Genetic-algoritmien käyttäminen ennusteisiin rahoitusmarkkinoilla Burton ehdotti kirjansa A Random Walk Down Wall Streetissa (1973), että sormitettu apina, joka heittää tikkareita sanomalehdille, voi valita salkun, joka tekisi yhtä hyvin kuin yksi, asiantuntijoita. Vaikka evoluutio on saattanut tehdä ihmisestä älykkäämpää varastojen poimimista, Charles Darwinsin teoria on varsin tehokas, kun sitä sovelletaan suoraan. (Jotta voit valita varastot, tutustu Tukoksen valintaan.) Mitkä ovat geneettiset algoritmit Geneettiset algoritmit (GAs) ovat ongelmanratkaisumenetelmiä (tai heuristiikkaa), jotka jäljittelevät luonnollisen evoluution prosessia. Toisin kuin keinotekoiset hermoverkot (ANNs), jotka on suunniteltu toimimaan kuten neuronit aivoissa, nämä algoritmit hyödyntävät luonnonvalinnan käsitteitä ratkaisemaan ongelman paras ratkaisu. Tämän seurauksena GA: itä käytetään yleisesti optimoijina, jotka säätävät parametreja minimoimaan tai maksimoimaan jonkinasteisen palautteen mittauksen, jota voidaan sitten käyttää itsenäisesti tai ANN: n rakentamisessa. Rahoitusmarkkinoilla. geneettisiä algoritmeja käytetään yleisesti parametrien parhaan yhdistelmän arvojen löytämiseen kaupankäyntisäännöissä, ja ne voidaan rakentaa sellaisiin ANN-malleihin, jotka on suunniteltu poimimaan varastoja ja tunnistamaan kauppoja. Useat tutkimukset ovat osoittaneet, että nämä menetelmät voivat osoittautua tehokkaiksi, mukaan lukien Geneettiset algoritmit: Genesis of Stock Evaluation (2004), Rama ja Geneettisten algoritmien sovellukset Stock Market Data Mining Optimization (2004): Lin, Cao, Wang, Zhang. (Jos haluat lisätietoja ANN: stä, katso Neural Networks: Ennusteen voitot.) Miten geneettiset algoritmit toimivat Geneettiset algoritmit luodaan matemaattisesti käyttäen vektoreita, jotka ovat suoria ja suuruisia määriä. Kunkin kauppasäännön parametreja edustaa yksiulotteinen vektori, jota voidaan ajatella geneettisiksi kromosomiksi. Samalla kunkin parametrin arvoja voidaan ajatella geeneiksi, joita muutetaan sitten luonnollisella valinnalla. Esimerkiksi kaupankäynnin säännössä voi olla parametreja kuten Moving Average Convergence-Divergence (MACD). Exponential Moving Average (EMA) ja Stochastics. Geneettinen algoritmi syöttää sitten arvot näihin parametreihin tavoitteenaan maksimoida nettotulos. Ajan myötä otetaan käyttöön pieniä muutoksia, ja ne, jotka vaikuttavat toivottavasti, säilyvät seuraavalle sukupolvelle. Seuraavaksi voidaan suorittaa kolmen tyyppisiä geneettisiä toimintoja: Crossovers edustavat biologiaan liittyvää lisääntymis - ja biologista risteytystä, jolloin lapsi ottaa vanhempiensa tietyt ominaisuudet. Mutaatiot edustavat biologista mutaatiota ja niitä käytetään ylläpitämään geneettistä monimuotoisuutta väestön toisesta sukupolvesta seuraavaan ottamalla käyttöön satunnaisia pieniä muutoksia. Valinnat ovat vaihe, jossa yksittäiset genomit valitaan väestöstä myöhempään kasvatukseen (rekombinaatio tai crossover). Näitä kolmea operaattoria käytetään sitten viiden vaiheen prosessiin: Initialize random random population, where each kromosome on n-pituus, jossa n on parametrien määrä. Toisin sanoen, satunnaisparametrien lukumäärä määritetään n elementillä kullakin. Valitse kromosomit tai parametrit, jotka lisäävät toivottuja tuloksia (oletettavasti nettotulos). Käytä mutaatio - tai risteytysoperaattoreita valittuihin vanhempiin ja luo jälkeläisiä. Yhdistä jälkeläiset ja nykyinen väestö muodostamaan uuden väestön valintaoperaattorille. Toista vaiheet 2-4. Ajan myötä tämä prosessi johtaa yhä suotuisampiin kromosomeihin (tai parametreihin) käytettäväksi kaupankäyntisäännöissä. Prosessi lopetetaan sitten, kun pysäytyskriteeri täyttyy, joka voi sisältää käyntiajan, kuntokyvyn, sukupolvien lukumäärän tai muun kriteerin. (Lisätietoja MACD: stä lue kaupankäynti MACD-divergenssistä.) Geneettisten algoritmien käyttäminen kaupankäynnissä Vaikka geneettisiä algoritmeja käytetään ensisijaisesti institutionaalisten kvantitatiivisten toimijoiden avulla. yksittäiset toimijat voivat hyödyntää geneettisten algoritmien kykyä - ilman kehittynyttä matematiikkaa - käyttää useita ohjelmistopaketteja markkinoilla. Nämä ratkaisut vaihtelevat erillisistä ohjelmistopaketeista, jotka on suunnattu rahoitusmarkkinoille Microsoft Excel-lisäosille, jotka helpottavat käytännön analyysiä. Näitä sovelluksia käytettäessä kauppiaat voivat