Neurale Netwerk Bewegende Gemiddelde

Neurale netwerk neurale netwerk is een van die meer onlangse buzzwords in die handel. Dit klink koel en gesofistikeerd. Nie te veel mense lyk om te verstaan ​​wat neurale netwerke is alles oor. Neurone in die werklike wêreld Ons brein is fenomenaal ingewikkeld. Wat verrassings meeste mense is egter dat die brein is min of meer 'n enorme boks kringe. Neurone is selle wat optree soos kringe met elektriese drade, genoem aksone, wat hardloop uit en verbind regoor die menslike liggaam. Elke beweging, persepsie of optrede wat jy doen, is die som van al die aksone vuur elektriese impulse. Verandering plaasvind wanneer die frekwensie van elektriese impulse stuur van die neuron wissel. Meer impulse veroorsaak een reaksie, 'n vermindering veroorsaak 'n ander. Neurale netwerke poog om prosesse van die menslike brein na te boots deur die organisering van inligting in neurone. In teenstelling met die werklike neuron selle, 'n netwerk neuron bestaan ​​slegs in die masjien. Dit is 'n masjien gewig wat inligting oor alles wat onder studie bevat. A neurale netwerk vir 'n handel stelsel kan besluit om algemene aanwysers bestudeer soos 'n bewegende gemiddelde, die RSI en Stochastics ossillator. Die bewegende gemiddelde waarde vir die huidige bar tel as sy eie neuron. Die RSI is anders, so dit raak 'n aparte neuron wees. As ek tien aanwysers in my toolbox, dan het ek 10 neurone in my netwerk. Rekenaars tradisioneel los lineêre, eenvoudige probleme. As jy wil hê dat die resultaat van wiskundige bedrywighede soos die derdemagswortel van 355 weet, rekenaars is ideaal vir die taak. Hulle vinnig bereken die presiese antwoord. Soos in die mens se brein, neurale netwerke te vorm sinapse met ander neurone. Wanneer opgelei, kan groepe van neurone te leer om patrone te herken. Dit is hierdie eienskap dat neurale netwerke so nuttig maak. Dit stel ons in staat om programme wat onmoontlik sou wees met tradisionele rekenaar te skep. Die skep van 'n sagteware program om 'n gesig te herken, byvoorbeeld, sou uiters moeilik wees. Dit is baie makliker om 'n netwerk op te lei om 'n gesig te herken deur herhaaldelik wys die netwerk gesigte. Die brein is 'n fassinerende onderwerp in eie reg. As 'n eenkant, ek en my vrou neem 'n opname kursus in neurowetenskap deur 'n video reeks The Great kursusse. As jy enige belangstelling het glad in die onderwerp, ek raai Verstaan ​​die brein deur Jeanette Norden. Dit dek in detail hoe neurone verbind tot anatomie regdeur die brein en liggaam. Neurale netwerke en Forex Trading neurale netwerke kom in die spel wanneer die antwoord is nie so akkuraat. Vashou aan hierdie blogs tema van forex, daar is geen reg antwoord op wat maak die perfekte handel stelsel. 'N Tipiese kleinhandel belegger kan sê die beste handel stelsel is die een wat die meeste geld maak. Nog 'kan sê die beste handel stelsel is die een met die hoogste Sharpe verhouding. Baie wil iets in die middel. Die beste handel stelsel probleem is dubbelsinnig, wat maak dit 'n ideale kandidaat vir die aanval met neurale netwerke. Die ontwerper beskryf stelle reëls wat in die handelaars mening te vorm 'n numeriese wyse van meting van die beste stelsel. Menslike brein te bied ongeveer 100 biljoen neurone. Ten spyte van die beste pogings van baie van ons kliënte, ek het nog nie iemand met 100 biljoen mark aanwysers aan tot hulle beskikking. Een manier om die effek van neurone in ons toolbox versterk is om verborge lae te skep. 'N Netwerk bestaan ​​uit verskeie lae, elk bestaande uit met verskeie neurone. Elke neuron is gekoppel aan elke neuron in die volgende laag. Elke verbinding dra dan sy eie unieke geweegde waarde. A neuron sal slaag op die waarde van die waarde van die neuron te vermenigvuldig en deur die gewig van die uitgaande verbinding. Die neuron aan die einde van die uitgaande verbinding sal vat al sy inkomende verbindings en propageer wat die resultaat op die volgende laag deur al sy uitgaande verbindings. Pictures maak die idee baie meer intuïtief. Figuur 1 bevat 'n klein voorbeeld. Die 2 en 3 aan die linkerkant is die insette in die netwerk. Hierdie insette kry vermenigvuldig met die gewig van die verbinding met die volgende laag. Die 2 vermenigvuldig met 0,5 gee ons 1 en 3 deur 2 gee ons 6. Die tweede laag bevat een knoop wat som die resultate van die vorige laag, gee ons 7. Die volgende stap sou wees om te vermeerder 7 deur die gewigte op die uittredende verbindings en slaag dit op die volgende laag. Figuur 1: 'n Voorbeeld van 'n neurale netwerk voortplantingsmateriaal lei vorentoe. Die kort voorbeeld hierbo kan herhaal word en saam vasgeketting aan 'n groter netwerk te vorm. Hier in Figuur 2, ons het 'n voorbeeld van 'n groter netwerk. Die voorbeeld netwerk het 3 insette wat gekoppel is aan 'n versteekte laag. Die verborge laag is dan gekoppel aan 'n enkele uitset. Die verborge lae is om opleiding te fasiliteer. Hoe meer kompleks die probleem hoe meer lae en knope wat nodig is. Figuur 2: 'n Voorbeeld van 'n groter neurale netwerk. Die netwerk leer deur die opdatering van die gewigte van sy vele verbindings. Daar is baie sagteware algoritmes wat gebruik word om leer in neurale netwerke te bereik. Hulle val in twee kategorieë, onder toesig leer en afwagtend leer. Toesig leer is tot stand gebring met die gebruiker te vertel die netwerk as sy voorspellings korrek is of nie. Die netwerk bereken dan die fout en maak gebruik van een van die algoritmes om die fout reg te stel. 'N Voorbeeld hiervan is omgekeerde voortplanting, wat die fout van 'n netwerk voorspelling bereken. Die netwerk gebruik dan 'n vinnige algoritme om elk van die verband gewigte met dié fout te werk. Omgekeerde voortplanting is een van die meer algemene opleiding strategieë. Afwagtend leer gebruik 'n soort van fiksheid of scoring algoritme waarin die netwerk self sal telling met en probeer om te verbeter op elke daaropvolgende poging. 'N Voorbeeld van toesig opleiding is die genetiese algoritme. Hierdie algoritme skep 'n bevolking van neurale netwerke en gebruik 'n telling algoritme wat deur die gebruiker wat ontwerp is om die bevolking te rank. Daarna is dit oorlewing van die sterkste. Die top posisie netwerke te kry om te bly en voort te plant en die onderste posisie kry uitgegooi. Die netwerke reproduseer deur die vermenging en wat ooreenstem met die verband gewigte. Neurale netwerke kan aansienlik help stelsels handelaars in hul algoritme ontwerp deur 'n ondersoek miljarde kombinasies onder 'n relatief klein toolbox van aanwysers. Dit verskil van die standaard optimalisering, wat plug getalle behels in verskeie aanwysers op soek na wat ook al kombinasie die meeste geld terug. Die feit dat netwerke verskeie maatreëls (balans, Sharpe verhouding, ens) kan oorweeg om die beste handel stelsel te bepaal help verminder die waarskynlikheid dat dit overemphasizes 'n bepaalde maatstaf. 