Miten se toimii. Päätavoitteena on tarjota päivittäin ja päivän kuluessa laadukkaita ennusteita FOREX markkinahinnoista Saat valuuttaennusteita taulukkolaskentaformaattiin, joka perustuu viiteen eri aikaväliin 5 ja 15 minuuttia 1 tunti 1 päivä Ja 1 kuukausi sekä sopivat myydä myyntisignaalit. Käyttää ennustealgoritmeja, jotka on alun perin kehitetty Forex-markkinoihin ja jotka on sopeutettu Forex-markkinoilla. Voit käyttää palvelumme kahdella tavalla. Online sivustossamme Kun olet luonut tilin, saat käyttöoikeuden ohjauspaneeliin ja työkaluihin, joita meillä on tarjottava. Käyttämällä Suosikkiohjelmistasi, kuten Metastockista, Metatraderista ja muista sinun täytyy ladata ja asentaa Forex-ennustusliitäntä Tämän jälkeen voit käyttää ennusteitamme jo käytettävien kaavojen ja kaupankäyntialgoritmien kanssa. Trendeissä on aalto tai ei-jaksottainen, värähtelevä rakenne Tätä voidaan matemaattisesti edustaa yhdistelmänä harmonisten määrästä, jossa tuntemattomat, muuttuvat taajuudet ja trendejä olevat amplitudit Täten tietoa näistä harmonisista on erittäin hyödyllinen sekä aikasarjan ennusteiden markkinoilla Hintaennusteet ja päätöksenteon tuki Osta myydä neuvoja Kuitenkin tavallisia analyyttisiä menetelmiä ei voida käyttää erottamaan muuttujan parametrin harmoniset. Meillä on dev Kehittänyt innovatiivisen ja ainutlaatuisen teknologiansa perustuvan taloudellisen aikasarjan erityisen ennustamismenetelmän. Menetelmämme keskellä on aikasarjan trendi - ja värähtelykomponenttien hajoaminen digitaalisten suodattimien avulla. Tämä erityinen adaptiivinen tekniikka, joka perustuu hermosoluihin Verkostoitumista, käytetään päivittämään malleja ja havaitsemaan päiviä, jolloin hinta-aikasarja muuttaa ominaisuuksiensa osaamisemme. Toisin kuin muut menetelmät, tekniikka voi tunnistaa pitkän aikavälin trendejä ja värähtelyjä vaihtelevilla taajuuksilla ja tuottaa paljon mukavampia tuloksia Kuin esimerkiksi Fourier-analyysi. IEEE: n kansainvälinen seminaari älykkäästä tiedonhankinnasta ja kehittyneistä tietojenkäsittelyjärjestelmien tekniikoista ja sovelluksista 6.-8.9.2007, Dortmund, Saksa.58. Kansainvälinen atlantisen taloudellisen konferenssin, Chicago, Illinois, 7.-10. Lokakuuta 2004. Genetic-algoritmien käyttäminen ennusteisiin rahoitusmarkkinoilla. Burton ehdotti kirjassaan A Random Walk Down Wall Street, 1973, että A blindfol Darwinin apinoilla heittävät tikkaat sanomalehtien taloussivuilla voisivat valita salkun, joka tekisi yhtä hyvin kuin asiantuntijoiden valitsema huolellisesti. Vaikka evoluutio on saattanut tehdä ihmisestä älykkäämpää varastojen poimimisessa, Charles Darwinin teoria on varsin tehokas, kun sitä sovelletaan suoraan Jotta voit valita varastot, tutustu miten valita varastosta. Mitkä ovat geneettisiä algoritmeja. Geneettiset algoritmit GA ovat ongelmanratkaisumenetelmiä tai heuristiikkaa, jotka jäljittelevät luonnollisen evoluution prosessia. Toisin kuin keinotekoiset hermoverkot, jotka on suunniteltu toimimaan kuten aivojen neuronit, Nämä algoritmit hyödyntävät luonnollisen valinnan käsitteitä ongelman parhaimman ratkaisun määrittämiseksi. 