määrittää joukon parametreja, jotka sitten optimoidaan käyttämällä geneettistä algoritmia ja joukkoa historiallisia tietoja. Jotkin sovellukset voivat optimoida parametrit ja niiden arvot, kun taas toiset kohdennetaan ensisijaisesti yksinkertaisten parametrien asetusten optimointiin. (Lisätietoja näistä ohjelmasta johdetuista strategioista on Ohjelmistotuotojen voima). Tärkeät optimointivinkit ja vihjeet Kaarteen sovitus (kaavoittaminen), joka suunnittelee kaupankäyntijärjestelmän historiallisten tietojen ympärille eikä tunnistaa toistuvaa käyttäytymistä, muodostaa mahdollisen riskin kauppiaille, jotka käyttävät geneettiset algoritmit. Kaikki kaupankäyntijärjestelmää käyttävät kaupankäyntijärjestelmät on testattava paperilla ennen live-käyttöä. Parametrien valinta on tärkeä osa prosessia, ja kauppiaiden on etsittävä parametreja, jotka korreloivat tietyn turvallisuuden hinnan muutoksiin. Esimerkiksi kokeile erilaisia indikaattoreita ja katso, vaikuttavatko ne näyttävät korreloivan suurien markkinoiden käännösten kanssa. Geneettiset algoritmit ovat ainutlaatuisia tapoja ratkaista monimutkaisia ongelmia käyttämällä luonnonvoimaa. Soveltaessaan näitä menetelmiä arvopaperimarkkinahintojen ennustamiseksi kauppiaat voivat optimoida kauppasääntöjä tunnistamalla parhaat arvot, joita käytetään tietyn tietoturvan jokaiselle parametrille. Nämä algoritmit eivät kuitenkaan ole Pyhä Graal, ja kauppiaiden on oltava varovainen valita oikeat parametrit eivätkä käyrän sovitus (yli sovittaminen). (Lue lisää markkinoista, tutustu kuuntelemaan markkinoita, ei sen pondit.) Verotyyppi, joka peritään yksityishenkilöiden ja yhtiöiden myyntivoitoista. Myyntivoitot ovat sijoittajan voittoja. Tilaus ostaa tietyn hinnan tietyllä hinnalla tai sen alapuolella. Ostarajajärjestys antaa kauppiaille ja sijoittajille mahdollisuuden täsmentää. Sisäinen tulovirasto (IRS) - sääntö, joka mahdollistaa rangaistuksettomat nostot IRA-tililtä. Sääntö vaatii sen. Yksityisen yrityksen ensimmäinen varaston myynti yleisölle. IPO: t myöntävät usein pienemmät, nuoremmat yritykset, jotka hakevat. Velkaantumisaste on velkasuhde, jota käytetään yrityksen taloudellisen vipuvaikutuksen mittaamiseen tai yksilön mittaamiseen käytettyyn velkasuhteeseen. Eräänlainen korvausrakenne, joka suojaa rahastonhoitajia tyypillisesti, missä korvausosa on suorituskykyperusteinen. GLOBAL TRADING SYSTEMS FOREX PREDICTION FOREX ROBOT BINARY OPTIONS ROBOT BINARY OPTIOT SIGNAALIT STOCK TRADING ROBOT STOCK PREDICTION Forex Scalper Profit Progressor Robot EA on todellinen moni markkinatilanne robotti: trending, non-trending, volatile and non-volatile. Kauppaa kaikki tärkeimmät valuuttaparit. 50-100 kauppaa päivässä. Voitto 250 kuukaudessa. Tämän monimutkaisen Forex Robot Scalper EA: n pitäisi ansaita vakaa kiinteä voitto. Erittäin turvallinen tilille. Forex-aloittelijoille tai kehittyneille kauppiaille. Forex-indikaattori 3D-signaalit - Forex-signaalit Uusi sukupolvi Uusi kehittyneiden laadukkaiden 3D-Forex-signaalien indikaattori. Forex-indikaattori perustuu Neural Networksin analyysiin 3D-dimensioissa ja luo tilastollisesti luotettavia ja tarkkoja valuuttakauppasignaaleja reaaliajassa. Signaalit ovat intuitiivisia, helppokäyttöisiä ja ovat säilyttäneet erinomaisen voitonopeuden. 500 pipsiä keskim. voittoa kuukaudessa. 60 sekuntia binääriasetusten merkkivalot (Metatrader-pohjainen). 90 päivittäistä voittoa. 100 signaalia päivässä. 100 voittoa 1 tunti Non-Repainting Helppo käyttää, toimii minkä tahansa välittäjän kanssa, mikä tahansa omaisuus. Tarkkuus todennettu reaalilla kauppatilillä. Perustuu kehittyneisiin neuroverkkojen algoritmeihin. On testattu yli 200 Binary Option Brokersin kanssa ja se näyttää vakaan korkean voiton. Binary Options Auto Trader 300 kuukausittaista voittoa 100 binary Auto Trader Metarader-pohjaisille välittäjille, kuten Core Liqudity Marketsille, NoaFX: lle, GDMFX: lle, GoMarketsille, Grandcapitalille, WForexille ja muille. Perustuu Neural Networks - algoritmiin. Sisäänrakennetun tilin suojaus - ja riskienhallintajärjestelmä. 300 voittoa kuukaudessa 100 kaupata päivässä 100 Automated Binary Options Robotti web-pohjaisille välittäjille Kauppaa 60 sekuntia ja 30 sekuntia binääriasetuksia. Sisäänrakennettu talletussuoja, rahanhallintajärjestelmä. Suorita suorat kaupat suoraan linkitettyyn välittäjätiliisi. 