'N Goeie voorbeeld hiervan is rekeningsaldo. As 'n stelsel weeg die gee en neem tussen die netto opbrengs en die risiko-aangepaste opbrengs, dit begin om weg te stap van verwerking van syfers aan die beste nommers te gebruik en kop na werklike leer en patroonherkenning ontdek. Neurale netwerke is bewys hulself baie nuttig in 'n wye verskeidenheid van aansoeke van gesig erkenning aan valuta mark voorspellings te wees. Hulle blink waar daar patrone wat moeilik vir ons om te erken is. Dit vermoë maak netwerke van onskatbare waarde in die oplossing van moeilike probleme op wat verskeie veranderlikes. Laat 'n antwoord Kanselleer replyNeural netwerk 2 bewegende gemiddeldes 'n neurale netwerk Expert adviseur gebaseer op twee bewegende gemiddeldes met die opleiding af. Lei die deskundige adviseur op geselekteerde voorbeelde en maak 'n wins in die werklike lewe. Die EA kan werk op enige instrument en in enige tydperk. Trading Algoritme van die EA Twee bewegende gemiddeldes is geanaliseer deur die neurale netwerk kern, wat produseer opdragte te koop of te verkoop. die waardes van twee bewegende gemiddeldes, vinnig (FMA) en stadig (SMA), is bedoel om die eerste laag, by die tweede laag dit bereken twee neurone wat verantwoordelik is vir Koop (N koop) en verkoop (N verkoop), die besluit om te koop of verkoop word op die derde vlak. Blokdiagram van die neurale netwerk is in die figuur. Deskundige adviseur opleiding in die opleiding af onthou die EA die waardes van bewegende gemiddeldes gekenmerk deur die gebruiker op die grafiek van die geldeenheid instrument. In die toekoms, gedurende normale werking, dit erken die waardes van die bewegende gemiddeldes. Om die EA merk ten minste een lang en 'n kort handel oor die grafiek op te lei. Om aan te dui 'n lang handel gebruik die pyl koop, en vir die kort handel gebruik die Sell pyl. Jy kan meer pyle te plaas op die grafiek. Hoe meer pyle, hoe langer sal die proses van opleiding wees. Teenwoordigheid van enige ander voorwerpe op die ander as die pyle grafiek is nie wenslik nie. Na afloop van die opleiding, sal die gids NN 2MA geskep word in die algemeen gids van die terminale. Dit sal lêer HHHHHHNN2MA. bin bevat met die instellings van die opgeleide neurale netwerk. XXXXXX in die lêernaam is die naam van die finansiële instrument. In normale werking, die EA laai die data van die lêer. As die lêer is nie gevind nie, sal dit die standaard instellings gebruik. By verstek, is die EA opgelei by USDJPY en een-uur tydperk, is die ambagte gekies in 2012. Die volgende insette parameters is verantwoordelik vir die EA opleiding: Die aantal gewigte per neuron. Gelyk aan die lengte van die MA. Standaard - 48. Die aantal opleiding siklusse - verstek 100. Hoe hoër die waarde, hoe langer die opleiding proses sal wees. In die proef weergawe is dit 10. Factor b - die waarde invloed op die spoed van die regstelling van gewigte van neurone, word gebruik vir die opleiding van die netwerk. Die standaard waarde is 0,7, hoef nie te verander. Leer modus EA - in staat stel om die opleiding af van die EA. Voorbeelde van die spesifiseer van ambagte vir die opleiding van die EA is beskikbaar in die figuur. die tydperk het die prys, die berekening modus: die normale modus instellings Instellings van Moving Gemiddeldes Jy kan die instellings van elke bewegende gemiddelde pas. Deel van orde - verstek is 0,1. Waarde van slippages in punte - verstek is 30. aantal pogings om 'n posisie te open - verstek is 5. Vlak StopLoss in punte - verstek is 0. Vlak TakeProfit in punte - verstek is 0. Vlak TrailingStop in punte - verstek is 650. Laat geldbestuur - beheer die grootte van die einde van die mark, in staat gestel deur defalt betree. As die modus is afgeskakel, word die grootte orde uit die volume van orde parameter. Die volume van bestellings as 'n persentasie van die deposito - gebruik om die grootte van die orde te beheer, standaard is 5 persent. Toe te voeg tot die oop posisie - aangeskakel is by verstek. As daar 'n sein na die mark toe te tree in die rigting van 'n oop posisie, die EA betree die mark. Instellings van neurale netwerk Die aantal gewigte per neuron. Gelyk aan die lengte van die MA. Hoe hoër die waarde, hoe meer akkuraat sal die huidige mark staat erken word, maar dit verminder die aantal ambagte. Hoe laer die waarde, hoe minder akkuraat sal die huidige mark staat erken word, maar die aantal ambagte verhoog. Die waarde van neuron aktivering. Die waarde is ongeveer 0.75 van die waarde van die aantal gewigte per neuron. Hoe hoër die waarde, die strenger is die keuse van neurone vir die maak van 'n besluit. In die proef weergawe is dit 40. Die aantal opleiding siklusse - verstek is 100. Factor b die gewig regstelling spoed, verstek is 0,7. Leer modus EA die EA opleiding af. Tydens die opleiding, sal die maksimum waardes van die neurone word getoon in die kommentaar op die grafiek. Hierdie waardes kan gebruik word as 'n aktivering waarde van die neuron. 'N Voorbeeld word getoon in die figuur. Aktiveer opmerkings - in staat stel om kommentaar op die grafiek. Magic nommer van adviseur. Stop na die handel in millisekondes. By verstek, is die EA opgelei USDJPY H1 op twee ambagte in 2012. Die gevolg van die deskundige adviseur toets in 2013 word in die figure. The Scientist en Ingenieurs Guide to Digital Signal Processing deur Steven W. Smith, Ph. D. Hoofstuk 26: Neurale Netwerke (en meer) Opleiding van die neurale netwerk neurale netwerk ontwerp kan die beste verduidelik met 'n voorbeeld. Figuur 26-8 toon die probleem wat ons sal aanval, die identifisering van individuele letters in 'n beeld van die teks. Hierdie patroon erkenning taak het baie aandag gekry. Dit is maklik genoeg dat baie benaderings bereik gedeeltelike sukses, maar moeilik genoeg dat daar is geen perfekte oplossing. Baie suksesvolle kommersiële produkte is gebaseer op hierdie probleem, soos: lees die adresse op briewe vir Postal routing, dokument toetrede tot woordverwerkers, ens Die eerste stap in die ontwikkeling van 'n neurale netwerk is om 'n databasis van voorbeelde te skep. Vir die probleem teks erkenning, is dit tot stand gebring deur die druk van die 26 hoofletters: A, B, C, D 8230 Y, Z, 50 keer op 'n vel papier. Volgende, is hierdie 1300 briewe omskep in 'n digitale beeld deur die gebruik van een van die vele skandering toestelle beskikbaar vir persoonlike rekenaars. Hierdie groot digitale beeld word dan verdeel in klein beelde van 10times10 pixels, elk met 'n enkele brief. Hierdie inligting word gestoor as 'n 1.3 Megabyte databasis: 1300 beelde 100 pixels per beeld 8 bisse per pixel. Ons sal die eerste 260 foto's in hierdie databasis te gebruik om die neurale netwerk op te lei (maw bepaal die gewigte), en die res van sy