Beschreibung: Zwei Forex - mit Indikator Neuron direkten Verteilungsnetz (Feedforward neaural Netzwerk), die Lernen durch Back Ausbreitung von Fehlern (Backpropagation). Das Netzwerk wird über eine DLL-Datei, C-Quellcode, der angehängt ist, geladen. Neuron-Netzwerk ist nichts weiter als ein nichtlineares Modell als Funktion von Eingängen ausgegeben. Bei den Eingängen diente Nutzdaten, wie zB die Sample-Zeitreihen. Die Bedeutung der Ausgabe wird auch vom Benutzer gesetzt, zum Beispiel, Signale 1 kaufen 0 verkaufen. Die Struktur des Netzwerks, wieder vom Benutzer eingestellt. Das Netzwerk besteht aus einer direkten Verteilung - der Eingabeschicht (Eingangsschicht), deren Elemente Eingänge sind, versteckte Schichten (versteckte Schichten), bestehend aus Rechenknoten namens Neuron s und der Ausgabeschicht (Ausgabeschicht), die aus einem oder mehreren besteht Neuronen, Ausbeuten sind Ausbeuten über das Netzwerk. Alle Knoten benachbarter Schichten sind verknüpft. Diese Verbindungen heißen Synapsen. Jede Synapse hat ein Gewicht (Gewicht w i, j, k), die mit den durch Synapsen übertragenen Daten multipliziert werden. Daten bewegen von links nach rechts Eingänge vom Netzwerk zu seinen Ausgängen. Daher der Name Direktverteilungsnetz. Die Gesamtprobe dieses Netzwerks ist in der Abbildung unten dargestellt. Die Daten werden in zwei Schritten neuroniert: 1. 1. Alle Eingänge multipliziert mit dem entsprechenden Gewicht, werden hinzugefügt 2. 2. Dann hat die resultierende Menge die Aktivierung bearbeitet Funktion Neuron (Aktivierungs - oder Zündfunktion) und (Aktivierungs - oder Zündfunktion) und an den einzigen Ausgang geschickt. Die Bedeutung der Aktivierungsfunktion Neuron wie ist die Modellierung Arbeit Neuron und das Gehirn: Neuron wird nur ausgelöst, nachdem die Informationen eine bestimmte Schwelle erreicht hat. In den mathematischen Aspekten gibt es nur das Nichtlinearitätsnetzwerk. Ohne sie wäre Neuron Nettoverlust ein lineares autoregressives Modell (lineares Vorhersagemodell). Die gängige Aktivierungsfunktion Neuron ist eine Sigmoidfunktion f (x) 1 (1exp (-x)) f (x) 1 (1 exp (-x)) Die Schwelle der Aktivierung dieser Funktion ist 0. Diese Schwelle kann verschoben werden Auf der horizontalen Achse auf Kosten eines zusätzlichen Eintrittsneurons (Bias-Eingang) und nannte die Eingangsvorspannung (Bias-Eingang), der ein bestimmtes Gewicht in der gleichen Weise wie andere Eingänge Neuron zugeordnet ist. So ist die Anzahl der Eingänge, Schichten, Neuronen s in jeder Schicht und die Gewichte der Eingänge Neuron s gesamte Neuron Netzwerk, dh nichtlineare Modell, die es schafft. Um dieses Modell zu benutzen, musst du das Gewicht wissen Die Gewichte werden berechnet, indem das Netzwerk auf vergangene Daten trainiert wird, dh mit früheren Eingabedaten wurden bekannte Werte des Ausgangssignals bekannt. Die Gewichte des Netzwerks sind so optimiert, dass sie mit der Testlösung übereinstimmen. Typischerweise haben Eingaben in das Netzwerk mehrere Sätze von Eingangs - und entsprechenden Ausgabedaten und eine berechnete mittlere Fehlerabweichung der Ausgabe von dem Netzwerk-Test abgelegt. Das Trainingsnetzwerk soll dieses Problem durch die Optimierung der Gewichte reduzieren. Es gibt mehrere Optimierungsmethoden, unter denen der Hauptweg zurück Ausbreitung von Fehlern (ALO) und die Methode der genetischen Verbesserung. Angehängte Dateien: Train () Test (). Bibliothek BPNN. cpp Datei enthält zwei Funktionen: Train () und Test (). Train () ist entworfen, um das Netzwerk zu trainieren, um Eingangs - und Ausgangsdaten bereitzustellen. Test () dient zur Berechnung von Ausgabedaten auf Basis der Gewichte, die nach dem Ausführen von Zug () erhalten wurden. Eingabe (grüne Farbe) und Ausgang (blau) Parameter der Funktion Zug () sind: double inpTrain - Eingabe (älterer zuerst) double outTarget - Impressum (älteste zuerst) double outTrain - verlässt das Netzwerk nach dem Training int ntr - die Anzahl der Trainings Sätze von Input-Output int UEW - Verwalten von Tasten externe Werte zur Initialisierung der Gewichte (1 use extInitWt, 0 verwenden zufällige Zahlen) extInitWt - ursprüngliche Werte von Gewichten doppelte trainiertWt - die Werte der Gewichte nach dem Training int numLayers - Anzahl der Ebenen im Netzwerk Einschließlich Input, versteckte und Output int lSz - Array Größe numLayers, die die Anzahl der Neuronen s in jeder Ebene gehalten. LSz0 lSz 0 gibt die Anzahl der Netzeingänge int OAF an - ein Schlüsselelement bei der Aktivierung der Ausgangsneuron s (1 Funktion freigegeben, 0 nein) doppeltes LR - Geschwindigkeitsschulung doppeltes MF - das Moment der Lernrate int nep - die maximale Anzahl von Trainingsschritte (Epochen). Epoche besteht darin, alle Trainingseinheiten zu überprüfen. Double maxMSE - mittlerer Fehler, in dem das Lernen aufhört. Eingabe (grün) und Ausgang (blau) Parameter der Funktion Test () sind: doppelte InpTest - Eingangsdaten (ältere zuerst) double outTest - Impressum int nt - Sätze von Ein - und Ausgabedaten doppelte