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 yleisimmin löytääparametrien parhaan yhdistelmän arvot kaupankäyntisäännössä , Ja ne voidaan rakentaa sellaisiin ANN-malleihin, jotka on suunniteltu poimimaan varastoja ja tunnistamaan kaupat. Useat tutkimukset ovat osoittaneet, että nämä menetelmät voivat osoittautua tehokkaiksi, mukaan lukien genomin algoritmit Ganesis of Stock Evaluation 2004, Rama ja genetiikan algoritmien sovellukset pörssiarvon kaivostoiminnassa 2004 by Lin, Cao, Wang, Zhang Jos haluat lisätietoja ANN: stä, tutustu Neural Networksin ennusteisiin. Miten genetiikkaalgoritmit toimivat. Geneettiset algoritmit luodaan matemaattisesti käyttäen vektoreita, jotka ovat suuntaa ja suuruusluokkaa olevia määriä. Yksiulotteinen vektori, jota voidaan ajatella kromosomiksi geneettisissä termeissä. Jokaisessa parametrissa käytettäviä arvoja voidaan ajatella geeneiksi, joita sitten muunnetaan käyttämällä luonnollista valintaa. Esimerkiksi kaupankäynnin säännössä voi olla Parametrit kuten Moving Average Convergence-Divergence MACD Eksponentiaalinen Moving Average EMA ja Stochastics Geneettinen algoritmi sitten inpu T-arvot näihin parametreihin tavoitteenaan maksimoida nettotulos Ajan myötä pieniä muutoksia otetaan käyttöön ja ne, jotka tekevät toivottavasti vaikutuksen, säilyvät seuraavalle sukupolvelle. Tämän jälkeen voidaan suorittaa kolmen tyyppisiä geneettisiä toimintoja. Ristit edustavat lisääntymistä Ja biologinen biologinen siirtyminen biologiaan, jossa lapsi ottaa vanhempiensa erityispiirteitä. Mutaatiot edustavat biologista mutaatiota ja niitä käytetään ylläpitämään geneettistä monimuotoisuutta väestön sukupolvelta seuraavaksi ottamalla käyttöön satunnaisia pieniä muutoksia. Valinnat ovat vaihe, jossa Yksittäiset genomit valitaan populaatiosta myöhemmäksi kasvatusrekombinaatioksi tai risteytykseksi. Näitä kolmea operaattoria käytetään sitten viiden vaiheen prosessissa. Aloitetaan satunnaismuotoinen väestö, jossa kukin kromosomi on n-pituus ja n on parametrien lukumäärä. Parametrien satunnaisluku määritetään kunkin n elementin kanssa. Valitse kromosomeja tai parametreja, jotka kasvavat toivottaviksi Tuloksia oletettavasti nettotuloksesta. Apply-muunnos tai crossover-operaattorit valituille vanhemmille ja synnyttävät jälkeläisiä. Voit yhdistää jälkeläiset ja nykyinen väestö muodostamaan uuden väestön valintaoperaattorille. Toista vaiheet kahdesta neljään. Tällöin tämä prosessi johtaa Yhä edullisempia kromosomeja tai parametreja käytettäväksi kaupankäynnin säännössä Prosessi lopetetaan, kun pysähtymiskriteerit täyttyvät, mukaan lukien juoksuaika, kunto, sukupolvien lukumäärä tai muut kriteerit Jos haluat lisätietoja MACD: stä, lue Kaupankäynti MACD Divergence. Using Geneettiset algoritmit kaupankäynnissä. Vaikka geneettiset algoritmit käyttävät pääasiassa institutionaalisia kvantitatiivisia kauppiaita, yksittäiset toimijat voivat hyödyntää geneettisiä algoritmeja - ilman kehittyneitä matematiikan tutkintoja - käyttää useita ohjelmistopaketteja markkinoilla Nämä ratkaisut vaihtelevat itsenäisistä ohjelmistopaketeista, Markkinoita Microsoft Excel-lisäosille, jotka voivat helpottaa käytännön analyysiä Näiden sovellusten avulla kauppiaat voivat määrittää joukon parametreja, jotka optimoidaan geneettisellä algoritmilla ja historiatietojen joukolla. Jotkin sovellukset voivat optimoida parametrit ja niiden arvot, kun taas toiset keskittyvät yksinkertaisesti optimoimaan arvot Tietyt parametrit Saat lisätietoja näistä ohjelmasta johdetuista strategioista tutustumalla Ohjelman tehoihin. Vaihtoehtoiset optimointivinkit ja vihjeet. Vaihtoehdon sovittaminen, kaupankäyntijärjestelmän