prestasie te toets. Die databasis moet ook 'n manier van die identifisering van die brief vervat in elke beeld bevat. Byvoorbeeld, kan 'n bykomende byte bygevoeg word om elke beeld 10times10, met die letters ASCII-kode. In 'n ander skema, kan die posisie van elke beeld 10times10 in die databasis aan te dui wat die brief is. Byvoorbeeld, kan beelde 0-49 al 'n A wees, beelde 50-99 dalk al 'n B, ens wees vir hierdie demonstrasie, sal die neurale netwerk ontwerp word vir 'n arbitrêre taak: bepaal watter een van die 10times10 beelde 'n vokaal bevat. maw A, E, I, O, of JOU Dit mag nie enige praktiese toepassing, maar dit illustreer die vermoë van die neurale netwerk om baie abstrakte probleme patroonherkenning leer. Deur die insluiting van tien voorbeelde van elke letter in die opleiding stel, die netwerk sal (hopelik) leer die belangrikste eienskappe wat die teiken te onderskei van die nontarget beelde. Die neurale netwerk wat in hierdie voorbeeld is die tradisionele drie-laag, ten volle verbind argitektuur, soos getoon in Fig. 26-5 en 26-6. Daar is 101 knope in die insette laag (100 pixel waardes plus 'n vooroordeel knoop), 10 knope in die verborge laag, en 1 knoop in die uitset laag. Wanneer beeld 'n 100 pixel is van toepassing op die insette van die netwerk, wil ons die produksie waarde te naby aan een wees as 'n vokaal teenwoordig is, en naby nul as 'n vokaal nie teenwoordig is nie. Dont bekommerd wees dat die insetsein as 'n twee-dimensionele skikking (10times10) verkry is, terwyl die insette om die neurale netwerk is 'n een-dimensionele skikking. Dit is jou begrip van hoe die pixel waardes met mekaar verband hou die neurale netwerk sal verhoudings van sy eie te vind. Tabel 26-2 toon die hoofprogram vir die berekening van die neurale netwerk gewigte, met tafel 26-3 met drie subroetines genaamd vanaf die hoofprogram. Die skikking elemente: X11 deur X1100, hou die insette laag waardes. Daarbenewens X1101 hou altyd 'n waarde van 1, die verskaffing van die insette om die vooroordeel knoop. Die uitset waardes van die verborge nodes is vervat in die skikking elemente: X21 deur X210. Die veranderlike, X3, bevat die netwerke produksie waarde. Die gewigte van die verborge laag is vervat in die skikking, WH. , Waar die eerste indeks identifiseer die verborge node (1 tot 10), en die tweede indeks is die insette laag node (1 tot 101). Die gewigte van die uitset laag gehou word in AO 1 tot WO10. Dit maak 'n totaal van 1020 gewig waardes wat bepaal hoe die netwerk sal funksioneer. Die eerste optrede van die program is om elke gewig om 'n arbitrêre beginwaarde stel deur gebruik te maak van 'n ewekansige getal kragopwekker. Soos getoon in lyne 190-240, is die verborge laag gewigte toegeken aanvanklike waardes tussen -0,0005 en 0,0005, terwyl die opbrengs laag gewigte is tussen -0,5 en 0,5. Hierdie reekse is gekies om dieselfde orde van grootte wat die finale gewigte moet wees. Dit is gebaseer op: (1) die omvang van waardes in die insetsein, (2) die aantal insette opgesom by elke node, en (3) die omvang van waardes waaroor die sigmoid aktief is, 'n inset van ongeveer -5 Dit x LT 5, en 'n opbrengs van 0 tot 1. byvoorbeeld, wanneer 101 insette met 'n tipiese waarde van 100 word vermenigvuldig met die tipiese gewig waarde van 0,0002, die som van die produkte is ongeveer 2, wat in die aktiewe reeks van die sigmoids insette. As ons die prestasie van die neurale netwerk met behulp van hierdie ewekansige gewigte geëvalueer, sou ons verwag dat dit dieselfde as ewekansige raai wees. Die leer algoritme verbeter die werkverrigting van die netwerk deur die geleidelike verandering van elke gewig in die regte rigting. Dit is 'n iteratiewe prosedure met die naam, en in die program is onder beheer van die OM-VOLGENDE lus in lyne 270-400. Elke iterasie maak die gewigte effens meer doeltreffend te skei die teiken van die nontarget voorbeelde. Die iterasie lus is gewoonlik uitgevoer tot geen verdere verbetering gemaak. In tipiese neurale netwerke, kan hierdie plek wees 10-10 duisend iterasies, maar 'n paar honderd is algemeen. Hierdie voorbeeld voer 800 iterasies. Ten einde vir hierdie iteratiewe strategie om te werk, moet daar 'n enkele parameter wat beskryf hoe goed die stelsel tans presteer wees. Die veranderlike ESUM (vir foute som) dien hierdie funksie in die program. Die eerste stappe in die iterasie lus is om ESUM stel aan nul (lyn 290), sodat dit gebruik kan word as 'n akkumulator. Aan die einde van elke iterasie, is die waarde van ESUM gedruk om die video skerm (lyn 380), sodat die operateur kan verseker dat vordering gemaak word. Die waarde van ESUM sal begin 'n hoë, en geleidelik afneem na gelang van die neurale netwerk is opgelei om die teikens te erken. Figuur 26-9 toon voorbeelde van hoe ESUM afneem as die iterasies voort te gaan. Alle 260 foto's in die opleiding stel geëvalueer tydens elke iterasie, soos deur die OM-VOLGENDE lus in lyne 310-360. Subroutine 1000 word gebruik om beelde van die databasis van voorbeelde te haal. Aangesien dit is nie iets wat van besondere belang hier, sal ons net die parameters geslaag om en by hierdie subroutine beskryf. Subroutine 1000 is aangegaan met die parameter, brief, wat tussen 1 en 260. By terugkeer, die insette node waardes, X11 om X1100, bevat die pixel waardes vir die beeld in die databasis wat ooreenstem met brief. Die vooroordeel node waarde, X1101, is altyd teruggekeer met 'n konstante waarde van een. Subroutine 1000 terug ook 'n ander parameter, korrek. Dit bevat die verlangde uitset waarde van die netwerk vir hierdie spesifieke brief. Dit is, indien die brief in die beeld is 'n vokaal, korrek sal teruggestuur word met 'n waarde van een. As die brief na die beeld is nie 'n vokaal, sal reg wees teruggekeer met 'n waarde van nul. Na die beeld gewerk word deur X1100 in X11 gelaai, subroutine 2000 gaan die data deur middel van die huidige neurale netwerk om die uitset node waarde te produseer, X3. Met ander woorde, subroutine 2000 is dieselfde as die program in tabel 26-1, behalwe vir 'n verskillende aantal nodes in elke laag. Dit subroutine bereken ook hoe goed die huidige netwerk identifiseer die brief as 'n teiken of 'n nontarget. In lyn 2210, is die veranderlike ELET (vir foute-letter) bereken as die verskil tussen die opbrengs waarde eintlik gegenereer, X3, en die verlangde waarde, korrek. Dit maak ELET 'n waarde tussen -1 en 1. Al die 260 waardes vir ELET gekombineer (lyn 340) om ESUM, die totale kwadraat fout van die netwerk vir die hele opleiding stel te vorm. Line 2220 toon 'n opsie wat dikwels ingesluit by die berekening van die fout: die toeken van 'n ander waarde aan die foute vir teikens en nontargets. Byvoorbeeld, onthou die kanker byvoorbeeld vroeër in hierdie hoofstuk, en die gevolge van die maak van 'n valse-positiewe fout teenoor 'n