extInitWt - Originalwerte der Gewichte numLayers - number Von Ebenen im Netzwerk einschließlich Eingang, versteckte und Ausgabe int lSz - Array Größe numLayers, die die Anzahl der Neuronen s in jeder Ebene gehalten. L lSz 0 spezifiziert die Anzahl der Netzeingänge int OAF - ein Schlüsselelement bei der Aktivierung der Ausgangsneuron s (1 Funktion freigegeben, 0 nein) Bei der Aktivierung des Ausgangs Neuron s hängt die Art der Ausgabe ab. Sind die Ausgangssignale des Netzes binomisch (0 1), so müssen Sie die Aktivierungsfunktion (OAF 1) verwenden. Wenn die Ausgabe eine Preisvorhersage ist, ist die Aktivierungsfunktion in der Ausgabeschicht nicht erforderlich (OAF 0). Beispiele für Indikatoren verwendet neuron Netzwerk: BPNN Predictor. mq4 - Vorhersage zukünftiger Preise. Netzeingabeparameter sind die relativen Inkremente in den Preisen: x i Open testbar Open testbar delay i -1.0 wo Verzögerung ich aus der Fibonacci Serie genommen habe. Die Netzwerkausgabe wird eine relative Zunahme der zukünftigen Preise vorausgesagt. Die Aktivierungsfunktion in der Ausgabeschicht ist deaktiviert. Eingabeparameter sind ein Indikator extern int lastBar - Nummer der letzten Leiste extern int futBars - die Anzahl der zukünftigen vorausgesagten Stäbe extern int numLayers - Anzahl der Layer im Netzwerk inklusive Eingang, versteckt und ausgegeben extern int numInputs - die Anzahl der Netzeingänge extern Int numNeurons1 - die Anzahl der Neuronen s in einer Schicht Nummer 1 extern int numNeurons2 - die Anzahl der Neuronen s in der Schicht Nummer 2 extern int numNeurons3 extern int numNeurons4 extern int numNeurons5 extern int ntr - die Anzahl der Trainingssätze von input-output extern Doppelte LR - die Geschwindigkeit des Lernnetzes extern doppelter MF - Koeffizient der Zeit Lernnetzwerk extern int nep - die maximale Anzahl von Trainingsschritten (epochs) extern int maxMSEpwr - Exponent zur Berechnung des maximal zulässigen Mittelwertes quadratisches Fehler Lernen maxMSE 10 maxMSEpwr Buy-Selling Classificator. mq4 - buysell. Buy-Selling Classificator. mq4 - prädiktive Indikator kaufen Verkaufssignale. Wie im vorherigen Beispiel diente das eingegebene Netzwerk xiOpentestbarOpentestbardelayi-1.0 x i Open testbar Open testbar delay i -1.0 für bars, die in der Vergangenheit signalisiert zu kaufen oder zu verkaufen. Diese letzten Signale sind ideal als Eingangssignale, um einen bestimmten Gewinn zu erhalten. Netzwerk-Ausgangssignal ist 1 oder 0 kaufen verkaufen. Die Ausgabeschicht-Aktivierungsfunktion. Extern int lastBar - Nummer des letzten Talks extern int minProfit - der minimale Profit, um den idealen Einstiegspunkt in der Vergangenheit zu finden. Externe Doppelschwelle - die Schwelle für die Erkennung der Ausgangssignale als 0 oder 1 extern int numLayers - Anzahl der Ebenen in Das netzwerk mit eingabe, versteckt und ausgabe extern int numInput - die Anzahl der Netzeingänge extern int numNeurons1 - die Anzahl der Neuronen in einer Schichtnummer 1 extern int numNeurons2 - die Anzahl der Neuronen in der Schichtnummer 2 extern int numNeurons3 extern int NumNeurons3 extern int numNeurons4 extern int numNeurons4 extern int numNeurons5 extern int ntr - die Anzahl der Trainingssätze der Input-Outputs (abhängig von der Anzahl der Kaufsignale in der Vergangenheit, 0 wählt alle gültigen Signale) extern double LR - die Geschwindigkeit des Lernens Netzwerk extern doppelter MF - Koeffizient der Zeit Lernnetzwerk extern int nep - die maximale Anzahl von Trainingsschritten (epochs) extern int maxMSEpwr - Exponent zur Berechnung des maximal zulässigen mittleren quadratischen Fehlers Lernen maxMSE 10 maxMSEpwr Pfeil rechts von der Senkrechten Grüne Linien zeigen Kaufsignale an, die vom Netz für das Testen der zukünftigen Stäbe erzeugt werden. Die Pfeile links zeigen den optimalen Einstieg in die Vergangenheit. Installation von Dateien: Kopieren der angehängten DLL-Datei im C: Programmdateien MetaTrader 4 Expertenbibliotheken Ermöglicht die Verwendung von DLL im Metatrader: Tools - Optionen - Expertenberater - DLL-Importe zulassen Wenn die DLL-Datei nicht funktioniert, kompilieren Sie sich. Alle notwendigen Dateien sind in BPNN. zip enthalten. Hybrid Neuronale Netzwerk Stop-and-Reverse-Strategien für Forex von Michael R. Bryant Neuronale Netze wurden in Handelssystemen seit vielen Jahren mit unterschiedlichem Erfolg eingesetzt. Ihre primäre Anziehungskraft ist, dass ihre nichtlineare Struktur besser in der Lage ist, die Komplexität der Preisbewegung zu erfassen als die üblichen, indikatorbasierten Handelsregeln. Einer der Kritik war, dass neuronale netzwerkbasierte Handelsstrategien dazu neigen, über-fit zu sein und daher nicht gut auf neue Daten zu arbeiten. Eine mögliche Lösung für dieses Problem besteht darin, neuronale Netze mit einer regelbasierten Strategielogik zu kombinieren, um eine hybride Strategie zu schaffen. Dieser Artikel wird zeigen, wie dies mit Adaptrade Builder durchgeführt werden kann. Insbesondere wird dieser Artikel folgendes