الشبكة العصبية فوركس ماتلاب

استخدام الشبكات العصبية في ميتاتريدر.
المقدمة.
كثير منكم ربما قد نظرت في إمكانية استخدام الشبكات العصبية في إي الخاص بك. وكان هذا الموضوع حار جدا خاصة بعد عام 2007 بطولة التداول الآلي والفوز مذهلة من قبل أفضل مع نظامه على أساس الشبكات العصبية. وقد غمرت العديد من منتديات الإنترنت بموضوعات تتعلق بالشبكات العصبية وتداول العملات الأجنبية. للأسف كتابة تنفيذ MQL4 الأصلي من ن ليست سهلة. فإنه يتطلب بعض مهارات البرمجة والنتيجة لن تكون فعالة جدا خاصة إذا كنت ترغب في اختبار النتيجة النهائية في اختبار على عدد كبير من البيانات.
في هذه المقالة سوف تظهر لك كيف يمكنك استخدام متاح بحرية (تحت لغبل)، الشهير شبكة الشبكة العصبية الصناعية السريعة (فان) في التعليمات البرمجية MQL4 مع تجنب بعض العقبات والقيود. وعلاوة على ذلك أفترض أن القارئ هو على دراية الشبكات العصبية الاصطناعية (آن) والمصطلحات المتعلقة بهذا الموضوع ولذا فإنني سوف تركز على الجوانب العملية لاستخدام تنفيذ معين من آن في MQL4 اللغة.
ميزات فان.
ولكي نفهم تماما إمكانيات تنفيذ الشبكات الإذاعية الساتلية (فان)، ينبغي للمرء أن يتعرف على وثائقه والوظائف الأكثر استخداما. استخدام نموذجي من فان هو إنشاء شبكة فيدفوروارد بسيطة، وتدريبه مع بعض البيانات وتشغيل. ويمكن بعد ذلك حفظ الشبكة التي تم إنشاؤها والمدربة إلى ملف واستعادتها في وقت لاحق لمزيد من الاستخدام. لإنشاء واحد آن يجب استخدام fann_create_standard () الدالة. دعونا نرى بناء الجملة:
حيث يمثل num_layers العدد الإجمالي للطبقات بما في ذلك طبقة الإدخال والإخراج. يمثل لنوم والوسائط التالية عدد الخلايا العصبية في كل طبقة بدءا من طبقة الإدخال وتنتهي بطبقة الإخراج. لإنشاء شبكة مع طبقة مخفية واحدة مع 5 الخلايا العصبية، 10 المدخلات و 1 الإخراج واحد يجب أن نسميها على النحو التالي:
وبمجرد أن يتم إنشاء آن ستكون العملية التالية لتدريبه مع بعض البيانات المدخلات والمخرجات. وأبسط طريقة للتدريب هو التدريب التدريجي الذي يمكن تحقيقه من خلال الوظيفة التالية:
تأخذ هذه الدالة المؤشر إلى بنية فان التي تم إرجاعها سابقا بواسطة fann_create_standard () وكل من متجه بيانات الإدخال ومتجه بيانات الإخراج. نواقل المدخلات والمخرجات هي مجموعة من نوع fann_type. هذا النوع هو في الواقع نوع مزدوج أو تطفو، اعتمادا على الطريقة التي يتم تجميعها فان. في هذا التنفيذ فإن ناقلات المدخلات والمخرجات ستكون صفائف مزدوجة.
وبمجرد أن يتم تدريب آن ستكون الميزة المطلوبة التالية هي تشغيل تلك الشبكة. وتنفذ وظيفة التنفيذ على النحو التالي:
هذه الوظيفة تأخذ المؤشر إلى بنية فان تمثل الشبكة التي تم إنشاؤها مسبقا و متجه الإدخال من نوع محدد (مصفوفة مزدوجة). القيمة التي تم إرجاعها هي مجموعة متجه الإخراج. هذه الحقيقة مهمة بالنسبة لشبكة أوتبوت واحدة نحن ألويس الحصول على صفيف عنصر واحد مع قيمة الانتاج بدلا من قيمة الانتاج نفسها.
لسوء الحظ، فإن معظم وظائف فان تستخدم مؤشرا على بنية فنية تمثل آن والتي لا يمكن التعامل معها مباشرة بواسطة MQL4 والتي لا تدعم الهياكل كنماذج بيانات. لتجنب هذا الحد علينا أن التفاف ذلك بطريقة أو إخفاء من MQL4. الطريقة الأسهل هي إنشاء مجموعة من مؤشرات الفن الهيكلية التي تحمل القيم الصحيحة والرجوع إليها مع فهرس يمثله متغير إنت. وبهذه الطريقة يمكننا استبدال نوع متغير غير معتمد مع دعم واحد وإنشاء مكتبة المجمع الذي يمكن دمجها بسهولة مع رمز MQL4.
التفاف حول فان.
كما لأفضل معرفتي MQL4 لا يدعم وظائف مع قائمة الحجج المتغيرة لذلك علينا أن نتعامل مع ذلك أيضا. من ناحية أخرى إذا تم استدعاء الدالة C (من طول الوسيطة المتغيرة) مع وسيطات كثيرة جدا يحدث خطأ حتى نتمكن من افتراض عدد ثابت ثابت من الوسيطات في الدالة MQL4 تمريرها إلى مكتبة C. سوف تبدو وظيفة المجمع الناتجة كما يلي:
قمنا بتغيير fann_ الرائدة مع f2m_ (الذي يقف على فان إلى مقل)، استخدام عدد ثابت من الحجج (4 طبقات) وقيمة العودة هو الآن فهرس إلى صفيف داخلي من أنس عقد البيانات فان الهيكل المطلوبة من قبل فان لتشغيل. بهذه الطريقة يمكننا بسهولة استدعاء هذه الوظيفة من داخل رمز مقل.
الشيء نفسه ينطبق على:
أخيرا، وليس آخرا هو حقيقة أنه يجب تدمير الخاص بك مرة واحدة خلق آن من خلال الدعوة إلى:
للافراج عن مقابض آن يجب تدمير الشبكات في ترتيب عكسي مما تم إنشاؤها إنشاؤها. بدلا من ذلك يمكنك استخدام:
ولكن أنا متأكد من أن بعض منكم قد تفضل حفظ شبكة المدربين لاستخدامها لاحقا مع:
وبطبيعة الحال يمكن تحميل الشبكة المحفوظة في وقت لاحق (أو بالأحرى إعادة إنشائها) مع:
مرة واحدة ونحن نعرف الوظائف الأساسية قد نحاول استخدام ذلك في منطقتنا إي، ولكن أولا نحن بحاجة إلى تثبيت حزمة Fann2MQL.
تثبيت Fann2MQL.
لتسهيل استخدام هذه الحزمة لقد قمت بإنشاء المثبت مسي الذي يحتوي على كافة التعليمات البرمجية المصدر بالإضافة إلى مكتبات بريكومبيلد و Fann2MQL. mqh ملف رأس يعلن كافة وظائف Fann2MQL.
إجراء التثبيت هو واضح تماما. أولا كنت على علم بأن Fann2MQL هو تحت رخصة غل:
تركيب Fann2MQL، الخطوة 1.
ثم اختر المجلد لتثبيت الحزمة. يمكنك استخدام البرنامج الافتراضي فيليز \ Fann2MQL \ أو تثبيت مباشرة في ميتا ترادر ​​\ إكسيرتس \ الدليل. في وقت لاحق وضع جميع الملفات مباشرة إلى أماكنهم وإلا سيكون لديك لنسخها يدويا.
تركيب Fann2MQL، الخطوة 2.
يقوم المثبت بوضع الملفات في المجلدات التالية:
إذا اخترت تثبيت في مجلد Fann2MQL مخصص، يرجى نسخ محتوى المجلدات الفرعية تشمل والمكتبات في الدليل المناسب ميتا التاجر الخاص بك.
يقوم المثبت بتثبيت مكتبة فان أيضا في مجلد مكتبات النظام (ويندوز \ system32 في معظم الحالات). يحتوي المجلد سرك كافة التعليمات البرمجية المصدر Fann2MQL. يمكنك قراءة التعليمات البرمجية المصدر التي هي الوثائق النهائية إذا كنت بحاجة إلى أي مزيد من المعلومات حول الداخلية. يمكنك أيضا تحسين التعليمات البرمجية وإضافة ميزات إضافية إذا أردت. أنا أشجعك على أن ترسل لي بقع الخاص بك إذا كنت تنفذ أي شيء للاهتمام.
استخدام الشبكات العصبية في إي الخاص بك.
مرة واحدة يتم تثبيت Fann2MQL يمكنك البدء في كتابة إي الخاص بك أو مؤشر. هناك الكثير من الاستخدام المحتمل لل ن. يمكنك استخدامها للتنبؤ تحركات الأسعار في المستقبل ولكن نوعية مثل هذه التوقعات وإمكانية الاستفادة الحقيقية من أنه من المشكوك فيه. يمكنك محاولة كتابة الاستراتيجية الخاصة بك باستخدام تقنيات التعلم التعزيز، ويقول Q - التعلم أو شيء مماثل. قد تحاول استخدام ن كمرشح إشارة ل إي الخاص بك الاستدلالي أو الجمع بين كل هذه التقنيات بالإضافة إلى كل ما تريد حقا. كنت محدودة من خيالك فقط.