vals-negatiewe fout. In die huidige voorbeeld, sal ons na willekeur verklaar dat die fout in die opsporing van 'n teiken is vyf keer so erg soos die fout in die opsporing van 'n nontarget. In effek, die vertel die netwerk na 'n beter werk met die teikens te doen, selfs al is dit seer die prestasie van die nontargets. Subroutine 3000 is die hart van die neurale netwerk strategie, die algoritme vir die verandering van die gewigte op elke iterasie. Ons sal 'n analogie gebruik om die onderliggende wiskunde te verduidelik. Oorweeg die penarie van 'n militêre soldaat val agter die vyand lyne. Hy valskerms die grond in 'n onbekende gebied, net om te vind dit is so donker hy kan nie meer as 'n paar voet weg te sien. Sy bevele is om voort te gaan na die onderste van die naaste vallei om die res van sy sending begin. Die probleem is, sonder om meer te sien as 'n paar voete, hoe hy sy pad na die valleivloer Anders gestel, moet hy 'n algoritme om sy x en y posisie te pas op die aarde se oppervlak om sy opstand te verminder . Dit is soortgelyk aan die probleem van die aanpassing van die neurale netwerk gewigte, sodanig dat die netwerke fout, ESUM, geminimaliseer. Ons sal kyk na twee algoritmes om hierdie probleem op te los: evolusie en steilste daling. In evolusie, die soldaat neem 'n vlieënde sprong in 'n paar random rigting. As die nuwe opstand is hoër as die vorige, vervloek hy en keer terug na sy begin plek, waar hy probeer weer. As die nuwe hoogte is laer. Hy voel 'n mate van sukses, en herhaal die proses van die nuwe plek. Uiteindelik sal hy die onderkant van die vallei te bereik, hoewel dit in 'n baie ondoeltreffende en lukraak pad. Hierdie metode staan ​​bekend as evolusie, want dit is dieselfde tipe algoritme in diens van die natuur in biologiese evolusie. Elke nuwe generasie van 'n spesie het toevallige variasies van die vorige. As hierdie verskille is tot voordeel van die spesie, hulle is meer geneig om te behou en geslaag om die volgende generasie. Dit is 'n gevolg van die verbetering wat die dier om meer voedsel te ontvang, ontsnap sy vyande, produseer meer kleintjies, ens As die nuwe eienskap is nadelig, die benadeelde dier raak middagete vir 'n paar roofdier, en die variasie is weggegooi. In hierdie sin, elke nuwe generasie is 'n herhaling van die evolusionêre optimalisering proses. Wanneer evolusie word as die opleiding algoritme, is elke gewig in die neurale netwerk effens verander deur die byvoeging van die waarde van 'n ewekansige getal kragopwekker. As die gewysigde gewigte 'n beter netwerk (maw 'n laer waarde vir ESUM), is die veranderinge behou, anders word hulle weggegooi. Terwyl dit werk, is dit baie stadig in konvergerende. Dit is die jargon wat gebruik word om daardie voortdurende verbetering beskryf word gemaak in die rigting van 'n optimale oplossing (die onderkant van die vallei). In eenvoudiger terme, is die program gaan dae nodig het om 'n oplossing te bereik, eerder as minute of ure. Gelukkig het die steilste daling algoritme is baie vinniger. Dit is hoe die soldaat natuurlik sou reageer: evalueer in watter rigting is afdraande. en beweeg in daardie rigting. Dink na oor die situasie op hierdie manier. Die soldaat kan 'n stap in die noorde beweeg, en die verandering in opstand te teken. Na sy terugkeer na sy oorspronklike posisie nie, kan hy 'n stap in die ooste neem, en aan te teken dat opstand verandering. Die gebruik van hierdie twee waardes, kan hy bepaal watter rigting is afdraande. Veronderstel die soldaat druppels 10 cm toe hy 'n stap in die noordelike rigting beweeg, en daal 20 cm toe hy 'n stap in die oostelike rigting beweeg. Direk afdraande ry, moet hy beweeg elke as 'n bedrag eweredig aan die helling langs die as. In hierdie geval, kan hy noord beweeg met 10 stappe en ooste deur 20 stappe. Dit beweeg hom af in die steilste deel van die helling 'n afstand van Radic 10 2 20 2 stappe. Alternatiewelik, kan hy beweeg in 'n reguit lyn na die nuwe ligging, 22,4 stappe langs die diagonale. Die belangrike punt is: die steilste daling word bereik deur wat langs elke as 'n afstand eweredig aan die helling langs die as. Subroutine 3000 implemente dieselfde steilste ordentlike algoritme vir die netwerk gewigte. Voor die aanvang van subroutine 3000, het een van die voorbeeld beelde is toegepas op die insette laag, en die inligting gepropageer om die uitset. Dit beteken dat die waardes vir: X1, X2 en X3 al gespesifiseer, asook die huidige gewig waardes: WH. en WO. Daarbenewens weet ons die fout die netwerk lewer vir hierdie spesifieke beeld, ELET. Die verborge laag gewigte opgedateer in lyne 3050-3120, terwyl die opbrengs laag gewigte aangepas in lyne 3150 tot 3190. Dit word gedoen deur die berekening van die helling van elke gewig, en dan verander elke gewig met 'n bedrag eweredig aan dat helling. In die soldaat geval, is die helling langs 'n as gevind deur die verskuiwing van 'n klein afstand langs die as (sê, Delta x), te meet die verandering in hoogte (sê, Delta E), en dan die verdeling van die twee (Delta E / Delta x ). Die helling van 'n neurale netwerk gewig kan gevind word in dieselfde manier: voeg 'n klein verhoging aan die gewigswaarde (Delta w), vind die gevolglike verandering in die uitsetsein (Delta X3), en verdeel die twee (Delta X3 / Delta w). Later in hierdie hoofstuk gaan ons kyk na 'n voorbeeld dat die helling bereken op hierdie manier. Maar in die huidige voorbeeld sal ons 'n meer doeltreffende metode te gebruik. Vroeër het ons gesê dat die nie-lineariteit (die sigmoid) moet differensieerbaar wees. Hier is waar ons hierdie eiendom sal gebruik. As ons die helling by elke punt op die lineariteiten weet, kan ons direk 'n vergelyking vir die helling van elke gewig (Delta X3 / Delta w) skryf sonder om werklik om te beroering bring. Dink aan 'n spesifieke gewig, byvoorbeeld, AO 1, wat ooreenstem met die eerste insette van die uitset knoop. Kyk na die struktuur in Vye. 26-5 en 26-6, en vra: hoe sal die uitset (X3) beïnvloed word indien hierdie spesifieke gewig (w) effens verander, maar alles is dieselfde gehou Die antwoord is: waar SLOPE O is die eerste afgeleide van die uitset laag sigmoid, geëvalueer waar ons aktief op sy kurwe. Met ander woorde, SLOPE O beskryf hoeveel die opbrengs van die sigmoid veranderinge in reaksie op 'n verandering in die insette tot die sigmoid. Van Aand. 26-2, kan SLOPE O word bereken vanaf die huidige produksie waarde van die sigmoid, X3. Hierdie berekening word in lyn 3160. In lyn 3170, is die helling vir hierdie gewig bereken deur Aand. 26-3, en gestoor in die veranderlike DX3DW (dit wil sê Delta X3 / Delta w). Met behulp van 'n soortgelyke ontleding, die helling vir 'n gewig op die verborge laag, soos WH1,1, kan gevind word by: SLOPE H1 is die eerste afgeleide van die verborge laag sigmoid, geëvalueer waar ons aktief op sy kurwe. Die ander waardes, X11 en AO 1, is eenvoudig konstantes wat die gewig verandering sien, want dit maak sy pad na die uitgang. In lyne 3070 en 3080, is die hange van die sigmoids bereken met behulp van vergelyking. 