veranschaulichen: Kombinieren von neuronalen Netzwerken und regelbasierten Logiken für Handelseinträge Ein Drei-Segment-Datenansatz wird verwendet, wobei das dritte Segment zur Validierung der endgültigen Strategien verwendet wird. Der daraus resultierende Strategiecode für MetaTrader 4 und TradeStation wird gezeigt, und es wird gezeigt, dass die Validierungsergebnisse für jede Plattform positiv sind. Neuronale Netze als Trade Entry Filters Mathematisch ist ein neuronales Netzwerk eine nichtlineare Kombination aus einem oder mehreren gewichteten Inputs, die einen oder mehrere Ausgangswerte erzeugt. Für den Handel wird ein neuronales Netzwerk in einer von zwei Möglichkeiten verwendet: (1) als Vorhersage der zukünftigen Preisbewegung oder (2) als Indikator oder Filter für den Handel. Hier wird die Verwendung als Indikator oder Handelsfilter berücksichtigt. Als Indikator fungiert ein neuronales Netzwerk als zusätzliche Bedingung oder Filter, die erfüllt sein muss, bevor ein Handel eingegeben werden kann. Die Eingaben in das Netzwerk sind typischerweise andere technische Indikatoren wie Impuls, Stochastik, ADX, gleitende Durchschnitte und so weiter sowie Preise und Kombinationen der Vorgänger. Die Eingänge sind skaliert und das neuronale Netzwerk ist so ausgelegt, dass die Ausgabe ein Wert zwischen -1 und 1 ist. Ein Ansatz besteht darin, einen langen Eintrag zuzulassen, wenn der Ausgang größer oder gleich einem Schwellenwert wie 0,5 und a ist Kurzer Eintrag, wenn der Ausgang kleiner oder gleich dem Negativ der Schwelle ist -0,5. Diese Bedingung wäre zusätzlich zu den vorhandenen Eintrittsbedingungen. Zum Beispiel, wenn es einen langen Eintrag Zustand wäre, müsste es wahr sein und die neuronale Netzwerkausgabe müsste mindestens gleich dem Schwellenwert für einen langen Eintrag sein. Bei der Einrichtung eines neuronalen Netzes wäre ein Trader typischerweise für die Auswahl der Eingänge und der Netzwerktopologie verantwortlich und für das Zutritt des Netzes, das die optimalen Gewichtswerte bestimmt. Wie unten gezeigt wird, führt Adaptrade Builder diese Schritte automatisch als Teil des evolutionären Buildprozesses durch, auf dem die Software basiert. Mit dem neuronalen Netzwerk als Handelsfilter lässt sich leicht mit anderen Regeln kombinieren, um eine hybride Handelsstrategie zu schaffen, die die besten Eigenschaften traditioneller, regelbasierter Ansätze mit den Vorteilen neuronaler Netze verbindet. Als einfaches Beispiel könnte Builder eine gleitende durchschnittliche Crossover-Regel mit einem neuronalen Netzwerk kombinieren, so dass eine lange Position genommen wird, wenn der schnell gleitende Durchschnitt über den langsamen gleitenden Durchschnitt übergeht und die neuronale Netzwerkausgabe an oder über seinem Schwellenwert liegt. Stop-and-Reverse Trading-Strategien Eine Stop-and-Reverse-Trading-Strategie ist eine, die immer auf dem Markt ist, entweder lang oder kurz. Streng genommen bedeutet quotstop-and-reversequot, dass Sie den Handel umkehren, wenn Ihr Stop-Order getroffen wird. Allerdings benutze ich es als eine kurze Hand für jede Handelsstrategie, die von lang nach kurz zu lang und so weiter umkehrt, so dass Sie immer auf dem Markt sind. Durch diese Definition ist es nicht notwendig, dass die Aufträge Stop-Aufträge sind. Du könntest mit dem Markt eintreten und umgekehrt werden. Es ist auch nicht notwendig, dass jede Seite die gleiche Logik oder sogar die gleiche Reihenfolge verwenden. Zum Beispiel können Sie lange (und beenden kurz) auf eine Stopp-Reihenfolge und geben Sie kurz (und beenden lange) auf einer Marktordnung, mit verschiedenen Regeln und Bedingungen für jeden Eintrag exit. Dies wäre ein Beispiel für eine asymmetrische Stop-and-Reverse-Strategie. Der Hauptvorteil einer Stop-and-Reverse-Strategie ist, dass man immer auf dem Markt ist, man vermisst keine großen Züge. Ein weiterer Vorteil ist die Einfachheit. Wenn es getrennte Regeln und Bedingungen für das Betreten und Verlassen von Trades gibt, gibt es mehr Komplexität und mehr, die schief gehen können. Die Kombination von Einträgen und Ausgängen bedeutet, dass weniger zeitliche Entscheidungen getroffen werden müssen, was weniger Fehler bedeuten kann. Auf der anderen Seite kann man argumentieren, dass die besten Voraussetzungen für den Ausstieg aus einem Handel nur selten die gleichen sind wie für die Einreise in die entgegengesetzte Richtung, dass das Betreten und Verlassen von Geschäften inhärent getrennte Entscheidungen sind, die daher separate Regeln und Logiken angewandt werden sollten. Ein weiterer potenzieller Nachteil, immer auf dem Markt zu sein, ist, dass die Strategie durch jede offene Lücke handeln wird. Ein großer Öffnungsspalt gegen die Position kann einen großen Verlust bedeuten, bevor die Strategie umgekehrt werden kann. Strategien, die selektiv ein - und aussteigen, oder der Ausstieg am Ende des Tages kann die Auswirkungen der Eröffnungslücken minimieren. Da das Ziel ist es, eine Forex-Strategie zu bauen, ist MetaTrader 4 (MT4) eine offensichtliche Wahl für die Handelsplattform, da MetaTrader 4 in erster Linie für Forex entworfen ist und weithin für den Handel dieser Märkte verwendet wird (siehe z. B. MetaTrader vs. TradeStation : Ein Sprachvergleich). Doch in den vergangenen Jahren hat TradeStation die Forex-Märkte viel aggressiver angesprochen. Abhängig von Ihrem Handelsvolumen und einem Account-Niveau ist es möglich, die Devisenmärkte durch TradeStation zu handeln, ohne irgendwelche Plattformgebühren zu verursachen oder Provisionen zu bezahlen. Spreads sind angeblich eng mit guter Liquidität auf den großen Forex-Paaren. Aus diesen Gründen wurden beide Plattformen für dieses Projekt gezielt. Mehrere Probleme entstehen bei der gleichzeitigen Ausrichtung auf mehrere Plattformen. Zuerst können die Daten auf verschiedenen Plattformen unterschiedlich sein, mit Unterschieden in Zeitzonen, Preisangaben für einige Takte, Volumen und verfügbare Datumsbereiche. Um diese Unterschiede zu glätten, wurden Daten von beiden Plattformen erhalten, und die Strategien wurden über beide Datenreihen gleichzeitig gebaut. Die besten Strategien waren also die, die bei allen Datenreihen trotz aller Unterschiede in den Daten gut funktionierten. Die im Builder verwendeten Dateneinstellungen sind unten in Abb. 1. Wie aus der Marktdaten-Tabelle in der Abbildung abgeleitet werden kann, wurde der Eurodollar-Devisenmarkt mit einer Bargröße von 4 Stunden (240 Minuten) gezielt (EURUSD). Andere Stabgrößen oder - märkte hätten genauso gut gedient Ich konnte nur so viele Daten über meine MT4-Plattform erhalten, wie durch den in Abb. 1 (Datenreihe 2), so dass der gleiche Datumsbereich verwendet wurde, um die äquivalenten Datenreihen der TradeStation zu erhalten (Datenreihe 1). 80 der Daten wurden für den Bau (kombinierte Stichprobe und Quotierung von Stichproben) verwendet, wobei 20 (62014 bis 21015) zur Validierung beiseite gesetzt wurden. 80 des Originals 80 wurde dann auf einen Ziffernprobenquotts gesetzt, wobei 20 auf eine Quotierung der Probe eingestellt wurde, wie in Fig. 1. Die Bidask-Spread wurde auf 5 Pips gesetzt, und die Handelskosten von 6 Pips oder 60 pro Full-Size-Los (100.000 Aktien) wurden pro Umdrehung angenommen. Beide Datenreihen wurden in den Build aufgenommen, wie durch die Häkchen in der linken Spalte der Market Data Tabelle angezeigt. Abbildung 1. Marktdateneinstellungen für den Aufbau einer Forex-Strategie für MetaTrader 4 und TradeStation. Ein weiteres mögliches Problem bei der Ausrichtung auf mehrere Plattformen ist, dass Builder entworfen ist, um die Art und Weise, wie jede unterstützte Plattform ihre Indikatoren berechnet, zu duplizieren, was bedeutet, dass die Indikatorwerte je nachdem, welche Plattform ausgewählt wird, unterschiedlich sein wird. Um diese mögliche Diskrepanz zu vermeiden, sollten alle Indikatoren, die in MetaTrader 4 anders als in der TradeStation ausgewertet werden, aus dem Build eliminiert werden, was bedeutet, dass folgende Indikatoren vermieden werden sollten: Alle anderen Indikatoren, die für beide Plattformen verfügbar sind, werden auf die gleiche Weise berechnet Beide Plattformen. TradeStation umfasst alle Indikatoren, die im Builder verfügbar sind, während MetaTrader 4 nicht. Um also nur Indikatoren einzuschließen, die in beiden Plattformen verfügbar sind, sollte die MetaTrader 4-Plattform als Codetyp im Builder ausgewählt werden. Das entfernt automatisch alle Indikatoren aus dem Build-Set, die für MT4 nicht verfügbar sind, wodurch die Indikatoren, die in beiden Plattformen verfügbar sind, verlassen werden. Darüber hinaus, da ich bemerkte Unterschiede in der Lautstärke Daten aus jeder Plattform erhalten, habe ich alle Volumen-abhängige Indikatoren aus dem Build-Set entfernt. Schließlich wurde der Tageszeitindikator wegen der Unterschiede in den Zeitzonen zwischen den Datendateien entfernt. In Fig. 2, unten, wird die Liste der Indikatoren, die in dem Build-Set verwendet werden, sortiert, ob der Indikator vom Buildprozess berücksichtigt wurde (quotConsiderquot Spalte). Die Indikatoren, die aus den oben erwähnten Gründen aus der Betrachtung entfernt wurden, werden oben in der Liste angezeigt. Die restlichen Indikatoren, beginnend mit quotSimple Mov Avequot, waren alle Teil des Buildsatzes. Abbildung 2. Indikator-Auswahl im Builder, wobei die Indikatoren aus dem Build-Set entfernt werden. Die im Bauprozess verwendeten Auswertungsmöglichkeiten sind in Abb. 1 dargestellt. 