suunnitteleminen historiallisten tietojen ympärille eikä toistuvan käyttäytymisen tunnistaminen muodostaa mahdollisen riskin Geenitekniikan algoritmeja käyttävät kauppiaat Kaikki kaupankäyntijärjestelmää käyttävät kauppajärjestelmät on testattava paperilla ennen live-käyttöä. Parametrien valinta on tärkeä osa prosessia, ja kauppiaiden on etsittävä parametreja, jotka korreloivat tietyn turvallisuuden hinnan muutoksiin. Kokeile erilaisia indikaattoreita ja katso, vaikuttavatko ne näyttävät korreloivan merkittävien markkinasirtojen kanssa. Geneettiset algoritmit ovat ainutlaatuisia Tapoja ratkaista monimutkaiset ongelmat hyödyntäen luonnonvoimaa Käyttämällä näitä menetelmiä arvopaperien hintojen ennustamiseksi kauppiaat voivat optimoida kauppasääntöjä tunnistamalla parhaat arvot, joita käytetään kunkin parametrin osalta tietylle turvallisuudelle. Nämä algoritmit eivät kuitenkaan ole Pyhä Graal ja Kauppiaiden on oltava varovainen valita oikeat parametrit eivätkä ole kaarevuus sopivaksi Jos haluat lukea lisää markkinoista, tutustu kuuntele markkinoita, ei sen pondit. Yhdysvaltojen työvaliokunnan työvaliokunnan tekemä kysely auttaa mittaamaan avoimia työpaikkoja. Kerää tietoja työnantajilta. Summa, jonka summat Yhdysvalloissa voi lainata Velkasumma luotiin toisen vapausrekisterioikeuden nojalla. Korko, jolla talletuslaitos myöntää Federal Reserve - rahaston varoja toiselle talletuslaitokselle.1 Tilastollinen Mitataan tietyn arvopaperin tai markkinoiden indeksin tuoton hajoamista. Volatiliteettia voidaan mitata. Yhdysvaltojen kongressin toimikausi hyväksyttiin vuonna 1933 Jotka kieltävät liikepankkien osallistumisen investointeihin. Ei-palkkaneuvonta viittaa mihinkään työpaikkaan kuin maatiloihin, yksityisiin kotitalouksiin ja voittoa tuottavaan sektoriin. Yhdysvaltain työvaliokunta. Geneettinen algoritmi Forex-kaupankäyntijärjestelmissä. Geneettisen algoritmin käyttö luomaan kannattavaa FOREX-kaupankäyntiä Strategian geneettinen algoritmi Cortexissa Neural Networks - ohjelmisto Feedforward Backpropagation Neural Network - sovellus geneettisen laskennan pohjaiseen Forex-kaupankäyntiin. Tässä esimerkissä käytetään edellisen artikkelin käsitteitä ja ajatuksia, joten lue Neural Network Geneettinen algoritmi Forex Trading Systems - järjestelmissä ensin, vaikkakaan se ei ole pakollista. Tietoja tästä tekstistä. Ennen kaikkea lue vastuuvapauslauseke Tämä on esimerkki Cortex Neural Networks - ohjelmiston geneettisen algoritmin toiminnallisuudesta, ei esimerkistä siitä, miten kannattavassa kaupankäynnissä kannattaa käydä. En ole sinun guru, eikä minun pitäisi olla vastuussa tappioistasi. Cortex Neural Networks - ohjelmistolla on hermoverkkoja, ja FFBP, josta keskustelimme aiemmin, on vain o Ne tapa valita forex kaupankäynnin strategiat Se on hyvä tekniikka, voimakas ja kun sitä sovelletaan oikein, hyvin houkutteleva kuitenkin se on ongelma - opettaa ne neural Network tarvitsemme halutun tuotoksen. On melko helppo tehdä, kun me Teemme funktion approksimaatiota, käytämme vain funktiota reaalisesti, koska me tiedämme, mitä sen pitäisi olla. Kun teemme neuroverkkoennusteita, käytämme tekniikkaa, jota on kuvattu aiempissa artikkeleissa, joissa opetetaan neuroverkkoa historian suhteen, jos ennustamme Esimerkiksi valuuttakurssilla, tiedämme koulutuksen aikana, mikä on oikea ennuste. Kuitenkin, kun rakennamme