هنا سوف تظهر لك مثالا على استخدام ن كمرشح بسيط للإشارات التي تم إنشاؤها بواسطة ماسد. من فضلك لا تعتبر ذلك إي قيمة ولكن كمثال تطبيق Fann2MQL. أثناء شرح طريقة المثال إي: NeuroMACD. mq4 يعمل سوف تظهر لك كيف Fann2MQL يمكن استخدامها بشكل فعال في مقل.
أول شيء لكل إي هو إعلان المتغيرات العالمية، ويعرف ويتضمن القسم. هنا هو بداية نيوروماسد تحتوي على تلك الأشياء:
يقول الأمر تضمين لتحميل ملف رأس Fann2MQL. mqh يحتوي على إعلان جميع وظائف Fann2MQL. بعد ذلك تتوفر كافة وظائف حزمة Fann2MQL للاستخدام في البرنامج النصي. يعرف ثابت ANN_PATH مسار تخزين الملفات وتحميلها بواسطة شبكات فان مدربة. تحتاج إلى إنشاء هذا المجلد أي C: \ آن. يحتوي ثابت نيم على اسم إي هذا، والذي يتم استخدامه لاحقا لتحميل ملفات الشبكة وحفظها. معلمات الإدخال واضحة إلى حد ما وتلك التي لم يتم شرحها لاحقا، فضلا عن المتغيرات العالمية.
نقطة الدخول لكل إي هي دالة إينيت ():
وتتحقق أولا من تطبيق منطقة العد لتصحيح فترة الإطار الزمني. يحتوي المتغير أننبوتس على عدد من مدخلات الشبكة العصبية. كما سنستخدم 3 مجموعات من الوسيطات المختلفة التي نريد أن تكون قابلة للقسمة من قبل 3. يتم حساب أنباث لتعكس اسم إي و ماجنومبر، والذي يتم حسابه من وسيطات الإدخال سلوما، فاستما و سيغنالما التي تستخدم لاحقا لتشوير مؤشر ماسد . بمجرد أن يعرف أنباث إي يحاول تحميل الشبكات العصبية باستخدام ann_load () وظيفة وأنا سوف تصف أدناه. ويقصد نصف الشبكات المحملة للتصفية طويلة المدى والنصف الآخر مخصص للسراويل القصيرة. يستخدم المتغير أنسلودد للإشارة إلى حقيقة أن جميع الشبكات تم تهيئة بشكل صحيح. كما كنت قد لاحظت هذا المثال إي تحاول تحميل شبكات متعددة. أشك في أنه من الضروري حقا في هذا التطبيق حتى الآن أردت أن تظهر لك إمكانات كاملة من Fann2MQL، والذي هو التعامل مع شبكات متعددة في نفس الوقت ويمكن معالجتها في موازاة الاستفادة من النوى متعددة أو وحدات المعالجة المركزية. لجعله ممكنا Fann2MQL هو الاستفادة من تقنية Intel® خيوط كتل بناء. يتم استخدام الدالة f2M_parallel_init () لتهيئة تلك الواجهة.
إليك الطريقة التي استخدمتها في تهيئة الشبكات:
كما يمكنك معرفة ما إذا كان f2M_create_from_file () فشل، والتي يشار إليها قيمة الإرجاع السلبية، يتم إنشاء الشبكة مع الدالة f2M_create_standard () مع وسيطات تشير إلى أن الشبكة التي تم إنشاؤها يجب أن يكون 4 طبقات (بما في ذلك المدخلات والمخرجات)، مدخلات أنينبوت، الخلايا العصبية انبوت في الطبقة المخفية الأولى، أنينبوت / 2 + 1 الخلايا العصبية في طبقة خفية 2 و 1 الخلايا العصبية في طبقة الانتاج. يتم استخدام f2M_set_act_function_hidden () لتعيين وظيفة تنشيط الطبقات المخفية إلى SIGMOID_SYMMETRIC_STEPWISE (يرجى الرجوع إلى وثائق فان fann_activationfunc_enum) ونفس الشيء ينطبق على طبقة الإخراج. ثم هناك دعوة ل f2m_randomize_weights () الذي يستخدم لتهيئة الأوزان اتصال الخلايا العصبية داخل الشبكة. هنا استخدمت مجموعة & لوت؛ -0.4؛ 0.4 و GT. ولكن يمكنك استخدام أي أخرى اعتمادا على التطبيق الخاص بك.
في هذه المرحلة ربما كنت قد لاحظت ديبوغ () وظيفة اعتدت بضع مرات. انها واحدة من أبسط الطرق لتغيير مستوى مطول من إي الخاص بك. جنبا إلى جنب مع المعلمة المدخلات ديبوجليفيل يمكنك ضبط الطريقة التي التعليمات البرمجية الخاصة بك ينتج إخراج التصحيح.
إذا كانت الوسيطة الأولى الدالة تصحيح () مستوى التصحيح أعلى من ديبوجليفيل الدالة لا تنتج أي إخراج. إذا كان أقل من يساوي سلسلة نصية يتم طباعتها. إذا كان مستوى التصحيح 0 سلسلة "إرور:" إلحاق إلى البداية. بهذه الطريقة يمكنك تقسيم التصحيح التي تنتجها التعليمات البرمجية إلى مستويات متعددة. الأكثر أهمية هي على الأرجح الأخطاء بحيث يتم تعيينها إلى مستوى 0. سيتم طباعتها إلا إذا قمت بتخفيض ديبوغليفيل إلى أقل من 0 (الذي لا ينصح). في المستوى 1 سيتم طباعة بعض المعلومات المهمة، مثل تأكيد نجاح تحميل الشبكة أو إنشاءها. في المستوى 2 أو أعلى أهمية المعلومات المطبوعة تتناقص تدريجيا.
قبل شرح مفصل من بداية () وظيفة، وهو طويل جدا، وأنا بحاجة لتظهر لك بعض المزيد من الوظائف التي تهدف إلى إعداد إدخال الشبكة وتشغيل الشبكات الفعلية:
يتم استخدام الدالة ann_prepare_input () لإعداد اسم الإدخال للشبكات (وبالتالي الاسم). والغرض من ذلك هو واضح جدا، ولكن هذه هي النقطة التي يجب أن أذكركم أن البيانات المدخلات يجب أن تطبيع بشكل صحيح. ليس هناك تطبيع متطورة في هذه الحالة، أنا ببساطة استخدام ماكد الرئيسية وقيم الإشارة التي لا تتجاوز أبدا النطاق المطلوب على البيانات المحسوبة. في المثال الحقيقي ربما يجب أن تولي المزيد من الاهتمام لهذه المشكلة. كما ربما كنت قد تشك في اختيار الحجج المدخلات الصحيحة لإدخال الشبكة، ترميز ذلك، والتحلل والتطبيع هي واحدة من أهم العوامل في معالجة الشبكة العصبية.
كما ذكرت قبل Fann2MQL لديه القدرة على توسيع وظائف طبيعية من ميتاترادر، وهذا هو موازية معالجة متعددة الشبكات العصبية. الحجة العالمية باراليل تسيطر على هذا السلوك. تقوم الدالة run_anns () بتشغيل كل الشبكات التي تم تشغيلها وتحصل على مخرجاتها وتخزينها في مجموعة أنوتبوت []. وظيفة anns_run_parallel هي المسؤولة عن التعامل مع وظيفة في طريقة مؤشرات الترابط. وهو يطلق على f2m_run_parallel () الذي يأخذ كحجة أولى عدد الشبكات التي يجب معالجتها، أما الوسيطة الثانية فهي مصفوفة تحتوي على مقابض على جميع الشبكات التي ترغب في تشغيلها توفر متجه الإدخال كوسيطة ثالثة. يجب تشغيل جميع الشبكات على نفس بيانات المدخلات. يتم الحصول على الإخراج من الشبكة عن طريق مكالمات متعددة إلى f2m_get_output ().
الآن دعونا نرى وظيفة البداية ():
سأصف ذلك بإيجاز كما هو معلق بشكل جيد جدا. وتحقق التجارة () ما إذا كان مسموحا لها بالتداول. في الأساس يتحقق المتغير أنسلودد مشيرا إلى أن جميع السنوات تم تهيئة بشكل صحيح، ثم يتحقق من الحد الأدنى من الإطار الزمني الصحيح رصيد الحساب الحد الأدنى وفي نهاية المطاف يسمح للتداول فقط على القراد الأول من شريط جديد. تم وصف اثنين من الدالة التالية التي تستخدم لإعداد مدخلات الشبكة وتشغيل معالجة الشبكة فقط بضعة أسطر أعلاه. بعد ذلك نحسب ونضع في المتغيرات لمعالجة في وقت لاحق قيم ماسد من إشارة والخط الرئيسي لآخر تراكم بار والسابقة. يتم حذف الشريط الحالي لأنه لم يتم بناء حتى الآن، وربما سيتم إعادة رسم. يتم حساب سيلسينال و بويسينال وفقا لإشارة ماسد والخط الرئيسي كروس أوفر. وتستخدم كل من الإشارات لمعالجة طويلة وقصيرة الموقف التي هي متناظرة لذلك أنا سوف تصف فقط حالة للحصول على أطوال.
