålitelig. Automatiserer enhver lønnsom strategi og gjør det mulig å handle på full auto pilot direkte fra Metatrader. Neural Networks Forex Prediction Indicator for Metatrader. Genererer 90 nøyaktige handelssignaler. Opptil 250 profitt pr. Måned Predicts høy, lav, nær pris, prisbevegelsesretning. 100 Non-Repainting Fungerer med eventuelle valutapar, noen tidsrammer. Det er den beste forex scalping roboten du kan bruke og kan vokse til og med den minste av trading kontoer til store kontoer i svært rask tid uten at du må løfte en finger. Forex Intradag Scalper EA analyserer Forex markedet for å finne den beste oppføringen og utgangspunkter. 250 fortjeneste per måned. Maksimal drawdown 3.5. 100 automatisert handel. Intelligent Forex trading robot (Forex robot eller EA) for Metatrader basert på Neural Networks og genetisk algoritme. Selvlæring og selvoppdatering Robot åpner posisjoner med 90 sannsynlighet for suksess. Metatrader - Interactive Brokers Trader Copier Bridge er en programmerbar utvidelse for Trader Workstation (TWS), som lar deg handle manuelt eller automatisk direkte fra Metatrader (MT4, MT5). Automatiser dine strategier for handel via interaktive meglere. 300 fortjeneste per måned. Maksimal drawdown 7. 90 vellykkede handler. 100 automatisert handel. Intelligent Forex trading robot (Forex robot eller EA) for Metatrader basert på Neural Networks. Forex Robot Scalper viser et stort antall handler per dag, med minimal tapstaking. Dukascopy binære alternativer Robot 50 handler per dag 100 Automatiserte binære alternativer Robot for Dukascopy meglerhandel 60 sekunders og 15 minutters binære alternativer. Har innebygd innskuddsbeskyttelse, risikostyringssystem. 75-90 Win-rate. 1500 FOR 1 ÅRS TILMELDING Metatrader Nadex Trade Copier kopimaskiner fra MT4 direkte til Nadex Trading Platform og implementere handler. Umiddelbar. Pålitelig. Tillater å teste og automatisere enhver handelsstrategi, og handle på full auto pilot direkte fra Metatrader. Fungerer for alle eiendeler. Nadex Trading Robot er en fullautomatisert handelsprogramvare som er spesialdesignet for handel med lønnsomhet med Nadex Binary Options. 100 handler per dag 100 Automatisert Har innebygd innskuddsbeskyttelse, pengestyringssystem. Basert på Neural Networks lavrisikostrategi. 1500 FOR 1 ÅRS TILMELDING Nadex Signaler og Prediksjonsindikator er spesialdesignet for handel med lønnsomhet med Nadex Binær Options. 90 ITM Nadex Signaler. 50 signaler per dag. Gjør konsekvent fortjeneste med den beste og mest pålitelige Nadex Signal Indicator. 90 nøyaktig Bitcoin Prediction Indicator for Metatrader basert på Neural Networks Algorith. Genererer streaming sanntidsspådommer og handelssignaler. Indikatoren er ikke-males. Predicts pris, pris bevegelsesretning, oppdager reverseringspunkter. IQ Alternativ Robot handler Binær alternativer 100 automatisert. 75-90 daglige vinnende hastighet 50-100 handler per dag. Basert på Neural Networks Aalgorithm. Intelligent IQ Option Robot genererer automatisk signaler, oppsett mye størrelse, har konto beskyttelse system. Kopier handler instanly og pålitelig mellom forskjellige datamaskiner via internett over hele verden og mellom forskjellige MT4-terminaler som kjører på samme datamaskin. Kompatibel på alle MT4-plattformer med hvilken som helst Forex megler. Kopier alle typer Markedsordrer. Gold Trading Robot er utviklet for GOLD 1H og SILVER 1H. 360 fortjeneste per måned. Maksimal drawdown 10. 90 vinnende handler. 100 automatisert handel. Langsiktig strategi. Hver ordre er beskyttet av Stop Loss og Take Profit. Fullt optimaliserte innstillinger. 90 nøyaktig. Genererer sanntids streaming handelssignaler. Har installert streaming live data feed for alle tidsrammer. Predicts pris, kursbevegelsesretning, trend, genererer handelssignaler. Du trenger ikke å installere. Nye signaler leveres dynamisk til sanntidsskjemaet. 