kaupankäyntijärjestelmää, meillä ei ole aavistustakaan, mikä on oikea kaupankäyntipäätös, vaikka tiedämme valuuttakurssin. Tosiasia, meillä on monia valuuttakaupankäyntistrategioita, joita voimme käyttää missä tahansa ajankohtana, ja meidän on löydettävä hyvä - miten Meidän pitäisi ruokkia haluttu tuotos meidän Neural Net. Jos noudit aikaisemman artikkelin, tiedät, Että meillä on huijaus käsitellä th On ongelma Olemme tehneet neuroverkkoa tekemään valuuttakurssi - tai valuuttakurssiin perustuvaa indikaattorin ennustusta ja käyttimme tämän ennusteen kaupankäynnin jälkeen. Sitten teimme päätöksen Neural Network - ohjelman osan ulkopuolelle, mistä neuraaliverkko 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. Geneettinen algoritmi on käytössä. Geneettiset algoritmit ovat hyvin kehittyneitä , Ja hyvin monipuolinen Jos haluat oppia kaikesta niistä, suosittelen käyttämään Wikipediasta, koska tämä artikkeli koskee vain sitä, mitä Cortex Neural Networks - ohjelmisto voi tehdä. Cortex Neural Networks - ohjelmistolla voimme luoda neuroverkon, , Indikaattorin arvot ja tuottaa jonkin verran tuottoa, toisin sanoen kaupankäynnin signaalit ostavat, myyvät, pitävät ja pysäyttävät menetys ottaa voitotasot avoimiin positioihin. Tietenkin, jos siemennämme tämän neuroverkon painon S: n sattumanvaraisesti kaupankäynnin tulokset ovat kauheita. Sanoisimme kuitenkin, että olemme luoneet kymmenkunta tällaista NN: tä. Sitten voimme testata kunkin suorituskykyä ja valita paras, voittaja. Tämä oli NN: n ensimmäinen sukupolvi. Toisen sukupolven on annettava voittajan luova, mutta välttää samanlaisia kopioita, anna s lisätä satunnaisia noice sen s descentants painot. Toisella sukupolvelta, meillä on ensimmäisen sukupolven voittaja ja se on epätäydellinen mutatoitu kopioita Saanko testata uudelleen? Meillä on toinen voittaja, mikä on parempi kuin mikä tahansa muu sukupolven neuralverkko. Ja niin edelleen. Voimme vain voittajien kasvattaa ja poistaa häviäjiä aivan kuten todellisessa evoluutiossa, ja saamme parhaani - kehittää neuraaliverkostoa ilman minkäänlaista tietämystä siitä, mitä kaupankäyntijärjestelmän geneettisen algoritmin pitäisi olla. Geneettisen verkon geneettisen algoritmin esimerkki 0. Tämä on ensimmäinen esimerkki geneettisestä algoritmista ja hyvin yksinkertainen. Aiomme kulkea sen läpi vaiheittain, yhjennä N kaikki temput, joita seuraavat esimerkit tulevat käyttämään. Koodissa on sisäisiä kommentteja, joten keskitymme vain keskeisiin hetkiin. Ensinnäkin olemme luoneet neuraaliverkon. Se käyttää satunnaisia painoja, eikä sitä vielä ollut opetettu. Tee siitä 14 kopiota käyttäen MUTATIONNN-fumettiä Tämä toiminto tekee kopion lähde-neuralverkosta lisäämällä satunnaisia arvoja 0: stä meidän tapauksessamme 0 1 kaikkiin painoihin. Pidämme käskyjä tuloksena oleviin 15 NN: ään ryhmässä, voimme tehdä sen, Koska kahva on vain kokonaislukumäärä. Syynä siihen, että käytämme 15 NN: ää ei ole mitään tekemistä kaupankäynnin kanssa Cortex Neural Networks - ohjelmisto voi piirtää jopa 15 riviä kaaviossa samanaikaisesti. Voimme käyttää erilaisia lähestymistapoja testaukseen Ensinnäkin voimme käyttää oppimista Asettaa, kaikki se kerralla Toinen, voimme testata esimerkiksi 12000 resurssia 100000: sta ja käydä läpi oppimisjoukon alusta loppuun. Tämä tekee oppimista erilaiinkin, kun etsimme neuraaliverkkoja, jotka ovat Kannattavaa tietyltä tietolähteeltä, ei