1500 1 VUOSIKERTOMUUDESTA Kannattavien binaaristen optiosignaalien ja Autotradersin etsiminen On INCREDIBLE BINARY OPTION SIGNALS, jotka johtavat sinua menestymään. Binaariset vaihtoehdot signaalit Indikaattori (Metatrader 5-pohjainen). 90 päivittäistä voittoa. 50 signaalia päivässä. Ei-jälleenkäsittely toimii kaikkien välittäjien kanssa. Perustuu neuroverkkoihin. 60 sekuntia binääriasetusten merkkivalot (NinjaTrader-pohjainen). 90 päivittäistä win-rate, luotettavia, voitto kaupankäynnin signaaleja. 70 signaalia päivässä. Non-Repainting Super tarkka Helppokäyttöinen, toimii kaikkien välittäjien kanssa, kaikki omaisuus. Synkronoidaan millä tahansa binäärivaihtoehdolla platfrom. Perustuu neuroverkkoihin. Binaaristen vaihtoehtojen ennustaminen ja kaupankäynnin signaalin indikaattori Metatraderille. Luo 90 tarkkaa, luotettavaa, voittanutta kaupankäyntisignaalia. Ei-repainting perustuu neuroverkkojen algoritmiin. Työskentelee minkä tahansa välittäjän ja minkä tahansa aikataulun kanssa. Voit lähettää ilmoituksen mobiililaitteille, jolloin kaupankäynnin signaali ilmenee. 10 ja 15 minuuttia Binaariset vaihtoehdot Kauppasignaalit Indikaattori Metatraderille (MT4). 83 päivittäinen voitto-arvo 30 kaupankäyntipäivää päivässä 100 EI VALMISTAMINEN 100 luotettavia Binaarivaihtoehtojen (BO) signaalien ilmaisin ilmoittaa, kun laadukkaat kaupankäynnin mahdollisuudet ovat syntyneet. Näyttää vakaan korkean voiton. Rentoudu kun IQ Option Trade Copier Plugin kaupankäynnin sijaan. IQ Option Trade Copier kopioi kaupoista Metatraderista suoraan IQ Option Platform - asiakkaaseen. Automatisoi jokaisen kannattavan strategian ja mahdollistaa kaupan täydellisessä autopilotissa. Kopioi kaupat hetkessä ja luotettavasti. Binaariset vaihtoehdot Kauppatekniikka. Kopioi kaupankäynnin Metatraderista suoraan binaariasetusalustasi ja toteuttaa kauppoja välittäjätililläsi. Välitön. Luotettava. Automatisoi jokaisen kannattavan strategian ja mahdollistaa kaupan täyden autopilotin suoraan Metatraderilta. Neuraaliverkot Forex-ennustusindikaattori Metatraderille. Luo 90 tarkkaa kaupankäyntisignaalia. Jopa 250 voittoa kuukaudessa Ennusteet korkealle, matalalle, suljetulle hinnalle, hintakehityksen suuntaan. 100 Muokkaamatonta työtä millä tahansa valuuttaparilla, missä tahansa aikakehyksessä. Se on paras forex scalping robotti, jota voit käyttää ja voi kasvattaa jopa pienin kaupankäynnin tilit valtava tilit hyvin nopeasti ilman sinun tarvitsee nostaa sormen Forex päivänsisäinen Scalper EA analysoi Forex markkinoiden voit löytää paras merkintä ja poistumispisteet. 250 voittoa kuukaudessa. Maksimirajoitukset 3.5. 100 automaattista kaupankäyntiä. Älykäs forex-kaupankäynnin robotti (forex robotti tai EA) Metatraderille, joka perustuu Neural Networksiin ja geneettiseen algoritmiin. Itsenäinen oppiminen ja itsensä päivittäminen Robotti avaa positiot 90: llä todennäköisyydellä menestyksestä. Metatrader - interaktiiviset välittäjät Trader Copier Bridge on ohjelmoitava laajennus Trader Workstationille (TWS), jonka avulla voit käydä käsin tai automaattisesti suoraan Metatraderilta (MT4, MT5). Automatisoi strategiasi kaupankäynnin kautta Interactive Brokersin kautta. 300 voittoa kuukaudessa. Enimmäisveto 7. 90 onnistunutta kaupankäyntiä. 100 automaattista kaupankäyntiä. Älykäs forex-kaupankäynnin robotti (forex robotti tai EA) Metatraderille, joka perustuu Neural Networksiin. Forex Robot Scalper näyttää suuret määrät kauppoja päivässä, ja vähäiset menetykset. Dukascopy Binary Options Robot 50 kaupata päivässä 100 Automated Binary Options Robotti Dukascopy välittäjälle Kauppaa 60 sekuntia ja 15 minuuttia binaarisia vaihtoehtoja. Sisäänrakennettu talletussuoja, riskienhallintajärjestelmä. 75-90 Win-rate. 1500 1 VUOSIKERTOMAAN Metatrader Nadex Trade Copier kopioi MT4: ltä suoraan Nadex Trading Platform - asiakkaaseen ja toteuttaa kaupankäynnin. Välitön. Luotettava. Sallii testata ja automatisoida kaupankäyntistrategiaa ja käydä kauppaa täydellä autopilotilla suoraan Metatraderilta. Tee mitään hyödykettä. Nadex Trading Robot on täysin automatisoitu kaupankäynnin ohjelmisto, joka on erityisesti suunniteltu kaupankäynnin kannattavaksi Nadex Binary Options - ohjelman avulla. 100 kaupasta päivässä 100 Automated Sisältää sisäänrakennetun talletussuojan, rahanhallintajärjestelmän. Perustuu Neural Networksin vähäriskistrategiaan. 