متغير لونغتيكيت يحمل رقم التذكرة للموقف المفتوح حاليا. إذا كان يساوي -1 يتم فتح أي موقف حتى إذا تم تعيين بويسينال التي قد تشير إلى فرصة جيدة لفتح موقف طويل. إذا لم يتم تعيين نيوروفيلتر متغير يتم فتح موقف طويل وهذا هو الحال دون تصفية الشبكة العصبية من الإشارات - يتم إرسال النظام للشراء. عند هذه النقطة المتغير لونجينبوت المقصود أن نتذكر إنبوتفيكتور التي أعدتها ann_prepare_input () لاستخدامها لاحقا.
إذا كان متغير لونغتيسكت يحمل رقم تذكرة صالحة يتحقق إي ما إذا كان لا يزال فتح أو تم إغلاقه من قبل ستوبلوس أو تاكيبروفيت. إذا لم يتم إغلاق الأمر لا يحدث شيء، ولكن إذا تم إغلاق الأمر يتم تشغيل ناقلات train_output []، التي لديها واحد فقط إتبوت، لعقد قيمة -1 إذا تم إغلاق النظام مع فقدان أو 1 إذا كان النظام مغلق مع الربح. ثم يتم تمرير هذه القيمة إلى وظيفة___قضية () ويتم تدريب جميع الشبكات المسؤولة عن التعامل مع الموقف الطويل معها. كما متجه الإدخال المتغير لونجينبوت يستخدم، الذي عقد إنبوتفيكتور في لحظة فتح الموقف. وبهذه الطريقة يتم تدريس الشبكة التي إشارة جلب الأرباح وأي واحد ليس كذلك.
مرة واحدة لديك شبكة المدربين تبديل نيوروفيلتر إلى صحيح يتحول تصفية الشبكة. ويستخدم "____ لونغ "() الشبكة العصبية الحكيمة كمتوسط ​​للقيم التي تعيدها جميع الشبكات التي تعني التعامل مع الوضع الطويل. وتستخدم معلمة الدلتا كقيمة عتبة تشير إلى أن الإشارة المصفاة صالحة أو لا. كما العديد من القيم الأخرى التي تم الحصول عليها من خلال عملية التحسين.
الآن بمجرد أن نعرف كيف يعمل سوف تظهر لك كيف يمكن استخدامها. زوج الاختبار هو بالطبع اليورو مقابل الدولار الأميركي. لقد استخدمت البيانات من ألباري، وتحويلها إلى الإطار الزمني M5. لقد استخدمت الفترة من 2007.12.31 إلى 2009.01.01 للتدريب / التحسين و 2009.01.01-2009.03.22 لأغراض الاختبار. في المدى الأول جدا حاولت الحصول على القيم الأكثر ربحية ل ستوبلوس، تاكيبروفيت، سلوما، فاستما وسيغنالما الوسيطة، والتي أنا ثم مشفرة في ملف NeuroMACD. mq4. تم إيقاف نيورفيلتر فضلا عن سافان، تم تعيين أنسنومبر إلى 0 لتجنب المعالجة العصبية. لقد استخدمت الخوارزمية الوراثية لعملية التحسين. وبمجرد الحصول على القيم، بدا التقرير الناتج كما يلي:
تقرير عن بيانات التدريب بعد تحسين المعلمة الأساسية.
كما ترون لقد قمت بتشغيل هذا إي على حساب مصغرة مع حجم الكثير من 0.01 والتوازن الأولي من 200. ومع ذلك يمكنك ضبط هذه المعلمات وفقا لذلك إلى إعدادات حسابك أو تفضيلات.
عند هذه النقطة لدينا ما يكفي من الصفقات مربحة وخسارة حتى نتمكن من تشغيل سافان وتعيين أنسنومبر إلى 30. بمجرد القيام بذلك أنا تشغيل اختبار مرة أخرى. وكانت النتيجة هي نفسها تماما باستثناء حقيقة أن العملية كانت أبطأ بكثير (نتيجة للمعالجة العصبية) والمجلد C: \ آن كان ملؤها بالشبكات المدربة كما هو مبين في الصورة أدناه. تأكد من وجود مجلد C: \ آن قبل هذا المدى!
المجلد C: \\ آن \\.
مرة واحدة لدينا شبكات المدربين حان الوقت لاختبار كيف يتصرف. أولا سنحاول ذلك على بيانات التدريب. تغيير نيوروفيلتر إلى صحيح و سافان إلى كاذبة وبدء اختبار. والنتيجة التي حصلت عليها هو مبين أدناه. لاحظ أنه قد يختلف قليلا بالنسبة لك حالة كما أن هناك بعض العشوائية داخل الشبكات في الأوزان اتصال الخلايا العصبية المقدمة في عملية تهيئة الشبكة (في هذا المثال استعملت دعوة صريحة إلى f2M_randomize_weights () داخل ann_load ()).
النتيجة التي تم الحصول عليها على بيانات التدريب مع إشارة تصفية العصبية تحولت على.
صافي الربح هو أكبر قليلا (20.03 مقابل 16.92)، ومع ذلك فإن عامل الربح هو أعلى بكثير (1.25 مقابل 1.1). عدد الصفقات هو أقل بكثير (83 مقابل 1188) ومتوسط ​​عدد الخسائر المتتالية انخفض من 7 إلى 2. ومع ذلك فإنه يظهر فقط أن تصفية الإشارات العصبية تعمل لكنها لا تقول شيئا عن كيفية تشغيلها على البيانات التي لم تستخدم ل خلال التدريب. والنتيجة التي حصلت عليها من فترة الاختبار (2009.01.01 - 2009.30.28) مبينة أدناه:
النتيجة التي تم الحصول عليها من بيانات الاختبار مع تصفية العصبية تحولت على.
عدد الصفقات التي تم تنفيذها منخفض جدا ومن الصعب معرفة جودة هذه الاستراتيجية، ولكنني لن أشرح لك كيفية كتابة أفضل إي مربحة ولكن لشرح كيف يمكن استخدام الشبكات العصبية في رمز MQL4 الخاص بك. التأثير الحقيقي لاستخدام الشبكات العصبية في هذه الحالة يمكن أن ينظر إليه فقط عند مقارنة نتائج إي على بيانات الاختبار مع نيوروفيلتر تشغيل وإيقاف. وفيما يلي النتيجة التي تم الحصول عليها من فترة بيانات الاختبار دون تصفية الإشارات العصبية:
النتائج من اختبار البيانات دون تصفية العصبية.
الفرق واضح تماما. كما ترون تحولت تصفية إشارة العصبية خسر إي إلى واحد مربحة!
استنتاج.
آمل أن تكون قد تعلمت من هذه المقالة كيفية استخدام الشبكات العصبية في ميتاترادر. مع مساعدة من حزمة بسيطة وحرة ومفتوحة المصدر Fann2MQL يمكنك بسهولة إضافة طبقة الشبكة العصبية إلى أي خبير مستشار تقريبا أو البدء في كتابة واحدة خاصة بك والتي تعتمد كليا أو جزئيا على الشبكات العصبية. القدرة على تعدد العلامات فريدة من نوعها يمكن تسريع المعالجة الخاصة بك عدة مرات، اعتمادا على عدد من النوى وحدة المعالجة المركزية الخاصة بك، وخصوصا عند تحسين بعض المعلمات. في حالة واحدة تقصير الاستفادة القصوى من بلدي التعزيز التعلم القائم على معالجة إي من حوالي 4 أيام إلى 'فقط' 28 ساعة على وحدة المعالجة المركزية إنتل الأساسية 4.
خلال كتابة هذه المقالة قررت أن وضعت Fann2MQL على موقعها على الانترنت: fann2mql. wordpress /. يمكنك أن تجد هناك أحدث نسخة من Fann2MQL وربما جميع الإصدارات المستقبلية، فضلا عن وثائق جميع الوظائف. وأعد للحفاظ على هذا البرنامج تحت رخصة غل لجميع الإصدارات حتى إذا كنت ترسل لي أي تعليقات أو طلبات ميزة أو بقع أنني سوف تجد مثيرة للاهتمام تأكد من العثور عليه الإصدارات القادمة.
يرجى ملاحظة أن هذه المقالة تظهر فقط الاستخدام الأساسي جدا من Fann2MQL. وبما أن هذه الحزمة ليست أكثر بكثير من فان يمكنك استخدام جميع الأدوات المصممة لإدارة شبكات فان، مثل:
وهناك أكثر من ذلك بكثير عن فان على الشبكة السريعة الشبكة العصبية الاصطناعية الصفحة الرئيسية: leenissen. dk/fann/!
آخر سكريبتم.
بعد كتابة هذه المقالة لقد وجدت خطأ ضئيل في NeuroMACD. mq4. تم تغذية الدالة أوردركلوس () للوضع القصير مع رقم تذكرة الموضع الطويل. وأدى ذلك إلى وجود استراتيجية منحرفة كانت أكثر عرضة للاحتفاظ بالسراويل القصيرة والطويلة:
في الإصدار الصحيح من البرنامج النصي لقد قمت بإصلاح هذا الخطأ وإزالة إستراتيجية أوردركلوس () على الإطلاق. هذا لم يغير الصورة العامة لتأثير الترشيح العصبي على منطقة العد، ولكن شكل منحنى التوازن كان مختلفا تماما. يمكنك العثور على كلا الإصدارين من إي هذا المرفق بهذه المقالة.

تجارة خوارزمية.
تطوير أنظمة التداول مع ماتلاب.