260 FOR 1 Måned Meldinger 90 Nøyaktig Forex Streaming Realtid Prisforutsigelse og Handelssignal Programvare. 300 pips garanterer hver måned. Dekker ikke Dased på Neural Networks Algorith. Fullautomatisert nettbasert Online Forex Predictor for stasjonære og mobile enheter. 260 FOR 1 Måned Meldinger 95 nøyaktig. Prognoser pris, pris bevegelsesretning, trend, genererer buysell signaler. Non-repainting Genererer real-time streaming trading signaler. Har installert streaming live data feed. Nettbasert grensesnitt. For stasjonære og mobile enheter. 260 FOR 1 Måned Meldinger Loss Recovery Trader Robot (EA) 100 vil automatisk reparere forex-kontoen din og gjenopprette tapte posisjoner, og du vil redusere og til og med eliminere dine tapende handler. Bare plasser handelen din, og vår Loss Recovery Trader Robot vil gjøre resten for deg. Binary Options Trade Copier Bridge Kopier vinnende handler, binære alternativer signaler mellom binær opsjonsplattform. Instant Pålitelig 100 Automatisert Støtter statisk masse størrelse, dynamisk masse størrelse, martingale. Kopier handler fra en lønnsom strategi for profesjonell handelsmann og tjene penger. 75-80 daglige gevinster 200 signaler per dag. Real-time streaming trading signaler. Eventuelt valutapar, enhver utløpsdato. Basert på Neural Networks. Nettbasert grensesnitt. Du trenger ikke å installere. Nye signaler leveres dynamisk til sanntidsskjemaet. 260 FOR 1 Måned Meldinger Forex Multi Valuta Scalper EA er 100 automatisert trading robot kan velge de beste mulige handler ut av 28 symboler. Basert på lavrisikostrategi. Sikrer at trades er oppgitt på best mulig tid. Utfører kjøp av handler til lavere pris og selger handler til høyere pris. Kopier lønnsomme handelssignaler fra det største sosialt nettverk for handelsfolk. Bli med i det globale samfunnet av handelsfolk, finn ideer du liker, og kopier beste ideer og signaler direkte til din handelskonto og få fortjeneste med vårt Tradingview-signaturkopimaskinverktøy. SnowCron Genetic Algorithm i Forex Trading Systems ved hjelp av genetisk algoritme for å skape lønnsom Forex Trading Strategy. Genetisk algoritme i Cortex Neural Networks Software Feedforward Backpropagation Neural Network Application for genetisk beregninger basert Forex trading. Dette eksemplet bruker konsepter og ideer fra den forrige artikkelen, så vær så snill å lese Neural Network Genetic Algorithm i Forex Trading Systems først, selv om det ikke er obligatorisk. Om denne teksten Først og fremst, vennligst les ansvarsfraskrivelsen. Dette er et eksempel på bruk av Cortex Neural Networks Software-genetisk algoritmefunksjonalitet, ikke et eksempel på hvordan man kan gjøre lønnsom handel. Jeg er ikke din guru, heller ikke skal jeg være ansvarlig for tapene dine. Cortex Neural Networks Software har nevrale nettverk i det, og FFBP vi diskuterte før er bare en måte å velge en forex trading strategier. Det er en god teknikk, kraftig og når det brukes riktig, veldig lovende. Det har imidlertid et problem - å undervise i Neural Network. Vi trenger å vite ønsket utgang. Det er ganske enkelt å gjøre når vi fungerer tilnærming, vi tar bare den virkelige verdien av en funksjon, fordi vi vet hva det skal være. Når vi foretar neurale nettverksprognoser. Vi bruker teknikken (beskrevet i tidligere artikler) til å undervise det neurale nettverket i historien, igjen, hvis vi forutsier, sier en valutakurs, vet vi (under treningen) hva riktig prediksjon er. Men når vi bygger et handelssystem, har vi ingen anelse om hva den riktige handelsbeslutningen er, selv om vi vet valutakursen. Faktisk har vi mange Forex trading strategier vi kan bruke når som helst, og vi må finne en god en - hvordan skal vi mate som ønsket utgang fra vårt nevrale nettverk Hvis du fulgte vår tidligere artikkel, vet du at vi har lurt å håndtere dette problemet. Vi lærte det neurale nettverket å gjøre valutakurs (eller valutakursbasert indikator) prediksjon, og brukte deretter denne