1500 1 VUOSIKERTOMUSTA Nadex-signaalit ja ennuste-indikaattori on suunniteltu erityisesti kaupankäynnin kannattavaksi Nadexin binääriasetuksilla. 90 ITM Nadex-signaalia. 50 signaalia päivässä. Tee johdonmukainen voitto paras ja luotettavin Nadex-signaalien indikaattori. 90 tarkka Bitcoin-ennustemittari Metatraderille, joka perustuu Neural Networks - algoritmiin. Luo suorat reaaliaikaiset ennusteet ja kaupankäynnin signaalit. Indikaattori ei ole maalattu uudelleen. Ennustaa hintaa, hintojen liikkeen suuntaa, havaitsee kääntöpisteet. IQ-optio Robotti vaihtaa binaarisia vaihtoehtoja 100 automaattista. 75-90 päivittäinen voittoprosentti 50-100 kauppaa päivässä. Perustuu Neural Networks - algoritmiin. Älykäs IQ-vaihtoehto Robotti tuottaa automaattisesti signaaleja, asetetaan erän kokoa, on tilien suojausjärjestelmä. Kopioi hetkessä ja luotettavasti eri tietokoneiden välityksellä internetin kautta kaikkialla maailmassa ja eri MT4-päätelaitteiden välillä, jotka toimivat samalla tietokoneella. Yhteensopiva millä tahansa MT4-alustalla minkä tahansa Forex-välittäjän kanssa. Kopioi kaikki markkinatilaukset. Gold Trading Robot on kehitetty GOLD 1H ja SILVER 1H. 360 voittoa kuukaudessa. Suurin arvonnousu 10. 90 voitot kauppaa. 100 automaattista kaupankäyntiä. Pitkäaikainen strategia. Jokainen tilaus on suojattu Stop Loss ja Take Profit. Täysin optimoitu asetus. 90 tarkkaa. Luo reaaliaikaisia streaming-kaupankäyntisignaaleja. Asentanut suoratoistolähetyksen kaikille aikakehyksille. Estää hinnan, hintakehityksen suuntauksen, trendin, tuottaa kaupankäyntisignaaleja. Ei tarvitse asentaa. Uudet signaalit toimitetaan dynaamisesti reaaliaikaiseen kaavioon. 260 FOR 1 MONTH SUBSCRIPTION 90 tarkka Forex-suoratoisto reaaliaikaisen hintaennusteen ja kaupankäynnin signaalin ohjelmisto. 300 pistettä takaa joka kuukausi. Ei uudistanut Dased on Neural Networks - algoritmi. Täysin automatisoitu web-pohjainen Online Forex Predictor työpöydälle ja mobiililaitteille. 260 1 KESÄKUUTA TILAUS 95 tarkka. Ennusteiden hinta, hintakehitys suunta, trendi, synnyttää buysell-signaaleja. Ei-maalattu Tuottaa reaaliaikaisia streaming-kaupankäyntisignaaleja. Asentanut suoratoiston suoratoistosyötteen. Web-pohjainen käyttöliittymä. Työpöydälle ja mobiililaitteille. 260 1 KESÄKURIEN TILAUKSEN Loss Recovery Trader Robot (EA) 100 korjaa automaattisesti forex-tilisi ja palauttaa menetykset, auttaa vähentämään ja jopa poistamaan tappiolliset kaupat. Yksinkertaisesti sijoittakaa kauppasi, ja Loss Recovery Trader Robot tekee loput sinulle. Binaariset asetukset Kaupan kopiokoneen silta Kopioi kaupat, binääriasetukset signaalit binääriasetusalustan välillä. Instant Reliable 100 Automated Supports staattinen erän koko, dynaaminen erän koko, martingaali. Kopioi kaupat ammatillisen elinkeinonharjoittajan kannattavasta strategiasta ja ansaitse rahaa. 75-80 päivittäistä voitonopeutta 200 signaalia päivässä. Reaaliaikaiset streaming-kaupankäyntisignaalit. Mikä tahansa valuuttaparin, mikä tahansa vanhentumisaika. Perustuu neuroverkkoihin. Web-pohjainen käyttöliittymä. Ei tarvitse asentaa. Uudet signaalit toimitetaan dynaamisesti reaaliaikaiseen kaavioon. 260 1 KESÄKURIEN MERKINTÄ Forex Multi Currency Scalper EA on 100 automatiikan kaupankäynnin robotti voi valita parhaat mahdolliset kaupat 28 symbolista. Perustuu vähäriskiseen strategiaan. Varmistaa, että kaupat on merkitty parhaisiin mahdollisiin aikoihin. Suorittaa kaupankäyntiä halvemmalla hinnalla ja myy kauppoja korkeammalla hinnalla. Kopioi kaupallisten kauppiasyritysten suurimmasta sosiaalisesta verkostosta kannattavat kaupalliset signaalit. Liity kauppiaiden maailmanlaajuiseen yhteisöön, löydä haluamasi ideoita ja kopioi parhaat ideat ja signaalit suoraan kaupankäyntitilillesi ja voitota Tradingview-signaalien kopiointityökalulla. Geneettinen algoritmi Geneettisen algoritmin hyödyntämisessä FOREX-kaupankäyntijärjestelmissä käyttämällä luodaan kannattavaa FOREX-kaupankäynnin strategiaa. Geneettinen algoritmi Cortexin neuroverkkojen ohjelmistossa Feedforward Backpropagation Neural Network - sovellus geneettisiin laskelmiin perustuvaan Forex-kaupankäyntiin. Tässä esimerkissä käytetään edellisen artikkelin käsitteitä ja ideoita, joten lue Neural Network Genetic - algoritmi Forex Trading Systems - järjestelmissä ensin, vaikkakaan se ei ole pakollista. Tietoja tästä tekstistä Lue ensin vastuuvapauslauseke. Tämä on esimerkki Cortex Neural