26-2. Die helling van die verborge laag gewig, is DX3DW bereken in ooreenstemming 3090 via Aand. 26-4. Nou dat ons weet die helling van elk van die gewigte, kan ons kyk na hoe elke gewig verander vir die volgende iterasie. Die nuwe waarde vir elke gewig is gevind deur die neem van die huidige gewig, en die toevoeging van 'n bedrag wat eweredig is aan die helling: Hierdie berekening word in lyn 3100 na die verborge laag gedra, en lyn 3180 vir die uitset laag. Die eweredigheidskonstante bestaan ​​uit twee faktore, ELET, die fout van die netwerk vir hierdie spesifieke insette en MU, 'n konstante wat aan die begin van die program. Om die behoefte aan ELET in hierdie berekening te verstaan, dink dat 'n beeld geplaas op die insette lewer 'n klein fout in die uittreesein. Volgende, dink dat 'n ander toegepas word op die invoer beeld produseer 'n groot produksie fout. By die opstel van die gewigte wil ons die netwerk meer struikel vir die tweede beeld as die eerste. As iets sleg werk, wil ons dit verander as dit goed werk, ons wil dit uitlos. Dit word gedoen deur elke gewig in verhouding tot die huidige fout, ELET. Om te verstaan ​​hoe MU invloed op die stelsel, herinner aan die voorbeeld van die soldaat. Sodra hy bepaal die afdraande rigting, moet hy besluit hoe ver om voort te gaan voordat reevaluating die helling van die terrein. Deur die maak van hierdie afstand kort, een meter byvoorbeeld sal hy in staat wees om presies te volg die kontoere van die terrein en altyd beweeg in 'n optimale rigting. Die probleem is dat hy die meeste van sy tyd bestee evaluering van die helling, eerder as om werklik beweeg die heuwel af. In vergelyking, kon hy die afstand groot om te kies, sê 1000 meter. Terwyl dit sou toelaat dat die soldaat om vinnig te beweeg langs die terrein, kan hy die afdraande pad verby skiet. Te groot van 'n afstand maak hom oor die hele land-kant spring sonder om die gewenste vordering. In die neurale netwerk, MU beheer hoeveel die gewigte verander op elke iterasie. Die waarde om te gebruik, hang af van die spesifieke probleem, wat so laag as 10 -6. of so hoog as 0,1. Van die analogie van die soldaat, kan dit verwag word dat te klein van 'n waarde sal veroorsaak dat die netwerk te stadig konvergeer. In vergelyking, sal te groot van 'n waarde veroorsaak dat die konvergensie te wisselvallig wees, en sal chaoties ossillasie stal rondom die finale oplossing. Ongelukkig kan die manier neurale netwerke te reageer op verskillende waardes van MU moeilik wees om te verstaan ​​of te voorspel. Dit maak dit van kritieke belang dat die netwerk fout (bv ESUM) gemonitor word tydens die opleiding, soos die druk dit na die video skerm aan die einde van elke iterasie. As die stelsel isnt behoorlik konvergerende, stop die program en probeer 'n ander waarde vir MU. An kunsmatige neurale netwerk (bl. D. Q) model vir tijdreeksen voorspel Mehdi Khashei. Mehdi Bijari Departement Bedryfsingenieurswese, Isfahan Universiteit van Tegnologie, Isfahan, Iran beskikbaar aanlyn 22 Mei 2009. Abstract kunsmatige neurale netwerke (Anns) is buigsaam rekenaar raamwerke en universele approximators wat toegepas kan word om 'n wye verskeidenheid van tydreekse vooruitskatting probleme met 'n hoë graad van akkuraatheid. Ten spyte van al aangehaal vir kunsmatige neurale netwerke voordele, hul prestasie vir 'n paar werklike tyd reeks is nie bevredigend nie. Die verbetering van vooruitskatting veral tydreeks vooruitskatting akkuraatheid is 'n belangrike nog dikwels moeilike taak in die gesig staar voorspellers. Beide teoretiese en empiriese bevindinge het aangedui dat integrasie van verskillende modelle van 'n doeltreffende manier om van die verbetering op hul voorspelbare prestasie kan wees, veral wanneer die modelle in die ensemble is heel anders. In hierdie vraestel word 'n roman hibriede model van kunsmatige neurale netwerke voorgestelde gebruik van die motor-regressiewe geïntegreerde bewegende gemiddelde (ARIMA) modelle ten einde 'n meer akkurate voorspelling model as kunsmatige neurale netwerke te lewer. Die empiriese resultate met drie bekende werklike datastelle dui daarop dat die voorgestelde model 'n doeltreffende manier om akkuraatheid vooruitskatting bereik deur kunsmatige neurale netwerke te verbeter kan word. Daarom, kan dit gebruik word as 'n geskikte alternatiewe model vir vooruitskatting taak, veral wanneer 'n hoër vooruitskatting akkuraatheid is nodig. Sleutelwoorde Kunsmatige neurale netwerke (Anns) Auto-regressiewe geïntegreerde bewegende gemiddelde (ARIMA) Tyd reeks voorspel Fig. 1. Fig. 2. Fig. 3. Tabel 1. Fig. 4. Fig. 5. Fig. 6. Fig. 7. Fig. 8. Fig. 9. Tabel 2. Fig. 10. Fig. 11. Fig. 12. Fig. 13. Fig. 14. Fig. 15. Table 3. Fig. 16. Fig. 17. Fig. 18. Fig. 19.Hybrid Neurale netwerk Stop-en-Reverse strategieë vir Forex deur Michael R. Bryant Neurale netwerke is gebruik in die handel stelsels vir baie jare met wisselende grade van sukses. Hul primêre trekpleister is dat hul nie-lineêre struktuur is beter in staat om die kompleksiteit van die prys beweging as standaard,-aanwyser gebaseer handel reëls vas te lê. Een van die punte van kritiek is dat neurale netwerk-gebaseerde handel strategieë is geneig oor-fiks te wees en daarom hoef presteer op nuwe data. 'N Moontlike oplossing vir hierdie probleem is om neurale netwerke te kombineer met reëlgebaseerde strategie logika om 'n hibriede tipe strategie te skep. In hierdie artikel sal jou wys hoe dit gedoen kan word met behulp van Adaptrade Bouwer. Die kombinasie van neurale netwerk en reël-gebaseerde logika vir handel uitstaande inskrywings A drie-segment data benadering sal gebruik word, met die derde segment gebruik word om die finale strategieë te bekragtig: In die besonder, sal hierdie artikel die volgende te illustreer. Die gevolglike strategie-kode vir beide Meta Trader 4 en TradeStation sal getoon word, en dit sal word getoon dat die resultate validering is positief vir elke platform. Neurale netwerke soos Handel Entry Wiskundig filters, 'n neurale netwerk is 'n nie-lineêre kombinasie van een of meer geweegde insette wat een of meer uitsetwaardes genereer. Vir verhandeling, word 'n neurale netwerk oor die algemeen gebruik word in een van twee maniere: (1) as 'n voorspelling van toekomstige prysbewegings, of (2) as 'n aanduiding of filter vir verhandeling. Hier sal die gebruik daarvan as 'n aanduiding of handel filter oorweeg. As 'n aanduiding, 'n neurale netwerk tree op as 'n bykomende voorwaarde of filter wat nagekom moet word voordat 'n handelsmerk kan word nie. Die insette van die netwerk is tipies ander tegniese aanwysers, soos