forutsigelsen til å gjøre handel. Da, utenfor Neural Network delen av programmet, tok vi en beslutning om hvilket Neural Network er den beste. Genetiske algoritmer kan håndtere dette problemet direkte, de kan løse problemet som er oppgitt som å finne de beste handelssignalene. I denne artikkelen skal vi bruke Cortex Neural Networks Software til å lage et slikt program. Bruk av genetisk algoritme Genetiske algoritmer er veldig godt utviklet og svært variert. Hvis du vil lære alt om dem, foreslår jeg at du bruker Wikipedia, da denne artikkelen bare handler om hva Cortex Neural Networks Software kan gjøre. Å ha Cortex Neural Networks Software. vi kan opprette et neuralt nettverk som tar litt innspill, si, verdier av en indikator, og produserer noe output, sier handelssignaler (kjøp, selg, hold.) og stopper tap ta fortjeneste for stillinger som skal åpnes. Selvfølgelig, hvis vi frøker dette nettverket til nettverket, vil handelsresultater bli forferdelige. La oss imidlertid si at vi opprettet et dusin slike NN. Så kan vi teste ytelsen til hver av dem, og velge den beste, vinneren. Dette var den første generasjonen av NN. For å fortsette til andre generasjon, må vi tillate vår vinner å vokse, men for å unngå å få identiske kopier, kan vi legge til noen tilfeldig noice til dens nedstigningsvekter. I andre generasjon har vi vår første generasjons vinner og dens ufullkomne (muterte) kopier. Lar oss prøve igjen. Vi vil ha en annen vinner, som er bedre enn noen andre neurale nettverk i generasjonen. Og så videre. Vi tillater bare vinnerne å avle, og eliminere tapere, akkurat som i virkelighetsevolusjonen, og vi vil få vårt best-trading Neural Network. uten tidligere kunnskap om hva handelssystemet (genetisk algoritme) skal være. Neural Network Genetic Algorithm: Eksempel 0 Dette er det første genetiske algoritmen eksempel. og en veldig enkel en. Vi skal gå gjennom det trinn for trinn for å lære alle triksene som følgende eksempler vil bruke. Koden har inline kommentarer, så vi kan bare fokusere på viktige øyeblikk. Først har vi opprettet et neuralt nettverk. Det bruker tilfeldige vekter, og ble ennå ikke lært. Deretter, i syklus, lagrer vi 14 kopier av det ved bruk av MUTATIONNN-fumning. Denne funksjonen gjør en kopi av et kilde Neural Network. legger tilfeldige verdier fra 0 til (i vårt tilfelle) 0,1 til alle vekter. Vi holder håndtak til resulterende 15 NN i en matrise, vi kan gjøre det, da håndtaket er bare et heltall. Grunnen til at vi bruker 15 NN har ingenting å gjøre med handel: Cortex Neural Networks Software kan plotte opptil 15 linjer på et diagram samtidig. Vi kan bruke forskjellige tilnærminger til testingen. Først kan vi bruke læringssettet, alt sammen på en gang. For det andre kan vi teste på, si 12000 registre (ut av 100000), og gå gjennom læringssettet, fra begynnelse til slutt. Det vil gjøre learningigs annerledes, da vi vil se etter Neural Network s som er lønnsomme på en gitt del av data, ikke bare på hele settet. Den andre tilnærmingen kan gi oss problemer, hvis data endres, fra begynnelse til slutt. Da vil nettverket utvikle seg, skaffe seg mulighet til å handle i slutten av datasettet, og miste evnen til å handle i begynnelsen. For å løse dette problemet, skal vi ta tilfeldige 12000 arkivfragmenter fra data, og mate den til Neural Network. er rett og slett en endeløs syklus, da 100000 sykluser aldri blir nådd på vår fart. Nedenfor legger vi til ett barn for hvert nettverk, med litt forskjellige vekter. Merk at 0,1 for mutasjonstang ikke er det eneste valget, faktisk, selv denne parameteren kan optimaliseres ved hjelp av genetisk algoritme. Nyopprettede NNs legges til etter 15 eksisterende. På denne måten har vi 30 NN i en gruppe, 15 gamle og 15 nye. Så skal vi gjøre neste testsyklus, og drepe losere, fra begge generasjoner. For å gjøre testing, bruker vi Neural Network til våre data, for å produsere utdata, og deretter ringe