pelkästään koko joukkoon. Toinen Lähestymistapa voi antaa meille ongelmia, jos tiedot muuttuvat alusta loppuun. Sitten verkko kehittyy, hankkii kykyä käydä kauppaa tietojoukon lopussa ja menettää kykyä käydä kauppaa alussaan. Tämän ongelman ratkaisemiseksi menemme Ottaa satunnaiselta 12000 tietueen tietueesta ja syöttää sitä neuroverkkoon. Se on yksinkertaisesti loputon sykli, koska 100000 sykliä ei koskaan saavuteta nopeudellamme. Lisätään yksi lapsi jokaiseen verkkoon, hieman eri painoilla. Huomaa, että 0 1 mutaatiolle tange ei ole ainoa vaihtoehto, sillä itse asiassa tämä parametri voidaan optimoida geneettisen algoritmin avulla. Uusia NN: itä lisätään 15 nykyisen olemassaolon jälkeen. Tällä tavalla meillä on 30 NN: ää taulukossa, 15 vanhaa ja 15 Uusi Sitten aiomme tehdä seuraavan testausjakson ja tappaa häviäjiä molemmista sukupolvista. Testausta varten käytämme Neural Network - tietojamme, tuotamme tuotoksia ja soitamme Test-toimintoon, joka käyttää näitä lähtöjä simuloimaan Kaupankäynti Kaupankäynnin tuloksia käytetään purkamaan, Mikä NN: t ovat parhaimmillaan. Käytämme nLearn-tietueiden välitavaraa nStartista nStart nLearn - ohjelmaan, jossa nStart on satunnaispiste oppimisjoukossa. Alla oleva koodi on temppu. Syy, jota käytämme, on havainnollistaa sitä, että geneettinen algoritmi voi Luo geneettistä algoritmia, mutta se ei välttämättä ole paras, ja myös ehdottaa, että voimme parantaa tulosta, jos tarkoitamme joitain rajoituksia oppimisprosessiin. On mahdollista, että kaupankäyntijärjestelmä toimii hyvin pitkillä kauppoilla , Ja erittäin huono lyhyt tai päinvastoin Jos pitkät kaupat ovat hyvin hyviä, tämä geneettinen algoritmi voi voittaa, vaikka suuret menetykset lyhyillä kaupoilla. Jotta vältytään, annamme enemmän painoa pitkiä kauppoja varten parittomaan ja lyhyeen Käydään kauppaa tasaisissa sykleissä Tämä on vain esimerkki, ei ole mitään takeita siitä, että se parantaa jotain Lisätietoja siitä alla, keskustelu korjauksista Teknisesti, sinun ei tarvitse tehdä sitä tai tehdä sen toisin. Lisää voittoa lajiteltuun Array Palauttaa lisäysaseman, sitten käytämme t Hänen asema lisätä Neural Network - kahva, oppia ja testata voittoja lajittelemattomat ryhmät Nyt meillä on tietoja nykyisestä Neural Network samassa taulukossa indeksi kuin sen voitto. The idea on saapua joukko NNs, lajiteltu kannattavuuden Koska array on Kannattaa lajitella voittoa, poistaa 1 2 vähemmän kannattavia verkostoja, tarvitsemme vain poistamalla NN: t 0-14. Kaupankäyntipäätökset perustuvat Neural Network - signaalin arvoon. Tästä näkökulmasta ohjelma on identtinen edellisten esimerkkien kanssa Article. FOREX-kaupankäynnin strategiaa. Esimerkkinä tästä esimerkistä. 0. Ensinnäkin katsotaanko kaavioita Ensimmäinen voiton kaavio ensimmäisellä iteroinnilla ei ole ollenkaan hyvä, kuten odotettavissa, Neuraaliverkko menettää rahan kuva, joka on kopioitu ensimmäisen iteraation jälkeen Kuvien kansiosta. Kuva voitosta syklissä 15 on parempi, joskus geneettinen algoritmi voi oppia todella nopeasti. Kuitenkin, huomaa saturaation voiton käyrä. On mielenkiintoista myös tarkastella tapaa, jolla yksittäiset voitot muuttuvat, pitäen mielessä, Että käyrän numero, sanoa, 3 ei ole aina samalle neuroverkostolle, koska ne syntyvät ja päättyvät koko ajan. Myös pieni Forex-automaattinen kauppajärjestelmä tekee huonoja lyhyitä kauppoja ja paljon paremmin pitkiä, mikä voi Tai se ei välttämättä liity siihen, että dollari putosi suhteessa euroon tuona ajanjaksona. Se voi myös olla jotain tekemistä indikaattorin parametrien kanssa. Ehkäpä tarvitsemme erilaisia lyhyen ajan tai indikaattoreiden valitsemista. 