التداول الخوارزمي هو استراتيجية التداول التي تستخدم الخوارزميات الحسابية لدفع قرارات التداول، وعادة في الأسواق المالية الإلكترونية. تطبق في جانب الشراء وبيع الجانب المؤسسات، التداول الخوارزمية تشكل أساس التداول عالية التردد، تداول الفوركس، و تحليل المخاطر و التنفيذ المرتبطة بها.
يحتاج بناة ومستخدمي تطبيقات التداول الحسابية إلى تطوير، باكتست، ونشر النماذج الرياضية التي تكتشف وتستغل تحركات السوق. يتضمن سير العمل الفعال ما يلي:
تطوير استراتيجيات التداول باستخدام السلاسل الزمنية التقنية والتعلم الآلي وطرق السلاسل الزمنية غير الخطية تطبيق الحوسبة المتوازية والجرافيك للقياس المسبق الفعال للوقت وتحديد المعلمة حساب الربح والخسارة وإجراء تحليل المخاطر تنفيذ تحليلات التنفيذ، مثل نمذجة تأثير السوق، وتحليل تكاليف المعاملات، وكشف الجبال الجليدية دمج الاستراتيجيات والتحليلات في بيئات تداول الإنتاج.
أمثلة وكيفية.
التحرك إلى الأمام: استخدام ماتلاب ل باكتست استراتيجية التداول الخاص بك 35:15 - الويبينار كوينغغراتيون وأزواج التداول مع أدوات الاقتصاد القياسي 61:27 - ويبينار ماتلاب خادم الإنتاج للتطبيقات المالية 38:28 - ويبينار بدء العمل مع أدوات التداول، الجزء 1: ربط للوسطاء التفاعلية 7:22 - فيديو كالبيرس تحليلات العملة السوق ديناميات لتحديد فرص التداول اليومي - قصة المستخدم التداول الكمي: كيفية بناء بنفسك تجارة خوارزمية الأعمال، من قبل إرنست تشان - كتاب خوارزمية التداول - نظرة عامة خوارزمية رمز التداول وغيرها من الموارد - ملف إكسهانج التحليل المالي & أمب؛ ترادينغ - ماثوركس للاستشارات.
مرجع البرنامج.
أدوات التداول وظائف - التوثيق تصنيف المتعلم التطبيق - الاحصائيات وآلة التعلم أدوات التطبيق موفافغ: الرائدة والتخلف المتوسط ​​المتحرك الرسم البياني - الأدوات المالية وظيفة شارب: حساب نسبة شارب - الأدوات المالية وظيفة غاوبتيمسيت: إنشاء خوارزمية الجينية هيكل الخيارات - - الاقتصاد القياسي أدوات الأدوات وظائف الشبكة العصبية سلسلة الوقت أداة - شبكة الأدوات العصبية الوثائق.
اختر بلدك.
اختر بلدك للحصول على المحتوى المترجم حيثما كان ذلك متاحا وشاهد الأحداث المحلية والعروض. استنادا إلى موقعك، نوصي بتحديد:.
يمكنك أيضا تحديد موقع من القائمة التالية:
كندا (الإنجليزية) الولايات المتحدة (الإنجليزية)
بلجيكا (الإنجليزية) الدنمارك (الإنجليزية) ديوتسكلاند (ديوتسش) إسبانا (إسبانول) فنلندا (الإنجليزية) فرنسا (الفرنسية) أيرلندا (الإنجليزية) إيطاليا (إيتاليانو) لوكسمبورغ
هولندا (الإنجليزية) النرويج (الإنجليزية) Österreich (ديوتسش) البرتغال (الإنجليزية) السويد (الإنجليزية) سويسرا ديوتسش إنجليش فرانسيس المملكة المتحدة (الإنجليزية)
آسيا والمحيط الهادئ.
أستراليا (الإنجليزية) الهند (الإنجليزية) نيوزيلندا (الإنجليزية) 中国 (简体 中文) 日本 (日本語) 한국 (한국어)
استكشاف المنتجات.
محاولة أو شراء.
تعلم كيفية الاستخدام.
الحصول على الدعم.
حول ماثوركس.
تسريع وتيرة الهندسة والعلوم.
ماثوركس هي الرائدة في مجال تطوير البرمجيات الحاسوبية الرياضية للمهندسين والعلماء.

الشبكة العصبية الأدوات.
إنشاء وتدريب ومحاكاة الشبكات العصبية التعلم الضحلة والعميقة.
يوفر نيورال نيتورك تولبوكس ™ خوارزميات، نماذج مسبقة الصنع، وتطبيقات لإنشاء وتدريب وتصور ومحاكاة كل من الشبكات العصبية الضحلة والعميقة. يمكنك تنفيذ التصنيف، والانحدار، والتكتل، والحد من الأبعاد، والتنبؤ السلاسل الزمنية، ونمذجة النظام الديناميكي والتحكم.
وتشمل شبكات التعلم العميقة الشبكات العصبية التلافيفية (كونفنيتس، كنن)، وطبولوجيا شبكة الرسم البياني الحلقي الموجه (داغ)، وبرامج التشغيل التلقائي لتصنيف الصور، والانحدار، وتعلم الميزات. لتصنيف السلاسل الزمنية والتنبؤ، يوفر صندوق الأدوات طويلة المدى الذاكرة (لستم) شبكات التعلم العميق. يمكنك تصور الطبقات المتوسطة والتنشيط، وتعديل بنية الشبكة، ورصد التقدم المحرز في التدريب.
بالنسبة لمجموعات التدريب الصغيرة، يمكنك تطبيق التعلم العميق بسرعة عن طريق إجراء عملية نقل التعلم باستخدام نماذج الشبكة العميقة (غوغلينيت و أليكسنيت و فغ-16 و فغ-19) ونماذج من حديقة حيوانات كاف النموذجية.
لتسريع التدريب على مجموعات البيانات الكبيرة، يمكنك توزيع الحسابات والبيانات عبر المعالجات متعددة النواة و غبوس على سطح المكتب (مع الحوسبة المتوازية تولبوكس ™)، أو التوسع في مجموعات والسحب، بما في ذلك حالات غبو أمازون EC2 ® P2 (مع ماتلاب الموزعة الحوسبة سيرفر ™).
قدرات الشبكة الشبكة العصبية.
إدخال التعلم العميق مع ماتلاب.
قدرات.
شبكات التعلم العميق والخوارزميات.
تدريب كننز، شبكات لستم، و أوتوكوديرس لتصنيف الصور، الانحدار، وميزة التعلم.
التدريب على التعلم العميق، نماذج مختلطة، والتصور.
أداء التعلم نقل مع نماذج شبكة عميقة بريتريند ونماذج من كيراس وحديقة نموذج كاف.
التدريب المعجل مع وحدات معالجة الرسومات ومجموعات البيانات الكبيرة.
تسريع تدريب الشبكة العصبية ومحاكاة مجموعات البيانات الكبيرة.
تصنيف، انحدار، وتجمع الشبكات الضحلة.
إنشاء، وتدريب، ومحاكاة الشبكات العصبية الضحلة.
الشبكة الضحلة البنى.
استخدام مجموعة متنوعة من أبنية الشبكة تحت الإشراف وغير خاضعة للرقابة.
خوارزميات التدريب.
ضبط تلقائيا أوزان الشبكة الضحلة والتحيز باستخدام وظائف التدريب والتعلم.
المعالجة المسبقة، المعالجة اللاحقة، وتحسين التعميم.
تحسين كفاءة التدريب الشبكة العصبية الضحلة.
إنشاء الشفرة ونشرها.
نشر شبكة مدربة للإنتاج.
موارد المنتج.
اكتشاف المزيد عن الأدوات الشبكة العصبية من خلال استكشاف هذه الموارد.
كابل بيانات.
استكشاف وثائق وظائف الشبكة الشبكة العصبية والميزات، بما في ذلك ملاحظات الإصدار والأمثلة.
تصفح قائمة الوظائف المتاحة الشبكة العصبية أدوات الشبكة.
متطلبات النظام.
عرض متطلبات النظام للحصول على أحدث إصدار من أدوات الشبكة العصبية.
المواد الفنية.
عرض المقالات التي تثبت المزايا التقنية لاستخدام أدوات الشبكة العصبية.
قصص المستخدم.
اقرأ كيف تعمل أدوات الشبكة العصبية على تسريع البحث والتطوير في مجال عملك.
المجتمع والدعم.
اعثر على إجابات للأسئلة واستكشف موارد تحري الخلل وإصلاحه.
تطبيقات الشبكة العصبية أدوات تمكنك من الوصول بسرعة المهام المشتركة من خلال واجهة تفاعلية.
محاولة أو شراء.
الحصول على نسخة تجريبية مجانية.
اختبار محرك الشبكة العصبية أدوات.
هل أنت مستعد للشراء؟
شراء الأدوات الشبكة العصبية واستكشاف المنتجات ذات الصلة.
هل لديك أسئلة؟
الاتصال شوناك ميترا،
الشبكة العصبية الأدوات خبير تقني.
يتطلب شبكة الأدوات العصبية: ماتلاب.
حلول ذات صلة.
استخدام أدوات الشبكة العصبية لحل التحديات العلمية والهندسية:
تعلم الآلة.
تحليلات البيانات.
تعلم عميق.
أخبار وأحداث.
التعلم العميق مع ماتلاب.