Test-funksjon, som bruker disse utgangene for å simulere handel. Resultater av handel brukes til å deside, hvilke NN er best. Vi bruker et intervall av nLearn-poster, fra nStart til nStart nLearn, hvor nStart er et tilfeldig punkt i læringssettet. Koden under er et triks. Grunnen til at vi bruker det er å illustrere faktum at den genetiske algoritmen kan skape genetisk algoritme. men det vil ikke nødvendigvis være det beste, og også for å foreslå at vi kan forbedre resultatet, hvis vi innebærer noen begrensninger for læringsprosessen. Det er mulig at vårt handelssystem fungerer veldig bra på lange handler, og svært dårlig på kort, eller omvendt. Hvis du sier at lange handler er veldig gode, kan denne genetiske algoritmen vinne, selv med store tap på korte handler. For å unngå det, tilordner vi mer vekt til lange handler i merkelige og korte handler i jevne sykluser. Dette er bare et eksempel, det er ingen garanti for at det vil forbedre noe. Mer om det nedenfor, i diskusjon om korrigeringer. Teknisk sett trenger du ikke å gjøre det, eller kan gjøre det annerledes. Legg til overskudd til en sortert matrise. Den returnerer en innføringsposisjon, og vi bruker denne posisjonen til å legge til Neural Network håndtak, lære og teste profitt til ikke-sorterte arrays. Nå har vi data for nåværende Neural Network på samme array indeks som sin fortjeneste. Tanken er å komme til utvalg av NN, sortert etter lønnsomhet. Som array er sorterer etter fortjeneste, for å fjerne 12 nettverk, som er mindre lønnsomme, trenger vi bare å fjerne NNs 0 til 14 Handelsbeslutninger er basert på verdien av Neural Network-signalet. Fra dette synspunktet er programmet identisk med eksempler fra forrige artikkel. Forex Trading Strategy: Diskutere eksempel 0 Først av alt, kan vi se på diagrammer. Det første diagrammet for fortjeneste under den første iterasjonen er ikke bra i det hele tatt, som det forventes, det neurale nettverket mister penger (bildet evolution00gen0.png kopiert etter første iterasjon fra bildemappen): Bildet for fortjeneste på syklus 15 er bedre, noen ganger , genetisk algoritme kan lære seg veldig fort: Merk imidlertid metningen på en profittkurve. Det er også interessant å se på hvordan individuelle fortjeneste endrer seg, og husk at kurvenummeret sier 3, ikke alltid for det samme nevrale nettverket. som de blir født og avsluttet hele tiden: Vær også oppmerksom på at lite forex-automatisert handelssystem utfører dårlig på korte handler, og mye bedre i lang tid, noe som kanskje eller ikke er relatert til det faktum at dollaren falt sammenliknet med euro i den perioden. Det kan også ha noe å gjøre med parametere av indikatoren vår (kanskje vi trenger annen periode for shorts) eller valg av indikatorer. Her er historien etter 92 og 248 sykluser: Til vår overraskelse mislyktes den genetiske algoritmen helt. Lar prøve å finne ut hvorfor, og hvordan å hjelpe situasjonen. Først av alt, er ikke hver generasjon ment å være bedre enn den tidligere. Svaret er nei, i hvert fall ikke innenfor modellen vi brukte. Hvis vi tok ALLTRE læring sett på en gang, og brukte det gjentatte ganger for å lære våre NNs, så ja, de vil forbedre seg på hver generasjon. Men i stedet tok vi tilfeldige fragmenter (12000 poster i tid), og brukte dem. To spørsmål: hvorfor systemet mislyktes på tilfeldige fragmenter av læringssett, og hvorfor har vi ikke brukt hele læringssettet Vel. For å svare på det andre spørsmålet, gjorde jeg det. NNs utførte seg sterkt - på læringssett. Og de mislyktes på å teste sett, av samme grunn det mislykkes når vi brukte FFPB læring. For å si det annerledes, ble våre NNs overspecialized, de lærte å overleve i miljøet de er vant til, men ikke utenfor det. Dette skjer mye i naturen. Tilnærmingen vi tok i stedet var ment å kompensere for det ved å tvinge NNs til å utføre seg godt på et tilfeldig fragment av datasettet, slik at de forhåpentligvis også kunne utføre på et