3. Wie bereits erwähnt, wurde MetaTrader 4 als Codeauswahl ausgewählt. Nachdem Strategien im Builder erstellt wurden, können beliebige Optionen auf der Registerkarte Auswertungsoptionen einschließlich des Codetyps geändert und die Strategien neu ausgewertet werden, wodurch auch der Code in welcher Sprache ausgewählt wird. Diese Funktion wurde verwendet, um den TradeStation-Code für die endgültige Strategie zu erhalten, nachdem die Strategien für MetaTrader 4 gebaut wurden. Abbildung 3. Evaluierungsoptionen im Builder für die EURUSD-Forex-Strategie. Um Stopp-und-Reverse-Strategien zu erstellen, wurden alle Exit-Typen aus dem Build-Set entfernt, wie unten in Abb. 4. Alle drei Arten von Eintragsaufträgen - Markt, Stop und Limit - wurden als quotconsiderquot belassen, was bedeutet, dass der Buildprozess während des Buildprozesses einen von ihnen berücksichtigen könnte. Abbildung 4. Im Builder ausgewählte Auftragstypen, um eine Stop-and-Reverse-Strategie zu erstellen. Die Builder-Software generiert automatisch regelbasierte logische Bedingungen für die Eingabe und den Ausstieg. Um der Strategie ein neuronales Netzwerk hinzuzufügen, ist es nur notwendig, die Option quotInclude ein neuronales Netzwerk in Eintragsbedingungen auf der Registerkarte Strategy Options zu wählen, wie unten in Abb. 5. Die neuronalen Netzwerkeinstellungen wurden bei ihren Vorgaben belassen. Als Teil der Stop-and-Reverse-Logik wurde die Option Market Sides auf LongShort gesetzt, und die Option to quotWait für den Exit vor dem Eingeben eines neuen Tradequot wurde deaktiviert. Letzteres ist notwendig, um den Eintrag zu erlauben, die aktuelle Position bei einer Umkehr zu beenden. Alle anderen Einstellungen wurden bei den Vorgaben belassen. Abbildung 5. Strategieoptionen, die im Builder ausgewählt wurden, um eine Hybridstrategie zu erstellen, die sowohl die regelbasierten als auch die neuronalen Netzwerkbedingungen verwendet. Die evolutionäre Natur des Bauprozesses im Baumeister wird von der Fitness geleitet. Die aus den auf der Registerkarte Metriken definierten Zielen und Bedingungen berechnet wird, wie unten in Abb. 6. Die Build-Ziele wurden einfach gehalten: Maximierung des Nettogewinns bei gleichzeitiger Minimierung der Komplexität, die im Verhältnis zum Nettogewinn ein geringes Gewicht verlieh. Mehr Aufmerksamkeit wurde auf die Baubedingungen gelegt, die den Korrelationskoeffizienten und die Bedeutung für die allgemeine Strategiequalität sowie die durchschnittlichen Handelsstäbe und die Anzahl der Trades beinhalteten. Zunächst wurden nur die durchschnittlichen Stäbe im Handel als Bauzustand aufgenommen. Allerdings wurde in einigen der frühen bauen der Nettogewinn über die Handelslänge begünstigt, so dass die Anzahl der Trades metric hinzugefügt wurde. Der angegebene Bereich für die Anzahl der Trades (zwischen 209 und 418) entspricht den durchschnittlichen Handelslängen zwischen 15 und 30 bar, basierend auf der Anzahl der Takte in der Buildperiode. Infolgedessen legte das Hinzufügen dieser Metrik mehr Wert auf das Handelslängenziel, das zu mehr Mitgliedern der Bevölkerung mit dem gewünschten Umfang der Handelslängen führte. Abbildung 6. Erstellen von Zielen und Bedingungen, die auf der Registerkarte Metriken festgelegt sind, bestimmen, wie die Fitness berechnet wird. Die quotConditions für die Auswahl von Top-Strategien quot duplizieren die Build-Bedingungen, außer dass die Top-Strategien Bedingungen über den gesamten Datenbereich ausgewertet werden (ohne das Validierungssegment, das separat ist), anstatt nur über die Buildperiode, wie es der Fall für die Bauen Bedingungen. Die Top-Strategien Bedingungen werden von dem Programm verwendet, um alle Strategien, die alle Bedingungen in einer separaten Bevölkerung zu beiseite legen. Die endgültigen Einstellungen werden auf der Registerkarte "Build Options" vorgenommen, wie unten in Abb. 7. Die wichtigsten Optionen hierbei sind die Populationsgröße, die Anzahl der Generationen und die Option zum Zurücksetzen auf der Grundlage der Leistungsbezeichnung. Die Bevölkerungsgröße wurde so gewählt, dass sie groß genug war, um eine gute Vielfalt in der Bevölkerung zu erhalten, während sie noch klein genug war, um in einer angemessenen Zeitspanne zu bauen. Die Anzahl der Generationen basierte darauf, wie lange es dauert, bis ein paar vorläufige Builds für die Ergebnisse zu konvergieren. Abbildung 7. Die Build-Optionen umfassen die Populationsgröße, die Anzahl der Generationen und die Optionen für das Zurücksetzen der Population auf der Grundlage der Leistungserbringung. Die Option to quotReset on Out-of-Sample (OOS) Performancequot startet den Build-Prozess über die angegebene Anzahl von Generationen, wenn die angegebene Bedingung in diesem Fall erfüllt ist, wird die Population zurückgesetzt, wenn der Quoten-Gewinn-Netto-Gewinn ist Weniger als 20.000. Dieser Wert wurde auf der Grundlage von Vorversuchen gewählt, um ein hoch genug Wert zu sein, dass es wahrscheinlich nicht erreicht werden würde. Infolgedessen wurde der Buildprozess alle 30 Generationen wiederholt, bis manuell gestoppt wurde. Dies ist ein Weg, um das Programm identifizieren Strategien auf der Grundlage der Top-Strategien Bedingungen über einen längeren Zeitraum zu identifizieren. In regelmäßigen Abständen kann die Top-Strategien-Population überprüft und der Build-Prozess abgebrochen werden, wenn geeignete Strategien gefunden werden. Beachten Sie, dass ich Zitat-of-samplequot in Anführungszeichen. Wenn die Periodenqualitätsperiode verwendet wird, um die Population auf diese Weise