اختر بلدك.
اختر بلدك للحصول على المحتوى المترجم حيثما كان ذلك متاحا وشاهد الأحداث المحلية والعروض. استنادا إلى موقعك، نوصي بتحديد:.
يمكنك أيضا تحديد موقع من القائمة التالية:
كندا (الإنجليزية) الولايات المتحدة (الإنجليزية)
بلجيكا (الإنجليزية) الدنمارك (الإنجليزية) ديوتسكلاند (ديوتسش) إسبانا (إسبانول) فنلندا (الإنجليزية) فرنسا (الفرنسية) أيرلندا (الإنجليزية) إيطاليا (إيتاليانو) لوكسمبورغ
هولندا (الإنجليزية) النرويج (الإنجليزية) Österreich (ديوتسش) البرتغال (الإنجليزية) السويد (الإنجليزية) سويسرا ديوتسش إنجليش فرانسيس المملكة المتحدة (الإنجليزية)
آسيا والمحيط الهادئ.
أستراليا (الإنجليزية) الهند (الإنجليزية) نيوزيلندا (الإنجليزية) 中国 (简体 中文) 日本 (日本語) 한국 (한국어)
استكشاف المنتجات.
محاولة أو شراء.
تعلم كيفية الاستخدام.
الحصول على الدعم.
حول ماثوركس.
تسريع وتيرة الهندسة والعلوم.
ماثوركس هي الرائدة في مجال تطوير البرمجيات الحاسوبية الرياضية للمهندسين والعلماء.

الشبكات العصبية: توقعات التنبؤ.
والشبكات العصبية هي خوارزميات متطورة يمكن أن تحاكي جوانب رئيسية معينة في عمل الدماغ البشري. وهذا يعطيهم قدرة فريدة على التدريب الذاتي، والقدرة على إضفاء الطابع الرسمي على المعلومات غير المصنفة، والأهم من ذلك، القدرة على جعل التنبؤات استنادا إلى المعلومات التاريخية لديهم تحت تصرفهم.
وقد استخدمت الشبكات العصبية بشكل متزايد في مجموعة متنوعة من التطبيقات التجارية، بما في ذلك التنبؤ وتسويق حلول البحث. في بعض المناطق، مثل الكشف عن الاحتيال أو تقييم المخاطر، هم قادة لا جدال فيه. المجالات الرئيسية التي وجدت الشبكات العصبية التطبيق هي العمليات المالية، وتخطيط المشاريع، والتجارة، وتحليلات الأعمال وصيانة المنتجات. الشبكات العصبية يمكن تطبيقها بكفاءة من قبل جميع أنواع التجار، لذلك إذا كنت تاجر ولم تكن قد أدخلت بعد إلى الشبكات العصبية، ونحن سوف يأخذك من خلال هذا الأسلوب من التحليل الفني وتظهر لك كيفية تطبيقه على نمط التداول الخاص بك.
استخدام الشبكات العصبية للكشف عن الفرص.
تماما مثل أي نوع من منتج كبير أو التكنولوجيا، بدأت الشبكات العصبية جذب كل أولئك الذين يبحثون عن سوق في مهدها. وقد أغرقت السيول من الإعلانات حول برنامج الجيل التالي من السوق - الإعلانات تحتفل أقوى من جميع خوارزميات الشبكة العصبية التي تم إنشاؤها من أي وقت مضى. حتى في تلك الحالات النادرة عندما تشبه الدعاوى الإعلانية الحقيقة، ضع في اعتبارك أن زيادة الكفاءة بنسبة 10٪ هي على الأرجح أكثر ما يمكن أن تحصل عليه من الشبكة العصبية. وبعبارة أخرى، فإنه لا ينتج عوائد خارقة وبغض النظر عن مدى نجاحه في حالة معينة، وسوف يكون هناك بعض مجموعات البيانات وفئات المهام التي الخوارزميات المستخدمة سابقا لا تزال متفوقة. تذكر هذا: انها ليست الخوارزمية التي لا خدعة. وتعد معلومات المدخلات المعدة جيدا عن المؤشر المستهدف أهم عنصر في نجاحك مع الشبكات العصبية.
هل أسرع التقارب أفضل؟
العديد من أولئك الذين يستخدمون بالفعل الشبكات العصبية يعتقدون خطأ أن أسرع صافي نتائجها، كان ذلك أفضل. ومع ذلك، هذا هو الوهم. لا يتم تحديد شبكة جيدة بالمعدل الذي ينتج عنه النتائج ويجب على المستخدمين معرفة كيفية إيجاد أفضل توازن بين السرعة التي تدرب فيها الشبكة وجودة النتائج التي تنتجها.
التطبيق الصحيح للشبكات العصبية.
العديد من التجار تطبيق الشبكات العصبية بشكل غير صحيح لأنها تضع الكثير من الثقة في البرنامج الذي يستخدمونه جميعا دون أن يتم تزويدهم بتعليمات مناسبة حول كيفية استخدامه بشكل صحيح. لاستخدام الشبكة العصبية بالطريقة الصحيحة، وبالتالي، مكسب، تاجر يجب أن تولي اهتماما لجميع مراحل دورة إعداد الشبكة. إنه التاجر وليس شبكته المسؤولة عن ابتكار فكرة وإضفاء الطابع الرسمي على هذه الفكرة واختبارها وتحسينها وأخيرا اختيار اللحظة المناسبة للتخلص منها عندما لا تعود مفيدة. فلننظر في مراحل هذه العملية الحاسمة بمزيد من التفصيل:
1. إيجاد فكرة التداول وإضفاء الطابع الرسمي عليها.
2. تحسين معلمات النموذج الخاص بك.
3. التخلص من النموذج عندما يصبح عفا عليها الزمن.
كل نموذج الشبكة العصبية على أساس العمر الافتراضي، ولا يمكن استخدامها إلى أجل غير مسمى. ويعتمد طول العمر الافتراضي لنموذج ما على حالة السوق وعلى مدى استمرار ترابط الأسواق في هذا المجال. ومع ذلك، عاجلا أو آجلا يصبح أي نموذج عفا عليها الزمن. عند حدوث ذلك، يمكنك إما إعادة تدريب النموذج باستخدام بيانات جديدة تماما (أي استبدال جميع البيانات التي تم استخدامها)، وإضافة بعض البيانات الجديدة إلى مجموعة البيانات الحالية وتدريب النموذج مرة أخرى، أو ببساطة سحب النموذج تماما.
العديد من التجار يجعلون خطأ اتباع أبسط مسار - أنها تعتمد بشكل كبير على واستخدام النهج الذي برامجها يوفر وظيفة سهلة الاستخدام والأكثر سهولة. هذا أبسط النهج هو التنبؤ سعر بعض الحانات المقبلة واستنادا نظام التداول الخاص بك على هذه التوقعات. ويتوقع المتداولون الآخرون تغير الأسعار أو النسبة المئوية لتغير الأسعار. نادرا ما ينتج عن هذا النهج نتائج أفضل من التنبؤ بالسعر مباشرة. ويخفق النهجان التبسيطان في الكشف عن معظم الترابطات الهامة الطويلة الأجل واستغلالها بأكبر قدر من الأرباح، ونتيجة لذلك يصبح النموذج عفا عليه الزمن بسرعة مع تغير القوى الدافعة العالمية.
أفضل نهج شامل لاستخدام الشبكات العصبية.

الشبكة العصبية فوركس ماتلاب
الهجين الشبكة العصبية وقف واستراتيجيات عكس فوركس.
مايكل R. براينت.
وقد استخدمت الشبكات العصبية في أنظمة التداول لسنوات عديدة بدرجات متفاوتة من النجاح. جاذبيتها الأساسية هي أن هيكلها غير الخطية هو أكثر قدرة على التقاط تعقيدات حركة السعر من قواعد التداول القياسية القائمة على المؤشرات. وكان أحد الانتقادات أن استراتيجيات التداول القائمة على الشبكة العصبية تميل إلى أن تكون أكثر ملاءمة وبالتالي لا تؤدي بشكل جيد على البيانات الجديدة. والحل الممكن لهذه المشكلة هو الجمع بين الشبكات العصبية والمنطق الاستراتيجي القائم على القواعد لخلق نوع هجين من الاستراتيجية. هذه المقالة سوف تظهر كيف يمكن القيام بذلك باستخدام أدابتريد بيلدر.
وعلى وجه الخصوص، ستوضح هذه المادة ما يلي:
الجمع بين الشبكة العصبية والمنطق القائم على القواعد لإدخالات التجارة.
استهداف منصات متعددة في وقت واحد (ميتاترادر ​​4 و ترادستاتيون)
وضع استراتيجية ذات منطق متوقف وغير متناظر.
استخدام بيانات الفوركس خلال اليوم.
وسيستخدم نهج بيانات من ثلاثة قطاعات، مع استخدام الجزء الثالث للتحقق من صحة الاستراتيجيات النهائية. سيتم عرض رمز الاستراتيجية الناتج لكل من ميتاتريدر 4 و ترادستاتيون، وسيتم إثبات أن نتائج التحقق هي إيجابية لكل منصة.
الشبكات العصبية كما مرشحات دخول التجارة.