momentum, Stochastics, ADX, bewegende gemiddeldes, en so aan, asook pryse en kombinasies van die voorafgaande. Die insette is afgeskaal en die neurale netwerk is ontwerp sodat die uitset is nie 'n waarde tussen -1 en 1. Een benadering is om 'n lang inskrywing toelaat indien die uitset is groter as of gelyk aan 'n drempelwaarde, soos 0,5, en 'n kort inskrywing indien die uitset minder as of gelyk aan die negatiewe van die drumpel bv is -0,5. Hierdie toestand sou wees benewens enige bestaande inskrywing voorwaardes. Byvoorbeeld, indien daar was 'n lang inskrywing toestand, sou dit om waar te wees en die neurale netwerk uitset sou ten minste gelyk is aan die drempelwaarde vir 'n lang inskrywing wees. By die saamstel van 'n neurale netwerk, sal 'n handelaar tipies verantwoordelik wees vir die keuse van die insette en die netwerk topologie en vir quottrainingquot die netwerk, wat die optimale gewig waardes bepaal. Soos sal hieronder getoon word, Adaptrade Bouwer voer hierdie stappe outomaties as deel van die evolusionêre opbou proses wat die sagteware is gebaseer op. Die gebruik van die neurale netwerk as 'n handelsmerk filter kan dit maklik wees gekombineer met ander reëls om 'n hibriede handel strategie, een wat die beste eienskappe van die tradisionele, reëlgebaseerde benaderings met die voordele van neurale netwerke kombineer skep. As 'n eenvoudige voorbeeld, kan Bouwer 'n bewegende gemiddelde crossover reël kombineer met 'n neurale netwerk sodat 'n lang posisie is geneem toe die vinnig bewegende gemiddelde kruise bo die stadig bewegende gemiddelde en die neurale netwerk uitset is op of bo die drumpel. Stop-en-Reverse handel strategieë 'n stop-en-omgekeerde handel strategie is een wat altyd in die mark, óf lank of kort. Streng gesproke quotstop-en-reversequot beteken dat jy die handel te keer wanneer jou aftrekorder is getref. Maar ek gebruik dit as 'n kort kant vir enige handel strategie wat omkeer van 'n lang om kort na lang en so aan, sodat julle altyd in die mark. Deur hierdie definisie, dit is nie nodig dat die bestellings om aftrekorders wees. Jy kan betree en te keer met behulp van die mark of limiet bestellings sowel. Dit is ook nie nodig dat elke kant gebruik dieselfde logika of selfs dieselfde soort orde. Byvoorbeeld, kan jy tik lang (en uitgang kort) op 'n aftrekorder en betree kort (en uitgang lank) op 'n mark orde, met behulp van verskillende reëls en voorwaardes vir elke inskrywing / afrit. Dit sou 'n voorbeeld van 'n asimmetriese stop-en-omgekeerde strategie wees. Die primêre voordeel van 'n stop-en-omgekeerde strategie is dat deur altyd in die mark, wat jy nooit enige groot skuiwe mis. Nog 'n voordeel is eenvoud. Wanneer daar aparte reëls en voorwaardes vir die invoer van en opwindende ambagte, daar is meer ingewikkeld en meer wat verkeerd kan gaan. Die kombinasie van inskrywings en uitgange beteken minder tyd besluite geneem moet word, wat minder foute kan beteken. Aan die ander kant, kan dit aangevoer word dat die beste omstandighede vir 'n ambag verlaat is selde dieselfde as dié vir die aangaan in die teenoorgestelde rigting wat aangaan en verlaat ambagte is inherent afsonderlike besluite wat dus afsonderlike reëls en logika moet gebruik. Nog 'n potensiële nadeel van altyd in die mark is dat die strategie sal handel deur middel van elke opening gaping. 'N Groot opening gaping teen die posisie kan 'n groot verlies beteken voordat die strategie is in staat om te keer. Strategieë wat op en af ​​van meer selektief of wat uitgang teen die einde van die dag kan die impak van die opening van gapings te minimaliseer. Sedert die doel is om 'n forex strategie te bou, Meta Trader 4 (MT4) is 'n ooglopende keuse vir die verhandelingsplatform gegee dat Meta Trader 4 hoofsaaklik ontwerp vir forex en word algemeen gebruik vir daardie markte handel (sien, byvoorbeeld, Meta Trader teen TradeStation : 'n taal Vergelyking). Maar in die afgelope jaar, TradeStation het die forex mark baie meer aggressief geteiken. Afhangende van jou handel volume en / of rekening vlak, sy moontlik om die forex mark deur middel van TradeStation handel sonder om enige platform fooie of enige kommissies betaal. Versprei is na bewering stywe met 'n goeie likiditeit van die groot forex pare. Om hierdie redes is beide platforms geteiken vir hierdie projek. Verskeie probleme ontstaan ​​wanneer gelyktydig rig op verskeie platforms. In die eerste plek kan die data anders op verskillende platforms wees, met verskille in tydsones, prys kwotasies vir 'n paar bars, volume, en beskikbaar periodes. Uit te stryk oor hierdie verskille, is data wat verkry is vanaf beide platforms, en die strategieë gebou oor beide data-reeks gelyktydig. Die beste strategieë was dus die een wat goed gewerk op beide data-reeks ten spyte van enige verskille in die data. Die data instellings wat in Bouwer word hieronder in Fig getoon. 1. Soos afgelei kan word uit die mark Data tafel in die figuur, die euro / dollar forex mark is geteiken (EURUSD) met 'n bar grootte van 4 uur (240 minute). Ander bar groottes of markte sal net so goed gedien het. Ek was net in staat om soveel data te verkry deur middel van my MT4 platform soos aangedui deur die datum bereik getoon in Fig. 1 (datareeks 2), sodat dieselfde datum bereik is gebruik in die verkryging van die ekwivalent datareeks van TradeStation (datareeks 1). 80 van die data gebruik vir die bou (gekombineer in-monster en quotout-van-samplequot), met 20 (6/20/14 tot 2/10/15) opsy gesit vir bekragtiging. 80 van die oorspronklike 80 is dan stel om quotin-samplequot met 20 stel om quotout-van-monster, quot soos getoon in Fig. 1. Die bod / vra versprei is gestig om 5 pitte, en koste verhandeling van 6 pitte of 60 per volgrootte baie (100,000 aandele) is veronderstel per ronde-draai. Beide datareeks is ingesluit in die aanloop, soos aangedui deur die regmerkies in die linkerkantste kolom van die Mark data tafel. Figuur 1. Mark data instellings vir die bou van 'n forex strategie vir Meta Trader 4 en TradeStation. Nog 'n potensiële probleem wanneer rig op verskeie platforms is dat Bouwer is ontwerp om die manier waarop elke ondersteun platform bereken sy aanwysers, wat kan beteken dat die aanwyser waardes sal anders wees, afhangende van watter platform is gekies dupliseer. Om hierdie moontlike bron van teenstrydigheid te vermy, moet enige aanwysers wat anders evalueer in Meta Trader 4 as in TradeStation uitgeskakel uit die bou, wat beteken die volgende aanwysers moet vermy word: Alle ander aanwysers wat beskikbaar is vir beide platforms is op dieselfde manier in bereken beide platforms. TradeStation sluit al die aanwysers wat beskikbaar is in Bouwer is, terwyl Meta Trader 4 nie doen. Daarom, om net aanwysers wat in beide platforms is sluit, moet die Meta Trader 4 platform gekies as die kode