Networks Softwarein geneettisen algoritmin toiminnallisuudesta, ei esimerkistä siitä, miten kannattava kaupankäynti olisi mahdollista. En ole sinun guru, enkä olekaan vastuussa tappioistasi. Cortex Neural Networks - ohjelmistolla on hermoverkkoja, ja FFBP, josta keskustelimme aiemmin, on vain yksi keino valita valuuttakaupankäyntistrategiat. Se on hyvä tekniikka, voimakas ja kun sitä käytetään oikein, hyvin houkutteleva. On kuitenkin ongelma - opettaa neuroverkkoa. meidän on tiedettävä haluttu tuotos. On melko helppo tehdä, kun toimimme approksimaationa, vaan käytämme funktion todellista arvoa, koska tiedämme, mitä sen pitäisi olla. Kun teemme neuroverkkojen ennustamista. käytämme tekniikkaa (kuvattu aikaisemmissa artikkeleissa) Neural Networkin opetuksessa historiasta. Jos ennustamme esimerkiksi valuuttakurssia, tiedämme (koulutuksen aikana), mikä on oikea ennuste. Kuitenkin, kun rakennamme kauppajärjestelmää, meillä ei ole aavistustakaan, mikä oikea kaupankäyntipäätös on, vaikka tiedämme valuuttakurssin. Itse asiassa meillä on monia valuuttakaupankäyntistrategioita, joita voimme käyttää milloin tahansa. meidän on löydettävä hyvä - miten Meidän pitäisi ruokkia haluttua tuotos meidän Neural Net Jos olet seurannut meidän edellinen artikkeli, tiedät, että olemme huijattuja käsitellä tätä ongelmaa. Teimme Neuraaliverkoston tekemään valuuttakurssin (tai valuuttakurssiperusteisen indikaattorin) ennustuksen ja käytimme tätä ennustusta kaupankäynnin tekemiseen. Sitten, Neural Network - ohjelman ulkopuolella, teimme päätöksen siitä, mikä neuroverkko on paras. Geneettiset algoritmit voivat käsitellä tätä ongelmaa suoraan, he voivat ratkaista ongelman, joka on löydetty parhaiden kauppasignaalien löytämiseksi. Tässä artikkelissa käytämme Cortex Neural Networks - ohjelmistoa tällaisen ohjelman luomiseen. Geneettisen algoritmin käyttö Geneettiset algoritmit ovat hyvin kehittyneitä ja hyvin erilaisia. Jos haluat oppia heistä kaikesta, suosittelen käyttämään Wikipediaa, sillä tämä artikkeli koskee vain sitä, mitä Cortex Neural Networks - ohjelmisto voi tehdä. Ottaa Cortex Neural Networks - ohjelmisto. voimme luoda neuroverkoston, joka ottaa jonkin verran indikaattorin arvoja, toisin sanoen arvot, ja tuottaa jonkin verran tuottoa, esimerkiksi kauppasignaaleja (ostaa, myydä, pidä). Tietenkin, jos siemennämme Neural Networkin painot satunnaisesti, kaupankäynnin tulokset ovat kauheita. Sanotaan kuitenkin, että olemme luoneet kymmeniä tällaisia NN: ää. Sitten voimme testata kunkin suorituskykyä ja valita paras, voittaja. Tämä oli NN: iden ensimmäinen sukupolvi. Jotta voisimme jatkaa toista sukupolvea, meidän on voitava voittajaltamme kasvattaa, mutta välttää samanlaisia kopioita, anna sen lisäämään satunnaisia hämmennyksiä. Toisella sukupolvella meillä on ensimmäisen sukupolven voittaja ja sen epätäydelliset (muunnetut) kopiot. Antaa testata uudelleen. Meillä on toinen voittaja, joka on parempi kuin mikä tahansa sukupolven neuralverkosto. Ja niin edelleen. Me yksinkertaisesti sallimme voittajien kasvattaa ja poistaa häviäjiä, kuten todellisessa evoluutiossa, ja saamme parhaan kaupankäynnin neuroverkostomme. ilman minkäänlaista tietämystä siitä, mitä kauppajärjestelmä (geneettinen algoritmi) pitäisi olla. Neuraaliverkon geneettinen algoritmi: Esimerkki 0 Tämä on ensimmäinen geneettinen algoritmien esimerkki. ja hyvin yksinkertainen. Aiomme käydä läpi sen vaiheittain, oppimaan kaikki temput, joita seuraavat esimerkit käyttävät. Koodissa on sisäisiä kommentteja, joten voit vain keskittyä avainhetkiin. Ensinnäkin olemme luoneet hermoverkon. Se käyttää satunnaisia painoja, eikä sitä vielä ole annettu. Sitten kiertämisen aikana teemme sen 14 kappaletta käyttäen MUTATIONNN-kuumuutta. Tämä toiminto tekee kopion lähde Neural Network. lisäämällä satunnaiset arvot 0: sta (meidän tapauksessamme) 0,1: aan kaikkiin painoihin. Pidämme käskyjä tuloksena olevalle 15 NN: lle ryhmässä, voimme tehdä sen, koska kahva on vain kokonaisluku. Syy, jota käytämme 15 NN: llä, ei ole mitään tekemistä kaupankäynnin kanssa: Cortex Neural Networks Software voi piirtää jopa 15 riviä kaaviossa samanaikaisesti. Voimme käyttää erilaisia lähestymistapoja testaukseen. Ensinnäkin voimme käyttää oppimisarjaa, kaikki se kerralla. Toiseksi voimme testata esimerkiksi 12000 resurssia (100000: sta) ja käydä läpi oppimisjoukon alusta loppuun. Tämä tekee