رياضيا، الشبكة العصبية هي مزيج غير خطية من واحد أو أكثر من المدخلات المرجحة التي تولد واحد أو أكثر من قيم الإخراج. بالنسبة للتداول، يتم استخدام الشبكة العصبية بشكل عام بطريقتين: (1) كتنبؤ بحركة السعر المستقبلية، أو (2) كمؤشر أو عامل تصفية للتداول. هنا، سيتم النظر في استخدامه كمؤشر أو مرشح التجارة.
كمؤشر، الشبكة العصبية تعمل كشرط إضافي أو مرشح يجب أن يكون راضيا قبل التجارة يمكن إدخالها. المدخلات إلى الشبكة هي عادة مؤشرات فنية أخرى، مثل الزخم، ستوشاستيك، أدكس، المتوسطات المتحركة، وهلم جرا، فضلا عن الأسعار ومجموعات من السابقة. يتم تحجيم المدخلات وتم تصميم الشبكة العصبية بحيث يكون الناتج قيمة بين -1 و +1. ويتمثل أحد النهج في السماح بدخول طويل إذا كان الناتج أكبر من أو يساوي قيمة عتبة، مثل 0.5، ودخول قصير إذا كان المخرج أقل من أو يساوي السالب للعتبة؛ على سبيل المثال، -0.5. هذا الشرط سيكون بالإضافة إلى أي شروط دخول موجودة. على سبيل المثال، إذا كان هناك شرط دخول طويل، فإنه يجب أن يكون صحيحا، ويجب أن يكون خرج الشبكة العصبية مساويا على الأقل لقيمة العتبة للدخول الطويل.
عند إنشاء شبكة عصبية، يكون المتداول عادة مسؤولا عن اختيار المدخلات وطبولوجيا الشبكة و & كوت؛ التدريب & كوت؛ الشبكة التي تحدد قيم الأوزان المثلى. كما سيظهر أدناه، يقوم أدابتريد بيلدر بتنفيذ هذه الخطوات تلقائيا كجزء من عملية بناء التطور التي يقوم البرنامج على أساسها. استخدام الشبكة العصبية كمرشح تجاري يسمح لها أن تكون جنبا إلى جنب بسهولة مع قواعد أخرى لخلق استراتيجية التداول الهجين، واحد الذي يجمع بين أفضل ميزات النهج التقليدية القائمة على قواعد مع مزايا الشبكات العصبية. وكمثال بسيط، قد يجمع بيلدر قاعدة كروس أوفر المتوسطة مع شبكة عصبية بحيث يتم اتخاذ موقف طويل عندما يعبر المتوسط ​​المتحرك السريع فوق المتوسط ​​المتحرك البطيء ويكون خرج الشبكة العصبية عند أو فوق عتبة.
استراتيجيات وقف وإيقاف التداول.
إن إستراتيجية التداول المتوقفة والعكسية هي دائما في السوق سواء كانت طويلة أو قصيرة. بالمعنى الدقيق للكلمة، & كوت؛ الإيقاف والعكس & كوت؛ يعني أنك عكس التجارة عندما يتم ضرب طلبك وقف. ومع ذلك، يمكنني استخدامه بمثابة اختصار لأي استراتيجية التداول الذي ينعكس من طويلة إلى قصيرة إلى طويلة وهلم جرا، بحيث كنت دائما في السوق. من خلال هذا التعريف، ليس من الضروري أن أوامر أوامر وقف. هل يمكن أن تدخل وعكس باستخدام أوامر السوق أو الحد كذلك. كما أنه ليس من الضروري أن يستخدم كل جانب نفس المنطق أو حتى نفس نوع الطلب. على سبيل المثال، يمكنك إدخال فترة طويلة (والخروج قصيرة) على أمر إيقاف وإدخال قصيرة (والخروج طويلة) على أمر السوق، وذلك باستخدام قواعد وشروط مختلفة لكل دخول / خروج. ومن شأن ذلك أن يكون مثالا على استراتيجية غير متناظرة للتوقف والعكس.
الميزة الرئيسية لاستراتيجية وقف والعكس هو أنه من خلال يجري دائما في السوق، وأنت لا تفوت أي خطوات كبيرة. ميزة أخرى هي البساطة. عندما يكون هناك قواعد وشروط منفصلة للدخول والخروج من الصفقات، وهناك أكثر تعقيدا وأكثر من ذلك يمكن أن تسوء. الجمع بين الإدخالات والمخارج يعني اتخاذ قرارات توقيت أقل، والتي يمكن أن تعني أخطاء أقل.
ومن ناحية أخرى، يمكن القول بأن أفضل الظروف للخروج من التجارة نادرا ما تكون مماثلة لتلك التي تدخل في الاتجاه المعاكس؛ أن الدخول إلى الصفقات والخروج منها هي قرارات منفصلة بطبيعتها ينبغي أن توظف بالتالي قواعد ومنطقا منفصلين. هناك عيب محتمل آخر يتمثل دائما في السوق في أن الاستراتيجية سوف تتداول من خلال كل فجوة فتح. فجوة فتح كبيرة ضد الموقف يمكن أن تعني خسارة كبيرة قبل استراتيجية قادرة على عكس. الاستراتيجيات التي تدخل وتخرج بشكل أكثر انتقائية أو الخروج من نهاية اليوم يمكن أن تقلل من تأثير فتح الثغرات.
وبما أن الهدف هو بناء استراتيجية الفوركس، فإن ميتاترادر ​​4 (MT4) هو خيار واضح لمنصة التداول نظرا لأن ميتاترادر ​​4 مصمم بشكل أساسي لفوركس ويستخدم على نطاق واسع لتداول تلك الأسواق (انظر على سبيل المثال ميتاترادر ​​مقابل ترادستاتيون : مقارنة اللغة). ومع ذلك، في السنوات الأخيرة، وقد استهدف ترادستاتيون أسواق الفوركس أكثر من ذلك بكثير بقوة. اعتمادا على حجم التداول الخاص بك و / أو مستوى الحساب، فمن الممكن للتجارة في أسواق الفوركس من خلال ترادستاتيون دون تكبد أي رسوم منصة أو دفع أي عمولات. وتفيد التقارير بأن فروق أسعار الفائدة محدودة مع وجود سيولة جيدة على أزواج العملات الأجنبية الرئيسية. ولهذه الأسباب، تم استهداف كلا المنبرين لهذا المشروع.
تنشأ العديد من القضايا عند استهداف منصات متعددة في وقت واحد. أولا، قد تكون البيانات مختلفة على منصات مختلفة، مع الاختلافات في المناطق الزمنية، ونقلت الأسعار لبعض الحانات، وحجم، ونطاقات التاريخ المتاحة. وللتغلب على هذه الاختلافات، تم الحصول على البيانات من كلا المنصتين، وتم بناء الاستراتيجيات على كل من سلسلة البيانات في وقت واحد. ولذلك كانت أفضل الاستراتيجيات هي تلك التي عملت بشكل جيد على كل من سلسلة البيانات على الرغم من أي اختلافات في البيانات.
وفيما يلي إعدادات البيانات المستخدمة في بيلدر في الشكل 1. وكما يمكن الاستدلال من جدول بيانات السوق في الشكل، تم استهداف سوق العملات الأجنبية باليورو مقابل الدولار (وروس) مع حجم شريط يبلغ 4 ساعات (240 دقيقة). أحجام شريط أخرى أو الأسواق قد خدمت كذلك. كنت فقط قادرا على الحصول على أكبر قدر من البيانات من خلال منصة MT4 كما هو موضح في نطاق التاريخ هو مبين في الشكل 1 (سلسلة البيانات # 2)، لذلك تم استخدام نفس النطاق الزمني في الحصول على سلسلة البيانات المكافئة من ترادستاتيون (سلسلة البيانات # 1). تم استخدام 80٪ من البيانات للبناء (مجتمعة في العينة و & كوت؛ خارج العينة & كوت؛)، مع تخصيص 20٪ (6/20/14 إلى 2/10/15) للتحقق من صحتها. تم تعيين 80٪ من الأصل 80٪ إلى & كوت؛ في العينة & كوت؛ مع تعيين 20٪ على & كوت؛ خارج العينة، & كوت؛ كما هو مبين في الشكل 1. وقد تم تحديد انتشار العطاء / الطلب إلى 5 نقاط، وتم افتراض تكاليف تداول قدرها 6 نقاط أو 60 دولارا لكل وحدة كاملة الحجم (100.000 سهم) في الجولة الواحدة. تم تضمين كل من سلسلة البيانات في البناء، كما هو موضح في علامات الاختيار في العمود الأيمن من جدول بيانات السوق.
الشكل 1. إعدادات بيانات السوق لبناء استراتيجية الفوركس ل ميتاترادر ​​4 و ترادستاتيون.
هناك مشكلة محتملة أخرى عند استهداف الأنظمة الأساسية المتعددة هي أن بيلدر تم تصميمه لتكرار الطريقة التي يحسب بها كل نظام أساسي معتمد مؤشراته، مما قد يعني أن قيم المؤشرات ستكون مختلفة بناء على النظام الأساسي المحدد. ولتجنب هذا المصدر المحتمل للتناقض، يجب إزالة أي مؤشرات تقيم بشكل مختلف في ميتاتريدر 4 من ترادستاتيون من البناء، مما يعني أنه ينبغي تجنب المؤشرات التالية:
بطيء D العشوائية.
سريع D عشوائي.