tik in Bouwer. Dit sal outomaties enige aanwysers van die opbou stel wat nie beskikbaar is vir MT4, wat die aanwysers wat in beide platforms is sal laat verwyder. Verder, aangesien ek opgemerk verskille in die volume data wat verkry is uit elke platform, ek verwyder al volume-afhanklike aanwysers van die opbou stel. Laastens, is die aanduiding tyd van die dag verwyder as gevolg van verskille in die tydsones tussen data lêers. In Fig. 2, onder die lys van aanwysers wat gebruik word in die bou set is getoon gesorteer volgens of die aanwyser deur die bou proses (quotConsiderquot kolom) beskou. Die aanwysers uit vergoeding vir die redes wat hierbo bespreek is wat aan die bokant van die lys. Die oorblywende aanwysers, wat begin met quotSimple Mov Avequot, was almal deel van die opbou stel. Figuur 2. aanwyser keuses in Bouwer, wat die aanwysers uit die bou stel. Die evaluering opsies wat in die aanloop proses word in Fig. 3. Soos bespreek, Meta Trader 4 is gekies as die kode uitset keuse. Na strategieë gebou in Bouwer, enige van die opsies op die blad Evaluering Options, insluitend die kode tipe, kan verander word en die strategieë herevalueer, wat ook die kode in wat ookal taal gekies sal herskryf. Hierdie funksie is gebruik om die TradeStation-kode vir die finale strategie verkry na die strategieë gebou vir Meta Trader 4. Figuur 3. Evaluering opsies in Bouwer vir die EURUSD forex strategie. Om te stop-en-omgekeerde strategieë te skep, is alle vorme uitgang van die gebou stel verwyder, soos hieronder in Fig getoon. 4. Al drie tipes inskrywing bestellings - mark, stop, en perk - oorgebly as quotconsiderquot, wat beteken dat die bou proses kan enige van hulle tydens die bou proses oorweeg. Figuur 4. tipes Bestel gekies Bouwer 'n stop-en-omgekeerde strategie te skep. Die bouer sagteware genereer outomaties reëlgebaseerde logiese voorwaardes vir toegang en / of uitgang. Om 'n neurale netwerk te voeg tot die strategie, die enigste wat nodig is om die opsie te kies quotInclude n neurale netwerk in inskrywing conditionsquot op die blad Strategie Options, soos hieronder in Fig getoon. 5. Die neurale netwerk instellings oorgebly by hul gebreke. As deel van die stop-en-omgekeerde logika, is die opsie mark kante stel om lank / kort, en die opsie om quotWait vir uitgang voor die aanvang van die nuwe tradequot was afgeskakel. Laasgenoemde is nodig om die inskrywing om die huidige posisie op 'n ommekeer te verlaat in staat te stel. Alle ander instellings oorgebly by die standaard. Figuur 5. Strategie opsies gekies in Bouwer 'n hibriede strategie met behulp van beide reëlgebaseerde en neurale netwerk voorwaardes te skep. Die evolusionêre aard van die bou proses in Bouwer is gelei deur die fiksheid. wat bereken word vanaf die doelwitte en voorwaardes gedefinieer op die blad Statistieke, soos hieronder in Fig getoon. 6. Die bou doelwitte eenvoudig gehou: die maksimering van die netto wins terwyl die vermindering van die kompleksiteit, wat 'n klein gewig in vergelyking met die netto wins gegee. Meer klem is geplaas op die bou toestande wat die korrelasiekoëffisiënt en betekenis vir algemene strategie gehalte, sowel as die gemiddelde bars in ambagte en die aantal ambagte ingesluit. Aanvanklik het net die gemiddelde bars in ambagte is ingesluit as 'n opbou toestand. Maar in sommige van die vroeë bou, die netto wins was bevoordeel oor die lengte handel, sodat die getal-van-ambagte metrieke bygevoeg. Die gespesifiseerde reeks vir die aantal ambagte (tussen 209 en 418) is gelykstaande aan die gemiddelde handel lengtes tussen 15 en 30 bars wat gebaseer is op die aantal bars in die aanloop tydperk. As gevolg hiervan, die toevoeging van hierdie metrieke sit meer klem op die handel lengte doel, wat gelei het tot meer lede van die bevolking met die gewenste reeks handel lengtes. Figuur 6. doelwitte en voorwaardes Bou stel op die blad Statistieke bepaal hoe die fiksheid word bereken. Die quotConditions vir kies Top Strategiesquot dupliseer die bou voorwaardes behalwe dat die top strategieë toestande geëvalueer oor die hele reeks van data (nie insluitend die bekragtiging segment, wat aparte), eerder as om net oor die bou tydperk, soos in die geval van die bou voorwaardes. Die top strategieë voorwaardes word deur die program ter syde te stel enige strategieë wat voldoen aan al die voorwaardes in 'n aparte bevolking. Die finale verstellings gemaak word op die blad Bou Opsies, soos hieronder in Fig getoon. 7. Die belangrikste opsies hier is die bevolkingsgrootte, aantal generasies, en die opsie om te herstel wat gebaseer is op die prestasie quotout-van-samplequot. Die grootte van die bevolking is gekies groot genoeg is om 'n goeie verskeidenheid te kry in die bevolking, terwyl nog steeds klein genoeg is om te bou in 'n redelike bedrag van die tyd te wees. Die aantal generasies is gebaseer op hoe lank dit geneem het tydens 'n paar voorlopige bou vir die resultate om te begin om saam te kom. Figuur 7. Bou opsies sluit in die bevolkingsgrootte, aantal generasies, en opsies vir die Herstel van die bevolking op grond van quotout-van-samplequot prestasie. Die opsie om quotReset op Out-of-monster (OOS) Performancequot begin die bou proses oor na die gespesifiseerde aantal generasies indien die gespesifiseerde toestand ontmoet in hierdie geval, sal die bevolking herstel wees indien die quotout-van-samplequot netto wins is minder as 20.000. Hierdie waarde is gekies op grond van voorlopige toetse op 'n hoë genoeg waarde dat dit waarskynlik nie bereik word nie. As gevolg hiervan, is die bou proses herhaal elke 30 geslagte tot hand gestop. Dit is 'n manier om jou te laat die program identifiseer strategieë gebaseer op die Top Strategie toestande oor 'n lang tydperk van die tyd. Van tyd tot tyd, kan die Top Strategie bevolking nagegaan en die bou proses gekanselleer wanneer geskikte strategieë gevind word. Let daarop dat ek quotout-van-samplequot in aanhalingstekens. Wanneer die quotout-van-samplequot tydperk word gebruik om die bevolking te herstel op hierdie wyse, die quotout-van-samplequot tydperk is nie meer werklik buite-monster. Sedert daardie tyd word nou gebruik om die bou proses, sy effektief deel van die in-monster tydperk te lei. Dis hoekom sy dit raadsaam om 'n derde segment vir bekragtiging ter syde te stel, soos hierbo bespreek. Na 'n paar uur van die verwerking en 'n aantal outomatiese rebuild, is 'n geskikte strategie gevind in die Top Strategie bevolking. Die geslote handel aandele kurwe word hieronder in Fig getoon. 8. Die aandele kurwe toon bestendige vertoning in beide data segmente met 'n voldoende aantal ambagte en basies dieselfde resultate oor beide data-reeks. Figuur 8. Geslote-handel aandele kurwe vir die EURUSD stop-en-omgekeerde strategie. Om die strategie oor die tydperk validering kyk, die datum kontroles op die blad Markte (sien Fig. 1) is verander na die einddatum van die data (2015/02/11), en die strategie is herevalueer met die kies van die evalueer opdrag van die spyskaart Strategie in Bouwer. Die resultate word hieronder in Fig getoon. 