ukjent testsett. I stedet mislyktes de både på testing og på læringssett. Tenk deg dyr, som bor i en ørken. Mye sol, ingen snø i det hele tatt. Dette er en metafor for rising markedet, som for våre NNs data spiller rollen som miljø. Dyr lærte å leve i en ørken. Forestill deg dyr som lever i et kaldt klima. Snø og ingen sol i det hele tatt. Vel, de justerte. Men i vårt eksperiment plasserte vi tilfeldigvis våre NN i en ørken, i snø, i vannet, på trærne. ved å presentere dem med forskjellige fragmenter av data (tilfeldig stigende, fallende, flatt.). Dyr døde. Eller, for å si det annerledes, valgte vi det beste Neural Network for tilfeldig datasett 1, som for eksempel var for stigende marked. Deretter presenterte vi vinnerne og deres barn en fallende markedsdata. NNs utførte dårlig, vi tok best av fattige artister, kanskje en av de mutante barna, som mistet evnen til å handle på stigende marked, men fikk litt evne til å håndtere fallende. Da snudde vi bordet igjen, og igjen fikk vi best utøver - men best blant fattige artister. Vi ga rett og slett ikke våre NNs muligheter til å bli universelle. Det finnes teknikker som tillater genetisk algoritme å lære ny informasjon uten å miste resultatene på gammel informasjon (dyr kan i hvert fall leve om sommeren og om vinteren, slik at evolusjonen er i stand til å håndtere gjentatte endringer). Vi kan diskutere disse teknikkene senere, selv om denne artikkelen handler om å bruke Cortex Neural Networks Software. enn om å bygge et vellykket forex-automatisert handelssystem. Neural Network Genetic Algorithm: Eksempel 1 Nå er det på tide å snakke om korreksjoner. En enkel genetisk algoritme som vi opprettet i løpet av forrige trinn, har to store feil. For det første klarte det ikke å handle med fortjeneste. Det er ok, vi kan prøve å bruke delvis opplært system (det var lønnsomt i begynnelsen). Den andre feilen er mer alvorlig: Vi har ingen kontroll over ting, som dette systemet gjør. For eksempel kan det lære å være lønnsomt, men med store drawdowns. Det er et velkjent faktum at evolusjonen i virkeligheten kan optimalisere mer enn én parameter samtidig. For eksempel kan vi få et dyr som kan løpe fort og være motstandsdyktig mot kulde. Hvorfor ikke prøve å gjøre det samme i vårt forex-automatiserte handelssystem. Det er da vi bruker rettelser, noe som er noe annet enn settet av ytterligere straffer. Si, vårt system handler med drawdown 0.5, mens vi vil bekrefte det til 0 - 0.3 intervall. For å fortelle systemet at det gjorde en feil, reduserer vi fortjenesten (en brukt til å bestemme hvilken genetisk algoritme vant) i den grad som er proporsjonal med størrelsen på DD. Deretter tar evolusjonsalgoritmen seg av resten. Det er få flere faktorer som vi ønsker å ta i betraktning: Vi vil kanskje ha mer eller mindre like mange kjøp og salg, vi vil ha mer lønnsom drift, da av feil, vil vi kanskje ha fortjenestediagrammet til være lineær og så videre. I evolution01.tsc implementerer vi et enkelt sett med korrigeringer. Først av alt bruker vi et stort antall for en første korreksjonsverdi. Vi multipliserer den til en liten (vanligvis mellom 0 og 1) verdier, avhengig av straffen vi vil bruke. Da vi multipliserer vår fortjeneste til denne korreksjonen. Resultatet blir derfor korrigert for å reflektere hvor mye den genetiske algoritmen tilsvarer våre andre kriterier. Deretter bruker vi resultatet til å finne en vinner Neural Network. Forex Trading Strategy: Diskusjon av eksempel 1 Eksempel 1 fungerer mye bedre enn eksempel 0. I løpet av de første 100 syklusene lærte det mye, og fortjenestediagrammer ser beroligende ut. Men som i eksempel 0 er lange handler mye mer lønnsomme, noe som sannsynligvis betyr at det er et problem i vår tilnærming. Likevel fant systemet en balanse mellom to motstridende innledende forhold: Det er en viss positiv dynamikk både i læringssett og, viktigere, i testsett. Når det gjelder videre læring, i