وتحسب جميع المؤشرات الأخرى المتاحة لكل من المنصات بنفس الطريقة في كلا المنابر. يتضمن ترادستاتيون جميع المؤشرات المتوفرة في بيلدر، في حين أن ميتاترادر ​​4 لا. لذلك، لتضمين المؤشرات المتوفرة في كلا النظامين فقط، يجب اختيار منصة ميتاترادر ​​4 كنوع الرمز في بيلدر. سيؤدي ذلك تلقائيا إلى إزالة أي مؤشرات من مجموعة الإنشاء غير المتوفرة ل MT4، مما سيترك المؤشرات المتوفرة في كلا النظامين الأساسيين. بالإضافة إلى ذلك، منذ لاحظت الاختلافات في حجم البيانات التي تم الحصول عليها من كل منصة، وأنا إزالة كافة المؤشرات تعتمد على وحدة التخزين من مجموعة البناء. وأخيرا، تمت إزالة مؤشر الوقت من اليوم بسبب الاختلافات في المناطق الزمنية بين ملفات البيانات.
في الشكل 2 أدناه، يتم عرض قائمة المؤشرات المستخدمة في مجموعة البناء مرتبة حسب ما إذا كان المؤشر قد تم النظر فيه من خلال عملية الإنشاء (& كوت؛ النظر في & كوت؛ العمود). وترد المؤشرات التي أزيلت من الدراسة للأسباب التي نوقشت أعلاه في أعلى القائمة. وكانت المؤشرات المتبقية، بدءا من & كوت؛ سيمبل موف أفي & كوت؛، كلها جزء من مجموعة الإنشاء.
الشكل 2. تحديدات مؤشر في البناء، والتي تبين المؤشرات إزالتها من مجموعة البناء.
وترد خيارات التقييم المستخدمة في عملية البناء في الشكل 3. كما تم مناقشته، تم اختيار ميتاترادر ​​4 كخيار إخراج الشفرة. بعد أن يتم بناء الاستراتيجيات في بيلدر، يمكن تغيير أي من الخيارات في علامة التبويب خيارات التقييم، بما في ذلك نوع التعليمات البرمجية، وإعادة تقييم الاستراتيجيات، والتي سوف أيضا إعادة كتابة التعليمات البرمجية في أي لغة يتم تحديدها. تم استخدام هذه الميزة للحصول على رمز ترادستاتيون للاستراتيجية النهائية بعد أن تم بناء الاستراتيجيات ل ميتاترادر ​​4.
الشكل 3. خيارات التقييم في بيلدر لاستراتيجية الفوركس يوروس.
لإنشاء إستراتيجيات الإيقاف والعكس، تمت إزالة جميع أنواع الخروج من مجموعة الإنشاء، كما هو موضح أدناه في الشكل 4. تم ترك جميع الأنواع الثلاثة من أوامر الدخول - السوق، والتوقف، والحد - كما & كوت؛ تنظر & كوت؛ ، مما يعني أن عملية البناء يمكن أن تنظر في أي منها أثناء عملية البناء.
الشكل 4. أنواع الأوامر المحددة في بيلدر لإنشاء إستراتيجية الإيقاف والعكس.
يقوم برنامج بيلدر تلقائيا بإنشاء شروط منطقية تستند إلى قواعد للدخول و / أو الخروج. لإضافة شبكة عصبية إلى الاستراتيجية، فمن الضروري فقط لتحديد الخيار & كوت؛ تضمين الشبكة العصبية في شروط الدخول & كوت؛ في علامة التبويب خيارات الاستراتيجية، كما هو مبين أدناه في الشكل 5. تركت إعدادات الشبكة العصبية في افتراضاتها. كجزء من منطق التوقف والعكس، تم تعيين الخيار "خيارات السوق" على لونغ / شورت، والخيار ل & كوت؛ انتظر للخروج قبل الدخول إلى علامة تجارية جديدة & كوت؛ لم يسبق له مثيل. هذا الأخير ضروري لتمكين أمر الدخول للخروج من الوضع الحالي على عكس. تم ترك جميع الإعدادات الأخرى في الإعدادات الافتراضية.
الشكل 5. الخيارات الاستراتيجية المختارة في منشئ لإنشاء استراتيجية هجينة باستخدام كل من القواعد المستندة إلى القواعد وشبكة الشبكة العصبية.
وتسترشد الطبيعة التطورية لعملية البناء في بيلدر باللياقة البدنية، والتي يتم حسابها من الأهداف والشروط المحددة في علامة التبويب المقاييس، كما هو مبين أدناه في الشكل 6. وأبقت أهداف البناء بسيطة: تعظيم صافي الربح مع التقليل إلى أدنى حد التعقيد، الذي أعطى وزن صغير بالنسبة إلى صافي الربح. وقد تم التركيز بشكل أكبر على ظروف البناء، والتي تضمنت معامل الارتباط وأهميته بالنسبة لجودة الإستراتيجية العامة، وكذلك متوسط ​​القضبان في الصفقات وعدد الصفقات.
في البداية، لم يتم تضمين سوى متوسط ​​القضبان في الصفقات كشرط للبناء. ومع ذلك، في بعض المباني المبكرة، كان صافي الربح يفضل على طول التجارة، وبالتالي تم إضافة عدد من المتري. ويعادل المدى المحدد لعدد الصفقات (بين 209 و 418) متوسط ​​أطوال التجارة بين 15 و 30 بارا استنادا إلى عدد الحانات في فترة الإنشاء. ونتيجة لذلك، أضافت إضافة هذا المقياس مزيدا من التركيز على هدف طول التجارة، مما أدى إلى زيادة عدد السكان من السكان مع المدى المطلوب من أطوال التجارة.
الشكل 6. تحديد الأهداف والشروط المحددة في علامة التبويب المقاييس تحدد كيفية حساب اللياقة البدنية.
إن & كوت؛ شروط تحديد أهم الاستراتيجيات & كوت؛ تكرار ظروف الإنشاء إلا أن يتم تقييم شروط الاستراتجيات العليا على كامل نطاق البيانات (وليس بما في ذلك مقطع التحقق من الصحة، الذي يكون منفصلا)، بدلا من مجرد فترة الإنشاء، كما هو الحال بالنسبة لظروف الإنشاء. ويستخدم البرنامج أهم استراتيجيات الاستراتيجيات لتخصيص أي استراتيجيات تستوفي جميع الشروط في مجتمع منفصل.
يتم إجراء الإعدادات النهائية على علامة التبويب خيارات البناء، كما هو موضح أدناه في الشكل 7. أهم الخيارات هنا هي حجم عدد السكان، وعدد الأجيال، وخيار إعادة تعيين استنادا إلى & كوت؛ خارج العينة & كوت؛ أداء. تم اختيار حجم السكان ليكون كبيرا بما فيه الكفاية للحصول على تنوع جيد في السكان في حين لا تزال صغيرة بما فيه الكفاية لبناء في فترة معقولة من الزمن. واستند عدد الأجيال إلى المدة التي استغرقها عدد قليل من البنيات الأولية لكي تبدأ النتائج في التقارب.
الشكل 7. تشمل خيارات الإنشاء حجم السكان وعدد الأجيال وخيارات إعادة تعيين السكان استنادا إلى & كوت؛ خارج العينة & كوت؛ أداء.
خيار & كوت؛ إعادة تعيين الأداء خارج النطاق (أوس) & كوت؛ يبدأ عملية البناء على بعد عدد محدد من الأجيال إذا تم استيفاء الشرط المحدد؛ في هذه الحالة، سيتم إعادة تعيين السكان إذا كانت & كوت؛ خارج العينة & كوت؛ صافي الربح هو أقل من 20،000 $. تم اختيار هذه القيمة على أساس الاختبارات الأولية لتكون قيمة عالية بما فيه الكفاية أنه ربما لن يتم التوصل إليها. ونتيجة لذلك، تم تكرار عملية البناء كل 30 أجيال حتى توقف يدويا. هذا هو وسيلة للسماح للبرنامج بتحديد الاستراتيجيات على أساس أفضل الاستراتيجيات الشروط على مدى فترة طويلة من الزمن. بشكل دوري، يمكن التحقق من السكان أعلى الاستراتيجيات وإلغاء عملية البناء عند العثور على استراتيجيات مناسبة.
لاحظ أن أضع & كوت؛ خارج العينة & كوت؛ في اقتباسات. عند & كوت؛ خارج العينة & كوت؛ يتم استخدام الفترة لإعادة تعيين السكان بهذه الطريقة، و & كوت؛ خارج العينة & كوت؛ الفترة لم تعد حقا خارج العينة. وبما أن هذه الفترة تستخدم الآن لتوجيه عملية البناء، فإنها تشكل جزءا فعالا من فترة العينة. لهذا السبب من المستحسن أن نضع جانبا شريحة ثالثة للتحقق من صحة، كما نوقش أعلاه.
بعد عدة ساعات من المعالجة وعدد من إعادة البناء التلقائي، تم العثور على استراتيجية مناسبة في السكان الاستراتيجيات العليا. ويظهر منحنى الأسهم التجارية المغلق أدناه في الشكل 8. ويبين منحنى الأسهم أداء ثابت في كل من قطاعات البيانات مع عدد كاف من الصفقات والنتائج نفسها أساسا على كل من سلسلة البيانات.
الشكل 8: منحنى الأسهم التجارية المغلقة لاستراتيجية وقف اليورو مقابل الدولار الأمريكي والعكس.