zurückzusetzen, ist die Periodenabfrageperiode nicht mehr wirklich außerhalb des Samples. Seit dieser Periode wird nun verwendet, um den Build-Prozess zu führen, ist es effektiv Teil der In-Sample-Periode. Darum ist es ratsam, ein drittes Segment zur Validierung aufzuheben, wie oben diskutiert wurde. Nach mehreren Stunden der Verarbeitung und einer Reihe von automatischen Umbauten wurde eine geeignete Strategie in der Top-Strategie-Population gefunden. Die geschlossene Handelskurve ist in Abb. 8. Die Eigenkapitalkurve zeigt eine konsistente Performance in beiden Datensegmenten mit einer ausreichenden Anzahl von Trades und im Wesentlichen die gleichen Ergebnisse über beide Datenreihen. Abbildung 8. Handelskurse für die EURUSD-Stop-and-Reverse-Strategie. Um die Strategie über den Validierungszeitraum zu überprüfen, wurden die Datumskontrollen auf der Registerkarte Markets (siehe Abb. 1) auf das Enddatum der Daten (2112015) geändert und die Strategie wurde neu ausgewertet, indem Sie den Befehl Auswertung aus der Strategie auswählen Menü im Builder. Die Ergebnisse sind unten in Fig. 1 gezeigt. 9. Die Validierung führt dazu, dass die rote Box zeigt, dass die Strategie auf Daten, die während des Buildprozesses nicht verwendet wurden, gehalten wurde. Abbildung 9. Handelskurse für die EURUSD-Stop-and-Reverse-Strategie einschließlich des Validierungszeitraums. Die endgültige Überprüfung ist zu sehen, wie die Strategie auf jeder Datenreihe separat mit der Code-Ausgabe-Option für diese Plattform durchgeführt. Dies ist notwendig, da, wie oben erläutert, Unterschiede in den Ergebnissen je nach (1) dem Codetyp und (2) der Datenreihe bestehen können. Wir müssen überprüfen, ob die gewählten Einstellungen diese Unterschiede, wie beabsichtigt, minimiert haben. Um die Strategie für MetaTrader 4 zu testen, wurde die Datenreihe von TradeStation auf der Registerkarte Markets abgewählt und die Strategie neu bewertet. Die Ergebnisse sind unten in Fig. 1 gezeigt. 10, die die untere Kurve in Fig. 1 dupliziert. 9. Abbildung 10. Abgeschlossene Handelskurve für die EURUSD-Stop-and-Reverse-Strategie einschließlich des Validierungszeitraums für MetaTrader 4. Um die Strategie für TradeStation zu testen, wurde die Datenreihe von TradeStation ausgewählt und die Serie für MetaTrader 4 wurde auf der Registerkarte Markets abgewählt, die Codeausgabe wurde in quotTradeStation geändert, und die Strategie wurde neu ausgewertet. Die Ergebnisse sind unten in Fig. 1 gezeigt. 11 und scheinen sehr ähnlich der mittleren Kurve in Abb. 9, wie erwartet Abbildung 11. Handelskurse für die EURUSD-Stop-and-Reverse-Strategie einschließlich des Validierungszeitraums für die TradeStation. Der Code für beide Plattformen ist unten in Fig. 12. Klicken Sie auf das Bild, um die Code-Datei für die entsprechende Plattform zu öffnen. Die Prüfung des Codes zeigt, dass der regelbasierte Teil der Strategie für die langen und kurzen Seiten unterschiedliche volatilitätsbedingte Bedingungen verwendet. Die neuronalen Netzeingänge bestehen aus einer Vielzahl von Indikatoren, darunter Tag-von-Woche, Trend (ZLTrend), Intraday High, Oszillatoren (InvFisherCycle, InvFisherRSI), Bollinger Bands und Standardabweichung. Die Hybrid-Natur der Strategie ist direkt in der Code-Anweisung (aus dem TradeStation-Code) zu sehen: Wenn EntCondL und NNOutput gt 0,5 dann beginnen Buy (quotEnMark-Lquot) NShares Aktien nächsten Bar auf Markt Die Variable quotEntCondLquot stellt den regelbasierten Eintrag dar Bedingungen und quotNNOuputquot ist die Ausgabe des neuronalen Netzes. Beide Bedingungen müssen wahr sein, um den langen Eintrag zu platzieren. Der kurze Einstiegsvorgang funktioniert genauso. Abbildung 12. Trading-Strategie-Code für die EURUSD-Stop-and-Reverse-Strategie (links, MetaTrader 4 rechts, TradeStation). Klicken Sie auf die Abbildung, um die entsprechende Code-Datei zu öffnen. Laden Sie eine Builder-Projektdatei (.gpstrat) herunter, die die in diesem Artikel beschriebenen Einstellungen enthält. Dieser Artikel betrachtete den Prozess des Aufbaus einer hybriden Regel-basierten Netzwerk-Strategie für die EURUSD mit einem Stop-and-Reverse (immer im Markt) Ansatz mit Adaptrade Builder. Es wurde gezeigt, wie der Strategiecode für mehrere Plattformen generiert werden kann, indem er eine gemeinsame Teilmenge der Indikatoren auswählt, die in jeder Plattform dieselbe Weise funktionieren. Die notwendigen Einstellungen, um Strategien zu generieren, die von lang nach kurz und zurück umkehren, wurden beschrieben, und es wurde gezeigt, dass die resultierende Strategie positiv auf einem separaten Validierungssegment von Daten durchgeführt wurde. Es wurde auch überprüft, dass die Strategie ähnliche Ergebnisse mit der Daten - und Code-Option für jede Plattform erzeugt hat. Wie oben diskutiert, hat der Stop-and-Reverse-Ansatz mehrere Nachteile und kann nicht an alle appellieren. Allerdings kann ein immer-in-der-Markt-Ansatz attraktiver mit Forex-Daten, weil die Forex-Märkte rund um die Uhr handeln. Infolgedessen