syklus 278 kan vi se at systemet vårt har blitt overtrained. Det betyr at vi fortsatt har fremskritt på læringssett: Men testing av sett viser svakhet: Dette er et vanlig problem med NN: når vi lærer det på læringssett, lærer det å håndtere det, og noen ganger lærer det seg så godt - til grad, når det mister ytelsen på testsettet. For å håndtere dette problemet, brukes en tradisjonell løsning: vi fortsetter å lete etter Neural Network. som fungerer best på testsett, og lagre det, overskrive tidligere beste, hver gang ny topp nås. Dette er den samme tilnærmingen, vi brukte i FFBP-trening, bortsett fra, denne gangen må vi gjøre det selv (legge til kode, som ser etter et best Neural Network på et testsett, og ringer SAVENN, eller eksporterer vekter av Neural Network til en fil). På denne måten, når du stopper treningen, har du den beste utøveren ON TESTING SET lagret og venter på deg. Merk også at det ikke er maks. fortjeneste du er ute etter, men optimal ytelse, så vurder å bruke rettelser når du ser etter en best utøver på et testsett. Genetisk algoritme for FOREX Teknisk analyse: Hvor nå Etter at du fikk vinneren din Neural Network. Du kan følge trinnene som er beskrevet i forrige artikkel, for å eksportere vekter av det nevrale nettverket. og deretter å bruke dem i din realtid trading plattform, som Meta Trader, Trade Station og så videre. Alternativt kan du fokusere på andre måter å optimalisere det neurale nettverket på. i motsetning til FFBP-algoritmen, kan du få avay fra å bruke lærings - og testsett, og flytte sekvensiell læring. Last ned Cortex Order Cortex Se prisliste Siktbarhet er svært viktig for dette nettstedet. Hvis du liker det, vennligst lenke til denne URLenHvordan det fungerer Hovedformålet med Forex-Forecasting er å gi daglige og intradagse høye kvalitetsspådommer om Forex-markedspriser. Du vil motta valutaspecifikasjoner i et tabellgrafikkformat, basert på fem forskjellige tidsrammer (5 og 15 minutter, 1 time, 1 dag og 1 måned) sammen med de aktuelle kjøpesignaler. Forex-Forecasting bruker prediksjonsalgoritmer som først ble utviklet for prognoser og tilpasset Forex markedet. Du kan få tilgang til vår tjeneste på to måter: Online via vår nettside. Når du har opprettet en konto, får du tilgang til kontrollpanelet og verktøyene vi har å tilby. Bruk din favorittprogramvare, for eksempel Metastock, Metatrader og andre. Du må laste ned og installere Forex-Forecasting plugin. Deretter kan du bruke våre spådommer i forbindelse med formler og handelsalgoritmer du allerede bruker. Konseptet: Mange eksempler på valutetrender har en bølge (eller en ikke-periodisk, oscillerende) struktur. Dette kan matematisk representert som en kombinasjon av antall harmoniske med ukjent, endring av frekvenser og trenderamplituder. Dermed er informasjon om disse harmoniene svært nyttig for både tidsserier prognoser (markedspris prediksjoner) og beslutningsstøtte (buysell råd). Ordinære analysemetoder kan imidlertid ikke brukes til å skille mellom de variable parameterharmonsene. Vi har utviklet en spesiell prognosemetode for økonomiske tidsserier basert på vår innovative og unike teknologi. Sentralt i vår metode er dekomponeringen av både trend - og oscillerende komponenter i tidsserien ved hjelp av digitale filtre. Denne spesielle adaptive teknikken, basert på nevrale nettverk, brukes til å oppdatere våre modeller og oppdage dager når pris tidsserien endrer sine egenskaper (vår kunnskap). I motsetning til andre metoder kan vår teknikk identifisere langsiktige trender og svingninger med skiftende frekvenser, samtidig som det gir mye mer praktiske resultater enn for eksempel en Fourier-analyse. IEEE International Workshop om intelligent dataoppkjøp og avanserte datasystemer: teknologi og applikasjoner 6-8 september 2007, Dortmund, Tyskland 58. internasjonale atlantiske økonomiske konferanse, Chicago, Illinois, 7-10 oktober 2004
No comments:
Post a Comment