oppimista erilai - sempaa, kun etsimme neuraaliverkkoja, jotka ovat kannattavia tietyssä tietosarjassa, ei pelkästään koko sarjasta. Toinen lähestymistapa voi antaa meille ongelmia, jos tiedot muuttuvat alusta loppuun. Sitten verkosto kehittyy, sillä se kykenee käymään kauppaa tietojoukon lopussa ja menettää kykyään käydä kauppaa alussa. Tämän ongelman ratkaisemiseksi aiomme ottaa satunnaisia tietoja 12000 tietueesta ja syöttää ne neuroverkkoon. on yksinkertaisesti loputon kierros, koska 100000 kierrosta ei koskaan saavuteta nopeutemme. Alla lisää yksi lapsi jokaiselle verkostolle, hieman eri painoilla. Huomaa, että mutaatio Tange ei ole ainoa vaihtoehto, koska itse asiassa tämä parametri voidaan optimoida geneettisellä algoritmilla. Hiljattain luotuja NN-arvoja lisätään 15 nykyisen olemassaolon jälkeen. Näin meillä on 30 NN joukossa, 15 vanhoja ja 15 uutta. Sitten aiomme tehdä seuraavan testisyklin ja tappaa häviäjiä molemmista sukupolvista. Tehdäksemme testauksen, käytämme tietokoneverkkoa tietoihimme, tuottamaan tuotoksia ja soittamaan Test-toiminto, joka käyttää näitä tuotoksia simuloimaan kaupankäyntiä. Kaupankäynnin tuloksia käytetään erottamaan, mitkä NN: t ovat parhaita. Käytämme nLearn-tietueiden välitavaraa nStartista nStart nLearn - ohjelmaan, jossa nStart on satunnaisuuskohtana oppimisryhmässä. Alla oleva koodi on temppu. Syy, jota käytämme, on havainnollistaa sitä, että geneettinen algoritmi voi luoda geneettisen algoritmin. mutta se ei välttämättä ole paras, ja myös ehdottaa, että voimme parantaa tulosta, jos tarkoitamme joitakin oppimisprosessin rajoituksia. On mahdollista, että kaupankäyntijärjestelmä toimii hyvin pitkillä kauppoilla, ja erittäin huono lyhyellä tai päinvastoin. Jos esimerkiksi pitkät kaupat ovat erittäin hyviä, tämä geneettinen algoritmi voi voittaa, vaikka suuret tappiot lyhyillä kaupoilla. Jotta vältytään, annamme enemmän painoa pitkille kaupoille parittomissa ja lyhyissä kaupoissa tasaisissa sykleissä. Tämä on vain esimerkki, ei ole mitään takeita siitä, että se parantaa jotain. Lue lisää alla olevista korjauksista. Teknisesti, sinun ei tarvitse tehdä sitä tai tehdä sen eri tavalla. Lisää voittoa lajiteltuun ryhmään. Se palauttaa lisäysaseman, käytämme tätä asentoa lisäämällä Neural Network - kahva, oppimalla ja testaamalla voitot lajittelemattomille ryhmille. Nyt meillä on tietoja nykyisestä neuroverkostosta samassa taulukkoindeksissä kuin sen voitto. Ideana on päästä NN-ryhmään, joka on lajiteltu kannattavuudella. Koska taulukko on lajiteltu voiton mukaan 12 verkkoa, jotka ovat vähemmän kannattavia, tarvitsemme vain poistamalla NN: t 0 - 14 Kaupankäyntipäätökset perustuvat neuroverkkosignaalin arvoon. Tästä näkökulmasta ohjelma on identtinen esimerkkien kanssa edellinen artikkeli. FOREX-kaupankäyntistrategia: Keskustele esimerkistä 0 Ensinnäkin voit tarkastella kaavioita. Ensimmäinen kaavio voitosta ensimmäisen iteroinnin aikana ei ole ollenkaan hyvä, kuten odotettavissa, Neuraaliverkko menettää rahaa (image evolution00gen0.png kopioitu ensimmäisen toistumisen jälkeen kuvakansioista): Kuva voitosta syklissä 15 on parempi, joskus , geneettinen algoritmi voi oppia todella nopeasti. Huomaa kuitenkin kylläisyys voiton käyrältä. On mielenkiintoista myös tarkastella tapaa, jolla yksilölliset voitot muuttuvat, pitäen mielessä, että käyrän numero eli 3 ei aina ole samaa neuroverkkoa varten. koska ne ovat syntymässä ja päättyneet koko ajan. Huomaa myös, että pieni forex-automatisoitu kauppajärjestelmä toimii köyhiä lyhyillä kaupoilla ja paljon paremmin longsillä, jotka voivat olla tai eivät välttämättä liity siihen, että dollari laski verrattuna aikana. Se voi myös olla jotain tekemistä indikaattorin parametrien kanssa (ehkäpä tarvitsemme lyhyen lyhyemmän ajan) tai indikaattoreiden valinnan. Tässä on historia 92 ja 248 jakson jälkeen: Yllättävämme, geneettinen algoritmi epäonnistui täysin. Yritä selvittää miksi ja miten auttaa tilannetta. Ensinnäkin, ei kukaan sukupolvi ole tarkoitus olla parempi kuin previuos one Vastaus ei ole, ainakaan ei sisällä mallia jota käytimme. Jos otimme kaiken oppimisen heti, ja käytimme sitä toistuvasti opettaaksemme NN: ää, niin kyllä, ne parantavat jokaista sukupolvea. Mutta sen sijaan otimme satunnaisia palasia (12000 kirjaa ajoissa) ja käytimme niitä. Kaksi kysymystä: miksi järjestelmä epäonnistui satunnaisissa