ولتحقق من الاستراتیجیة خلال فترة التحقق، تم تغییر ضوابط التاریخ علی علامة تبویب الأسواق (انظر الشکل 1) إلی تاریخ نھایة البیانات (2/11/2018)، وتم إعادة تقییم الاستراتیجیة عن طریق تحدید تقییم الأمر من قائمة ستراتيغي في بيلدر. وتظهر النتائج أدناه في الشكل 9. وتبين نتائج التحقق من صحة في المربع الأحمر أن الاستراتيجية التي عقدت على البيانات التي لم تستخدم أثناء عملية البناء.
الشكل 9: منحنى رأس المال المقفل من أجل إستراتيجية الإيقاف والعكس لليورو مقابل الدولار الأميركي، بما في ذلك فترة التحقق.
الفحص النهائي هو معرفة كيفية تنفيذ الاستراتيجية على كل سلسلة بيانات بشكل منفصل باستخدام خيار إخراج الشفرة لهذا النظام الأساسي. وهذا ضروري لأنه، كما هو موضح أعلاه، قد تكون هناك اختلافات في النتائج اعتمادا على (1) نوع التعليمات البرمجية، و (2) سلسلة البيانات. نحن بحاجة للتحقق من أن الإعدادات المختارة تقلل من هذه الاختلافات، كما هو مقصود. لاختبار استراتيجية ميتاترادر ​​4، تم إلغاء تحديد سلسلة البيانات من ترادستاتيون على علامة التبويب الأسواق، وتم إعادة تقييم الاستراتيجية. وترد النتائج أدناه في الشكل 10، الذي يكرر المنحنى السفلي في الشكل 9.
الشكل 10: منحنى الأسهم التجارية المغلقة لاستراتيجية الإيقاف والعكس مقابل اليورو مقابل الدولار الأميركي، بما في ذلك فترة التحقق، بالنسبة إلى ميتاترادر ​​4.
وأخيرا، لاختبار استراتيجية ترادستاتيون، تم اختيار سلسلة البيانات من ترادستاتيون وتم إلغاء تحديد سلسلة ميتاتريدر 4 في علامة التبويب "الأسواق"، تم تغيير إخراج التعليمات البرمجية إلى & كوت؛ ترادستاتيون & كوت؛ وتم إعادة تقييم الاستراتيجية. وتظهر النتائج أدناه في الشكل 11 وتبدو مشابهة جدا للمنحنى المتوسط ​​في الشكل 9، كما هو متوقع.
الشكل 11. منحنى الأسهم التجارية المغلقة لاستراتيجية وقف و عكس اليورو مقابل الدولار الأميركي، بما في ذلك فترة التحقق، ل ترادستاتيون.
يتم توفير التعليمات البرمجية لكلا النظامين أدناه في الشكل 12. انقر فوق الصورة لفتح ملف التعليمات البرمجية لمنصة المقابلة. فحص التعليمات البرمجية يكشف أن الجزء القائم على القاعدة من الاستراتيجية يستخدم مختلف الظروف المتعلقة بالتقلب للجانبين الطويل والقصير. تتكون مدخلات الشبكة العصبية من مجموعة متنوعة من المؤشرات، بما في ذلك يوم من أيام الأسبوع، الاتجاه (زلترند)، ارتفاع خلال اليوم، مؤشرات التذبذب (إنفشيريسيكل، إنفشيرسي)، البولنجر باند، والانحراف المعياري.
يمكن رؤية الطبيعة الهجينة للاستراتيجية مباشرة في بيان الكود (من رمز ترادستاتيون):
إذا إنتكوندل و ننوتبوت & غ؛ = 0.5 ثم تبدأ.
شراء (& كوت؛ إنمارك-L & كوت؛) سهم نشارس شريط المقبل في السوق.
المتغير & كوت؛ إنتكوندل & كوت؛ تمثل شروط الدخول المستندة إلى القواعد، و & كوت؛ ننوبوت & كوت؛ هو إخراج الشبكة العصبية. يجب أن يكون كلا الشرطين صحيحا لوضع أمر الدخول الطويل. يعمل شرط الدخول القصير بنفس الطريقة.
الشكل 12. رمز إستراتيجية التداول لاستراتيجية الإيقاف والعكس مقابل اليورو مقابل الدولار الأميركي (يسار، ميتاتريدر 4، رايت، ترادستاتيون). انقر فوق الشكل لفتح ملف التعليمات البرمجية المطابق.
بحثت هذه المقالة في عملية بناء استراتيجية هجينة قائمة على القاعدة / الشبكة العصبية لليورو مقابل الدولار الأميركي باستخدام نهج وقف والعكس (دائما في السوق) مع أدابتريد بيلدر. وقد تبين كيف يمكن إنشاء رمز الاستراتيجية لمنصات متعددة عن طريق اختيار مجموعة فرعية مشتركة من المؤشرات التي تعمل بنفس الطريقة في كل منصة. تم وصف الإعدادات اللازمة لتوليد استراتيجيات عكس من طويلة إلى قصيرة وظهر، وقد ثبت أن الاستراتيجية الناتجة يؤدي إيجابيا على جزء منفصل، التحقق من صحة البيانات. كما تم التحقق من أن الاستراتيجية ولدت نتائج مماثلة مع البيانات وخيار التعليمات البرمجية لكل منصة.
كما نوقش أعلاه، نهج وقف والعكس لديها العديد من السلبيات وربما لا نداء الى الجميع. ومع ذلك، قد يكون النهج دائما في السوق أكثر جاذبية مع بيانات الفوركس لأن أسواق الفوركس التجارة على مدار الساعة. ونتيجة لذلك، لا توجد فجوات افتتاح الجلسة، وأوامر التداول هي دائما نشطة ومتاحة لعكس التجارة عندما يتغير السوق. وأتاح استخدام البيانات اللحظية (القضبان التي تستغرق 4 ساعات) مزيدا من الحانات من البيانات لاستخدامها في عملية البناء ولكنه كان تعسفيا إلى حد ما لأن الطابع الدائم للاستراتيجية يعني أن الصفقات تتم بين عشية وضحاها.
وقد سمح لعملية البناء بتطوير ظروف مختلفة للدخول طويلة وقصيرة، مما أدى إلى استراتيجية غير متناظرة وقف والعكس. على الرغم من الاسم، فإن الاستراتيجية الناتجة تدخل كل من الصفقات الطويلة والقصيرة على أوامر السوق، على الرغم من أن السوق، ووقف، وأوامر الحد كلها النظر فيها من قبل عملية البناء بشكل مستقل لكل جانب. ومن الناحية العملية، فإن الانعكاس من فترة طويلة إلى قصيرة يعني بيع ضعف عدد الأسهم في السوق بما أن الاستراتيجية كانت طويلة في الوقت الراهن؛ على سبيل المثال، إذا كان الوضع الحالي الحالي هو 100.000 سهم، فسوف تبيع 200،000 سهم قصير في السوق. وبالمثل، إذا كان الوضع القصير الحالي 100،000 سهم، يمكنك شراء 200،000 سهم في السوق لعكس من قصيرة إلى طويلة.
تم استخدام تاريخ أقصر للسعر من شأنه أن يكون مثاليا. ومع ذلك، كانت النتائج إيجابية على قطاع التحقق من الصحة، مما يشير إلى أن الاستراتيجية لم تكن مناسبة. وهذا يدعم فكرة أن الشبكة العصبية يمكن استخدامها في استراتيجية التداول دون بالضرورة الإفراط في تركيب الاستراتيجية للسوق.
الاستراتيجية المعروضة هنا ليست مخصصة للتجارة الفعلية ولم يتم اختبارها في الوقت الحقيقي تتبع أو التداول. ومع ذلك، يمكن استخدام هذه المقالة كقالب لوضع استراتيجيات مماثلة ل يوروس أو الأسواق الأخرى. كما هو الحال دائما، يجب اختبار أي استراتيجية التداول التي تقوم بتطويرها بدقة في تتبع الوقت الحقيقي أو على بيانات منفصلة للتحقق من صحة النتائج والتعرف على خصائص التداول للاستراتيجية قبل التداول المباشر.
ظهرت هذه المقالة في عدد فبراير 2018 من النشرة الإخبارية أدابتريد سوفتوار.
نتائج الأداء البدني أو المحاكاة لها بعض القيود المتراكمة. لا سجل الأداء الفعلي، النتائج المحاكاة لا تمثل التداول الفعلي. أيضا، وبما أن التجارة لم تكن قد تم تنفيذها بشكل فعلي، فقد تكون النتائج قد تم تعويضها أو تعويضها بشكل أكبر عن التأثيرات، إن وجدت، لبعض عوامل السوق، مثل عدم وجود السيولة. برامج التداول المحاكاة بشكل عام هي أيضا تخضع لحقيقة أنها تم تصميمها مع الاستفادة من الأذهان. لا يتم تمثيل أي حساب أو سيكون من المرجح تحقيق الأرباح أو الخسائر مماثلة لتلك التي تظهر.
إذا كنت ترغب في أن تكون على علم بالتطورات الجديدة، والأخبار، والعروض الخاصة من أدابتريد البرمجيات، يرجى الانضمام إلى قائمة البريد الإلكتروني لدينا. شكرا لكم.
حقوق الطبع والنشر © 2004-2018 أدابتريد البرمجيات. كل الحقوق محفوظة.