gibt es keine Session-Opening-Lücken, und die Trading-Aufträge sind immer aktiv und verfügbar, um den Handel umzukehren, wenn sich der Markt ändert. Die Verwendung von Intraday-Daten (4-Stunden-Bars) lieferte mehr Datenstäbe für den Einsatz im Build-Prozess, war aber ansonsten ziemlich willkürlich, da die alltägliche Art der Strategie bedeutet, dass Trades über Nacht getragen werden. Der Build-Prozess wurde erlaubt, verschiedene Bedingungen für die Eingabe von langen und kurzen, was zu einer asymmetrischen Stop-and-Reverse-Strategie zu entwickeln. Trotz des Namens tritt die daraus resultierende Strategie sowohl lange als auch kurze Trades auf Marktaufträgen ein, obwohl Markt-, Stop - und Limit-Aufträge vom Bauvorgang unabhängig für jede Seite berücksichtigt wurden. In der Praxis würde das Umkehren von Long zu Short bedeuten, dass die doppelte Anzahl der Aktien auf dem Markt kurzfristig verkauft werden sollte, da die Strategie derzeit z. B. Wenn die aktuelle Long-Position 100.000 Aktien war, würden Sie verkaufen kurze 200.000 Aktien am Markt. Ebenso, wenn die aktuelle Short-Position 100.000 Aktien war, würden Sie 200.000 Aktien auf dem Markt kaufen, um von kurz nach lang umzukehren. Es wurde eine kürzere Preisgeschichte verwendet, als wäre es ideal. Dennoch waren die Ergebnisse auf dem Validierungssegment positiv, was darauf hindeutet, dass die Strategie nicht übertroffen wurde. Dies unterstützt die Idee, dass ein neuronales Netzwerk in einer Handelsstrategie eingesetzt werden kann, ohne die Strategie auf den Markt zu übertreffen. Die hier vorgestellte Strategie ist nicht für den eigentlichen Handel gedacht und wurde nicht in Echtzeit verfolgt oder gehandelt. Allerdings kann dieser Artikel als Vorlage für die Entwicklung ähnlicher Strategien für die EURUSD oder andere Märkte verwendet werden. Wie immer sollte jede Handelsstrategie, die Sie entwickeln, gründlich in Echtzeit-Tracking oder auf separaten Daten getestet werden, um die Ergebnisse zu validieren und sich mit den Handelsmerkmalen der Strategie vor dem Live-Handel vertraut zu machen. Dieser Artikel erschien in der Februar 2015 Ausgabe des Adaptrade Software-Newsletters. HYPOTHETISCHE ODER SIMULATIERTE LEISTUNGSERGEBNISSE HABEN BESTIMMTE INHERENTE BESCHRÄNKUNGEN. UNTERNEHMEN EINE TATSÄCHLICHE LEISTUNGSAUFNAHME, ERFOLGREICHE ERGEBNISSE NICHT VERTRETEN AKTUELLES HANDEL. AUCH AUCH DIE HÄNDLER HABEN NICHT AKTUELL AUSGEFÜHRT WERDEN, DIE ERGEBNISSE KÖNNEN FÜR DIE AUSWIRKUNGEN, WENN JEDOCH, BESTIMMTE MARKTFAKTOREN, WIE FREI DER FLÜSSIGKEIT VORGESEHEN WERDEN KÖNNEN. SIMULIERTE HANDELSPROGRAMME IN ALLGEMEINEN SIND AUCH AUF DIE TATSACHE, DIE SIE MIT DEM BENEFIT VON HINDSIGHT ENTWICKELT WERDEN. KEINE REPRÄSENTATION IST GEMACHT, DASS JEDES KONTO WIRD ODER IST, WIE GEWINNT ODER VERLUSTE ÄNDERN ZU DIESEM ANGEBOT ZU ERHÖHEN. Wenn Sie sich über Neuentwicklungen, Neuigkeiten und Sonderangebote von Adaptrade Software informieren möchten, melden Sie sich bitte bei unserer E-Mail-Liste an. Vielen Dank. Neurale Netzwerke im Handel: Auswählen von Eingängen und Ausgängen Wenn Sie ein neuronales Netzwerk erstellen, ist eines der ersten Dinge, die Sie entscheiden müssen, welche Werte die Eingaben sein und welche Werte die Ausgänge Ihres Netzwerks sein werden. Die Ausgänge sind die Werte, die Sie 8211 vorhersagen möchten, um einen Gewinn innerhalb eines Handelssystems zu machen 8211 und die Eingaben sind die Werte, die es Ihnen ermöglichen, die Ausgänge mit genügender Genauigkeit vorherzusagen, um eine Ineffizienz zu bilden. Nun ist die Auswahl von Inputs und Outputs keine triviale Aufgabe, da dies die Mehrheit des Erfolges oder Misserfolgs eines handelnden neuronalen Netzes darstellt. Innerhalb von heute8217s Post Ich werde mit Ihnen einige Tipps, wie man Eingaben und Ausgänge zu wählen und wie sie zu Ineffizienzen in einer Weise, die möglicherweise nicht sehr intuitiv zu wählen. Ich werde Ihnen auch erklären, warum die meisten rechnerisch fundierten Inputoutput-Lösungen nicht die besten sind und warum dies der Fall ist. Ein neuronales Netzwerk wird durch einen Satz von Funktionsschichten gebildet, die einen bestimmten Satz von Eingangsvariablen (die Eingangsschicht) in einen gegebenen Satz von Ausgangswerten (die Ausgangsschicht) umwandeln. Zwischen den Ein - und Ausgabeschichten finden Sie eine abwechslungsreiche Anzahl von Ebenen und Funktionen (Neuronen) 8211 je nachdem, was Sie wählen 8211, die versuchen, Eingaben in Ausgänge mit möglichst geringem Fehler umzuwandeln. Dies geschieht mit Hilfe von Trainings-Sets, die es dem Netzwerk ermöglichen, seine verborgenen Layer-Koeffizienten anzupassen, um einen Satz von Daten anzupassen, für die die Ein - und Ausgabedaten bereits bekannt sind. The hope of course is that the network will hold at least the same predictive power within a non-trained set. The first thing you need to choose when you build a neural network for trading is exactly what values you want to predict. Do you want to predict the next day8217s close The next