oppimisvaiheissa ja miksi ei käytetä koko oppimäärää. Vastaan toiseen kysymykseen vastasin. NN: t menestyivät suuresti - oppimisjoukossa. Ja he epäonnistuivat testisarjaan, samoista syistä se ei onnistunut, kun käytimme FFPB-oppimista. Jotta voisimme toisin sanoa, NN: t saivat ylimitoitusta, he oppivat selviytymään ympäristössä, johon he ovat tottuneet, mutta ei sen ulkopuolella. Tämä tapahtuu paljon luonnossa. Käyttämämme lähestymistapamme tarkoituksena oli korvata se, pakottamalla NN: t suorittamaan hyvää datasarjan satunnaisessa fragmentissa, joten toivottavasti he voisivat myös suorittaa tuntemattomissa testisarjoissa. Sen sijaan he epäonnistuivat sekä testauksesta että oppimisjoukosta. Kuvittele eläimet autiomaassa. Paljon aurinkoa, ei ollenkaan lunta. Tämä on metafor markkinoiden laskemiseen, sillä meidän NN-datamme ovat ympäristönäkökohdat. Eläimet oppivat elämään autiomaassa. Kuvittele eläimiä, jotka elävät kylmässä ilmastossa. Lunta eikä aurinkoa ollenkaan. No, he sääsivät. Kuitenkin kokeilussa satunnaisesti sijoitimme NN: t autiomaahan, lumeen, veteen, puihin. esittämällä ne erilaisilla dataparenteilla (satunnaisesti nouseva, laskeva, tasainen). Eläimet kuolivat. Tai, toisin sanoen, valitsimme parhaan neuroverkon satunnaiselle tietojoukolle 1, joka oli esimerkiksi markkinoiden kasvaessa. Sitten esitimme voittajille ja heidän lapsilleen laskevan markkinatiedon. NN: t menestyivät huonosti, ottelimme parhaiten köyhistä esiintyjistä, ehkä mutateista lapsista, jotka menettäneet kykyään käydä kauppaa nousevilla markkinoilla, mutta saivat jonkinlaista kykyä käsitellä putoamista. Sitten käänsimme pöydän uudelleen, ja taas saimme parhaan esiintyjän - mutta parhaiten huonoista esiintyjistä. Emme yksinkertaisesti anna NN: eille mahdollisuuksia tulla yleisemmiksi. On olemassa tekniikoita, jotka mahdollistavat geneettisen algoritmin oppia uutta tietoa menettämättä vanhempien tietojen suorituskykyä (loppujen lopuksi eläimet voivat elää kesällä ja talvella, joten evoluutio kykenee käsittelemään toistuvia muutoksia). Voimme keskustella näistä tekniikoista myöhemmin, vaikka tässä artikkelissa on enemmän tietoa Cortex Neural Networks - ohjelmiston käytöstä. kuin rakentaa onnistunut forex automatisoitu kauppajärjestelmä. Neuraaliverkon geneettinen algoritmi: esimerkki 1 Nyt on aika puhua korjauksista. Yksinkertainen geneettinen algoritmi, joka luotiin edellisessä vaiheessa, on kaksi suurta puutetta. Ensinnäkin se ei onnistunut kaupankäynnin kohteeksi voitolla. Se on ok, voimme yrittää käyttää osittain koulutettua järjestelmää (se oli kannattavaa alussa). Toinen virhe on vakavampi: meillä ei ole määräysvaltaa asioista, joita tämä järjestelmä tekee. Esimerkiksi se voi oppia olemaan kannattavaa, mutta valtavia piirteitä. Tunnettu tosiasia on, että evoluutio voi todellisessa elämässä optimoida useamman kuin yhden parametrin samanaikaisesti. Esimerkiksi voimme saada eläin, joka voi ajaa nopeasti ja olla kylmänkestävä. Miksi emme yritä tehdä samaa Forex automatisoidusta kaupankäyntijärjestelmästämme. Silloin kun käytämme korjauksia, jotka eivät ole muuta kuin ylimääräisiä rangaistuksia. Sano, järjestelmämme käy kauppaa vetämällä 0,5, kun haluamme vahvistaa sen 0 - 0,3 välille. Kertoa järjestelmälle, että se teki virheen, vähennämme sen voittoa (joka määritettiin, mikä geneettinen algoritmi voitti) asteeseen, joka on verrannollinen DD: n kokoon. Sitten evoluutioalgoritmi hoitaa loput. Vain muutamia tekijöitä, jotka haluamme ottaa huomioon: meillä saattaa olla enemmän tai vähemmän yhtä monta osto - ja myyntitoimintaa, haluamme saada enemmän kannattavia toimintoja, sitten epäonnistumisia, voimme haluamme voiton kaavion olla lineaarisia ja niin edelleen. Evolution01.tsc: ssä toteutetaan yksinkertainen korjausjoukko. Ensinnäkin käytämme suurta määrää alkukorjausarvoon. Moninkertaistamme sen pieniksi (yleensä välillä 0 ja 1) arvoista riippuen rangaistuksesta, jota haluamme soveltaa. Sitten voimme kertoa voitoksemme tähän korjaukseen. Tuloksen seurauksena voitto korjataan sen mukaan, kuinka paljon geneettinen algoritmi vastaa muita kriteereitämme. Sitten käytämme tulosta etsimään voittaja Neural Network. FOREX-kaupankäynnin strategia: esimerkin 1 esimerkki Esimerkki 1 toimii paljon paremmin kuin esimerkki 0. Ensimmäisten 100 syklien aikana se oppi paljon, ja tuloskaaviot näyttävät rauhoittavilta. Kuitenkin, kuten