9. Die validering resultate in die rooi boks toon dat die strategie gehou op data nie tydens die bou proses gebruik. Figuur 9. Geslote-handel aandele kurwe vir die EURUSD stop-en-omgekeerde strategie, insluitend die tydperk bekragtiging. Die finale tjek is om te sien hoe die strategie uitgevoer word op elke datareeks afsonderlik met behulp van die kode uitset opsie vir daardie platform. Dit is nodig omdat, soos hierbo verduidelik, is daar dalk verskille in die resultate, afhangende van (1) die kode soort, en (2) die data-reeks. Ons moet seker maak dat die gekose instellings geminimaliseer hierdie verskille, soos bedoel. Om die strategie te toets vir Meta Trader 4, die datareeks van TradeStation is geselekteer op die blad Markte, en die strategie is herevalueer. Die resultate word hieronder in Fig getoon. 10, wat die onderste kurwe in Fig dupliseer. 9. Figuur 10. Geslote-handel aandele kurwe vir die EURUSD stop-en-omgekeerde strategie, insluitend die bekragtiging tydperk, vir Meta Trader 4. Ten slotte, om die strategie vir TradeStation toets, die datareeks van TradeStation is gekies en die reeks vir Meta Trader 4 is geselekteer op die blad Markte, is die kode uitset verander na quotTradeStation, quot en die strategie is herevalueer. Die resultate word hieronder in Fig getoon. 11 en verskyn baie soortgelyk aan die middel kurwe in Fig te wees. 9, soos verwag. Figuur 11. Geslote-handel aandele kurwe vir die EURUSD stop-en-omgekeerde strategie, insluitend die bekragtiging tydperk, vir TradeStation. Die kode vir beide platforms is hieronder in Fig. 12. Klik op die foto om die kode lêer oop te maak vir die ooreenstemmende platform. Ondersoek van die kode dui aan dat die reëlgebaseerde deel van die strategie gebruik verskillende wisselvalligheid verwante toestande vir die lang en kort kante. Die neurale netwerk insette bestaan ​​uit 'n verskeidenheid van aanwysers, insluitende dag-van-week, tendens (ZLTrend), intraday hoog, ossillators (InvFisherCycle, InvFisherRSI), Bollinger bands, en standaardafwyking. Die baster aard van die strategie kan direk gesien word in die kode verklaring (van die TradeStation kode): As EntCondL en NNOutput GT 0.5 dan begin koop (quotEnMark-Lquot) NShares aandele volgende bar op die mark die veranderlike quotEntCondLquot verteenwoordig die reëlgebaseerde inskrywing voorwaardes, en quotNNOuputquot is die opbrengs van die neurale netwerk. Beide toestande moet getrou aan die lang inskrywing bestel word. Die kort inskrywing toestand werk op dieselfde manier. Figuur 12. Trading strategie-kode vir die EURUSD stop-en-omgekeerde strategie (links, Meta Trader 4 reg, TradeStation). Klik op die figuur om die ooreenstemmende kode lêer oop te maak. Kry 'n lêer Bouwer projek (.gpstrat) met die in hierdie artikel beskryf instellings. Hierdie artikel kyk na die proses van die bou van 'n hibriede reël-gebaseerde / neurale netwerk strategie vir die EURUSD behulp van 'n stop-en-omgekeerde (altyd in die mark) benadering met Adaptrade Bouwer. Dit is gewys hoe die strategie-kode gegenereer kan word vir verskeie platforms deur die kies van 'n gemeenskaplike subset van die aanwysers wat op dieselfde manier in elke platform werk. Die instellings wat nodig is om strategieë wat omkeer van 'n lang om kort en terug is beskryf genereer, en dit is bewys dat die gevolglike strategie uitgevoer positief op 'n aparte, validering segment van data. Daar is ook bewys dat die strategie gegenereer soortgelyke resultate met die opsie data en kode vir elke platform. Soos hierbo bespreek, die stop-en-omgekeerde benadering het verskeie nadele en mag nie 'n beroep op almal. Dit kan egter 'n altyd-in-die-mark benadering meer aantreklik met forex data wees, omdat die buitelandse valuta markte handel te dryf rondom die klok. As gevolg hiervan, is daar geen gapings-sessie oop te, en die handel bestellings is altyd aktief en beskikbaar is om die handel wanneer die mark veranderinge te keer. Die gebruik van intraday data (4-uur bars) verskaf meer bars van data vir gebruik in die bou proses, maar was andersins redelik arbitrêre deurdat die altyd-in-die-mark aard van die strategie beteken dat ambagte oornag gedra. Die bou proses is toegelaat om verskillende toestande ontwikkel vir die invoer van 'n lang en kort, wat lei tot 'n asimmetriese stop-en-omgekeerde strategie. Ten spyte van die naam, die gevolglike strategie gaan beide lang en kort ambagte op die mark bestellings, hoewel die mark, stop, en beperk bestellings is almal beskou deur die bou proses onafhanklik vir elke kant. In die praktyk, die omkeer van 'n lang kort beteken die verkoop van kort twee keer die aantal aandele teen die mark as die strategie was die oomblik lank bv As die huidige lang posisie was 100,000 aandele, sal jy kort 200,000 aandele te verkoop teen mark. Net so, as die huidige kort posisie was 100,000 aandele, sou jy koop 200,000 aandele op die mark omswaai van kort na lank. 'N Korter prys geskiedenis is gebruik as sou ideaal wees. Nietemin, die resultate was positief oor die segment bekragtiging, wat dui op die strategie was nie oor-fit. Dit ondersteun die idee dat 'n neurale netwerk kan gebruik word in 'n handel strategie sonder om noodwendig oor-pas die strategie om die mark. Die strategie wat hier aangebied is nie bedoel vir die werklike handel en is nie getoets in real-time dop of handel. Tog kan hierdie artikel gebruik word as 'n sjabloon vir die ontwikkeling van soortgelyke strategieë vir die EURUSD of ander markte. Soos altyd, indien enige handel strategie wat jy ontwikkel deeglik getoets word in real-time dop of op 'n aparte data om die resultate te bevestig en om jouself vertroud te maak met die handel eienskappe van die strategie voor handel leef. Hierdie artikel verskyn in die Februarie 2015-uitgawe van die Adaptrade sagteware nuusbrief. Hipotetiese of gesimuleerde prestasieresultate sekere inherente beperkings. Anders as 'n werklike vertoningslys, MOENIE gesimuleerde uitslae verteenwoordig werklike handel. Ook, omdat Die bedrywe het eintlik nie uitgevoer is, kan die resultate HET onder - of OOR-vergoed vir die impak, indien enige, van SEKERE markfaktore, soos 'n gebrek aan likiditeit. Gesimuleerde TRADING programme in die algemeen ook onderhewig aan die feit dat hulle is ontwerp met die voordeel van agterna. GEEN VERTEENWOORDIGING gemaak DAT ENIGE rekening of waarskynlik winste of verliese soortgelyk aan dié wat ACHIEVE. As youd graag in kennis gestel word van nuwe ontwikkelinge, nuus, en spesiale aanbiedinge van Adaptrade sagteware, sluit gerus by ons e-pos lys. Dankie.