92 ja 248 sykliä. Yllättävämme, geneettinen algoritmi epäonnistui täysin. Yritetään selvittää miksi ja miten auttaa tilannetta. Ensinnäkin, jokaisen sukupolven ei pitäisi olla parempi kuin ennalta. Vähiten käyttämättä käytettyä mallia Jos käytimme koko oppimäärää kerralla ja käytimme sitä toistuvasti opettaaksemme NN: ää, niin kyllä, ne parantavat jokaista sukupolvea. Sen sijaan otimme satunnaisia palasia 12000 kirjaa ajoissa ja käytimme niitä. Kaksi kysymystä siitä, miksi järjestelmä Epäonnistui satunnaisista oppimisjoukkoista ja miksi he käyttivät koko oppimäärän asetettua hyvin Vastauksena toiseen kysymykseen olen tehnyt NN: itä suoritettu suuresti - oppimisjoukossa ja he eivät onnistuneet testisarjoilla, samoista syistä se epäonnistui, 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. Lähestymistapa oli sen sijaan korvautunut, pakottamalla NN: t Suorittamaan hyvää aineiston satunnaisessa fragmentissa, joten toivottavasti he voisivat myös esiintyä tuntemattomassa testaussarjassa. Sen sijaan he epäonnistuivat sekä testauksesta että oppimisjoukosta. Kuvittele eläimet autiomaassa Paljon aurinkoa, ei lunta Kaikki Tämä on metafor markkinoiden kasvattamiseen, sillä NN: n tiedoillemme on ympäristön rooli Eläimet, jotka oppivat elämään autiomaassa. Kuvittele eläimiä, jotka elävät kylmässä ilmastossa Lumia ja ei aurinkoa ollenkaan No, he ovat säätäneet. Kokeilumme, me satunnaisesti Sijoitti NN: t autiomaahan, lumiin, veteen ja puihin esittämällä heille erilaisia tietoja satunnaisesti kohoavista, putoavista, tasaisista eläimistä kuolleista. Tai, toisin sanoen, valitsimme parhaan neuroverkon satunnaisille tiedoille Set 1, joka oli markkinoiden nousulle. Sitten esiteltiin voittajille ja heidän lapsilleen, että markkinoiden pienet markkinat muuttuivat huonosti, ottelimme parhaiten köyhät esiintyjät, ehkä yksi mutanttisista lapsista, jotka menettäneet kyvykkyytensä Kauppaa nousevilla markkinoilla, mutta saimme kykyä käsitellä putoamista. Sitten käänsimme pöydän uudestaan, ja jälleen saimme parhaan toimijan - mutta parhaan joukossa huonoja esiintyjiä Emme yksinkertaisesti antaneet NN: eille mahdollisuuksia tulla universaaliksi. Tekniikoita, jotka mahdollistavat geneettisen algoritmin oppia uutta tietoa menettämättä suorituskykyä vanhoista tiedoista, eläimet voivat elää kesällä ja talvella, niin niin evoluutio kykenee käsittelemään toistuvia muutoksia Voimme keskustella näistä tekniikoista myöhemmin, vaikka tämä artikkeli on enemmän Ut käyttäen Cortex Neural Networks - ohjelmistoa kuin rakentaa onnistunut forex automatisoitu kauppajärjestelmä. Verkko-verkon geneettinen algoritmi Esimerkki 1. Nyt on aika puhua korjauksista Yksinkertainen geneettinen algoritmi luotiin edellisessä vaiheessa on kaksi suurta puutetta Ensinnäkin se ei onnistunut Kaupankäynti voitolla Se on ok, voimme yrittää käyttää osittain koulutettua järjestelmää se oli kannattavaa alussa Toinen virhe on vakavampi meillä ei ole valtaa asioita, joita tämä järjestelmä esimerkiksi Voit oppia olemaan kannattavaa, mutta Valtava vetäytyminen. On hyvin tunnettu tosiasia, että evoluutio voi todellisessa