esimerkissä 0, pitkät kaupat ovat paljon kannattavampia, mikä todennäköisesti tarkoittaa, että lähestymisessamme on ongelma. Järjestelmä kuitenkin löysi tasapainon muutaman ristiriitaisen alkuolosuhteen välillä: Positiivinen dynamiikka on sekä oppimäärityssarjaa että tärkeämpää testausjoukossa. Mitä tulee jatkokoulutukseen, sykleessä 278 voimme nähdä, että järjestelmämme ylikuntoutui. Tämä tarkoittaa sitä, että meillä on vielä edistystä oppimisjoukossa. Mutta testiohjaus osoittaa heikkoutta: Tämä on yleinen ongelma NN: n kanssa: opettaessamme oppimista, oppii käsittelemään sitä ja joskus oppii liian hyvin - kun se menettää suorituskyvyn testisarjassa. Tämän ongelman ratkaisemiseksi käytetään perinteistä ratkaisua: etsimme jatkuvasti neuroverkkoa. joka toimii parhaiten testausjoukossa ja tallentaa sen, korvaa edellisen parhaimman, joka kerta kun uusi huippu saavutetaan. Tämä on sama lähestymistapa, jota käytimme FFBP-harjoittelussa, paitsi, tällä kertaa meidän on tehtävä se itse (lisäämällä koodia, joka etsii parhaan neuroverkon testisarjassa ja soittaa SAVENN: lle tai vie Neural Networkin painoja tiedosto). Tällä tavoin, kun lopetat harjoittelun, sinulla on paras esiintyjä ON TESTING SET tallennettuna ja odottamassa sinua. Huomaa myös, että se ei ole max. voitto, jota olet, mutta optimaalinen suorituskyky, joten harkitse korjausten tekemistä, kun etsit parasta suorituskykyä testisarjassa. Geneettinen algoritmi Forex-tekniselle analyysille: Missä nyt Kun olet saanut voittajasi Neural Network. voit seurata edellisessä artikkelissa kuvattuja vaiheita kyseisen neuroverkon painojen viemiseksi. ja sitten käyttää niitä reaaliaikaisessa kaupankäyntijärjestelmässä, kuten Meta Trader, Trade Station ja niin edelleen. Vaihtoehtoisesti voit keskittyä muihin tapoihin, joilla neuroverkko optimoidaan. toisin kuin FFBP-algoritmilla, tässä voit saada avay: n käyttämään oppimis - ja testaussarjoja ja siirtää peräkkäistä oppimista. Lataa Cortex Order Cortex View Price List Näkyvyys on erittäin tärkeä tällä sivustolla. Halutessasi voit linkittää tähän URL-osoitteeseenMiten se toimii Forex-ennusteiden päätavoitteena on tarjota päivittäin ja päivän kuluessa laadukkaita ennusteita Forex-markkinahinnoista. Saat valuuttaennusteet taulukkolomakkeessa, joka perustuu viiteen eri aikavälijaksoon (5 ja 15 minuuttia, 1 tunti, 1 päivä ja 1 kuukausi) sekä asianmukaiset buysell-signaalit. Forex-ennuste käyttää ennustealgoritmeja, jotka on alun perin kehitetty varastomuutoksiin ja soveltuvat Forex-markkinoihin. Voit käyttää palvelua kahdella tavalla: Online kautta verkkosivuilla. Kun olet luonut tilin, saat käyttöoikeuden ohjauspaneeliin ja työkaluihin, joita voimme tarjota. Käytä suosikkiohjelmistoja, kuten Metastockia, Metatraderia ja muita. Sinun täytyy ladata ja asentaa Forex-ennustusliittymä. Sitten voit käyttää ennusteitamme jo käytettävien kaavojen ja kaupankäyntialgoritmien kanssa. Konsepti: Monilla valuuttakannanäytteillä on aalto (tai ei-jaksottainen, värähtelevä) rakenne. Tätä voidaan matemaattisesti edustaa yhdistelmänä harmonisten määrästä, jolla on tuntemattomat, muuttuvat taajuudet ja trendien amplitudit. Niinpä tietoa näistä harmonisista on erittäin hyödyllinen sekä aikasarjan ennusteisiin (markkinahintaennusteet) että päätöstukeen (buysell-neuvot). Tavallisia analyysimenetelmiä ei kuitenkaan voida käyttää erotettavien parametrien harmonisten erottamiseen. Olemme kehittäneet erityisen ennustemenetelmän taloudellisille aikasarjoille, jotka perustuvat innovatiiviseen ja ainutlaatuiseen teknologiaamme. Menetelmämme kannalta keskeinen on aikasarjan trendi - ja värähtelykomponenttien hajoaminen digitaalisten suodattimien avulla. Tätä hermosovittumiseen perustuvaa erityistä adaptiivista tekniikkaa käytetään päivittämään malleja ja havaitsemaan päiviä, jolloin hinta-aikasarja muuttaa ominaisuuksiaan (osaamisemme). Toisin kuin muut menetelmät, tekniikamme voi tunnistaa pitkän aikavälin trendejä ja värähtelyjä vaihtelevilla taajuuksilla ja tuottaa paljon kätevämpiä tuloksia kuin esimerkiksi Fourier-analyysi. IEEE: n kansainvälinen seminaari älykkäästä tiedonhankinnasta ja kehittyneistä tietojenkäsittelyjärjestelmistä: teknologia ja sovellukset 6-8.9.2007, Dortmund, Saksa 58. Kansainvälinen atlantisen taloudellisen konferenssin järjestäjä, Chicago, Illinois, 7.-10. Lokakuuta 2004
No comments:
Post a Comment