elämässä optimoida useamman kuin yhden parametrin samanaikaisesti. Esimerkiksi voimme saada eläimen, joka voi ajaa nopeasti ja pysyy kylmänä. Miksi et yritä tehdä samaa Forex automatisoidusta kauppajärjestelmästä. Silloin kun käytämme korjauksia, jotka eivät ole muuta kuin ylimääräisiä rangaistuksia Sano, järjestelmämme käy kauppaa vetäytymällä 0 5, mutta haluamme vahvistaa sen 0 - 0 3 välille. Että se teki virheen, vähennämme sen voittoa, jonka avulla määritetään, mikä geneettinen algoritmi voitti asteeseen, joka on verrannollinen DD: n kokoon. Sitten evoluutioalgoritmi hoitaa loput. Haluamme ottaa huomioon, että voimme haluta olla enemmän tai vähemmän samanlaisia osto - ja myyntitoimintoja, haluamme saada enemmän kannattavia toimintoja, sitten epäonnistumisia, voimme haluamme tuloskaavion olevan lineaarinen ja niin edelleen. Toteuttaa yksinkertaiset korjausten joukot Ensinnäkin käytämme jotain suurta numeroa alkukorjausarvolle Kerromme sen pieneksi yleensä 0: n ja 1: n välillä, 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 löytääkseen voittajan Neural Network. FOREX-kaupankäynnin strategiaa. Esimerkkinä esimerkistä 1. Esimerkki 1 toimii paljon paremmin kuin esimerkki 0 Ensimmäisen100 sykliä, se oppi paljon, ja voitto kaaviot näyttävät vakuuttavilta Kuitenkin, kuten esimerkissä 0, pitkät kaupat ovat paljon kannattavampia, mikä todennäköisesti tarkoittaa, että lähestymistapamme on ongelma. Järjestelmä kuitenkin löysi tasapainon kahden ristiriitaisen Alustavat edellytykset. On myös positiivinen dynamiikka sekä oppimisjoukossa että tärkeämmässä testauslaitteessa. Jos jatkokoulutus, syklin 278 voimme nähdä, että järjestelmämme on ylenmääräinen Se tarkoittaa, että meillä on vielä edistystä oppimiseen asetettuna. Mutta Testaus asettaa heikkouden. Tämä on yleinen ongelma NN: iden kanssa, kun opimme sitä oppimisjoukkoon, se oppii käsittelemään sitä ja joskus se oppii liian hyvin - siinä määrin, kun se menettää suorituskyvyn testattaessa. Tätä ongelmaa, perinteistä ratkaisua käytetään jatkuvasti etsimään neuralverkkoa, joka toimii parhaiten testausjoukossa ja tallentaa sen, korvaa edellisen parhaimman, aina kun uusi huippu on saavutettu. Tämä on sama lähestymistapa, jota käytimme FFBP-koulutuksessa paitsi , tällä kertaa Meidän on tehtävä se itse, lisäämällä koodia, joka etsii parhaan neuriverkon testisarjassa ja soittaa SAVENN: iin tai vie Neural Networkin painoja tiedostoon Tällä tavoin, kun lopetat harjoittelun, sinulla on paras esiintyjä ON TESTAUSASETUS tallennetaan ja odottaa sinua. Huomaa myös, että se ei ole paras mahdollinen voitto, mutta optimaalinen suorituskyky, joten harkitse korjausten tekemistä, kun etsit parasta suoritinta testisarjassa. Geneettinen algoritmi Forex-tekniselle analyysille Missä nyt . Kun olet saanut voittaja Neural Network voit seurata vaiheita kuvattu edellisessä artikkelissa viedä painoja että Neural Network ja sitten käyttää niitä reaaliaikaisen kaupankäynnin foorumi, kuten Meta Trader, Trade Station ja niin edelleen. Vaihtoehtoisesti, Voit keskittyä muihin tapoihin optimoida Neural Network toisin kuin FFBP algoritmi, täällä voit saada avay käyttää oppimisen ja testaus asettaa ja siirtää peräkkäistä oppimista. Lataa Cortex Order Cortex View Price List. Visibility on erittäin tärkeä Tämän sivuston Jos haluat, ole hyvä ja linkitä tähän URL-osoitteeseen.
No comments:
Post a Comment