week8217s close The next support or resistance level Choosing the output of the network first allows you to know how you8217re going to build your inputs as you need to choose values that are able to predict the desired output. A very important thing here is to consider how you will normalize the output and if the output falls into what the neural network is 8220best at doing8221. Remember that in neural networks output values need to range from -1 to 1 (when using efficient sigmoid symmetric functions) since arbitrary outputs require the use of linear functions which are 8220very bad8221 at fitting the network. Once you choose the output you want the next logical step is to build inputs that you believe are predictive towards this output. Certainly before building the network there is no way of telling if one input will be better than another but you can obviously reduce the amount of variables you will use by doing a PCA (Principal Component Analysis) to filter out those variables which are evidently and heavily correlated. For example you might be interested in predicting the next week8217s close and you decide to use as inputs past weekly closes, open, highs and lows but it turns out that a PCA analysis 8211 as an example, I don8217t know if this is the case 8211 tells you that the close and open are very correlated and therefore it makes sense to only use the close, high and low. The PCA technique allows us to eliminate those variables which might be redundant within the network and therefore only increase complexity without increasing the quality of the results. Once you have a set of variables which are not correlated it is time to test how much predictive power they actually have against your desired output. If the results are initially discouraging it may be because you are missing an important piece of information within your inputs or because the shape of your output isn8217t appropriate. For example if you want to predict the weekly close and you have attempted to normalize it by diving it over the last week8217s close and then dividing it by two then doing a different mathematical operation over the output might increase the predictive quality of your network. Sometimes including information related with all inputs within the output can be a handy trick to 8220force8221 the network into 8220using8221 every piece of knowledge it has although the results will vary and you will need to assess which one works better. A very difficult aspect of neural network development for trading systems is to actually choose outputs which are useful for trading system development and yet accurate enough. For example you may be tempted to choose outputs and inputs that are very efficient for the neural network 8211 such as an output between 0 an 1 attempting to predict a week8217s change 8211 but it turns out that this is not predicted as well as predicting the week8217s close because predicting the weekly change using weekly change data makes the network loose a very important piece of information (absolute support and resistance levels) which are derived from direct price information. From a computational point of view it seems like the best solution but from a trading point of view you8217re missing a vital piece of information which is not included in weekly change data. A very interesting thing I have found out in the networks I have developed for Sunqu is that the use of absolute price values is very good since the network learns about support and resistance levels as they develop, actually trading around them in a certain way. Obviously the actual calculations done by the networks and their meaning are not known (remember that a neural network is for all practical purposes a black box) but looking at how trades are executed by the network shows a certain 8220taking into account8221 of things such as support and resistance. Since price is what you want to capture then taking into account absolute price values and basing predictors on them is a more straighforward way to system building than attempting to develop indicator output based networks. However this doesn8217t mean that you couldn8217t get good results in this way. Predicting things like RSI extremes will allow you to take advantage of rapid price movements before they happen and predicting moving average shifts in the long term will allow you to take long term trend following positions. Nonetheless whatever you want to predict (your output choice) needs to be accompanied by a very judicious decision of which inputs you will use, reinforced by an adequate PCA analysis which can show you the quality of your inputs and how well separated they are from one another. The pair choice will also be very important as certain pairs need fundamental inputs as they deeply affect the way in which they behave (a good example is a USDCAD neural network using US oil futures data). If you would like to learn more about my work in automated trading and how you too can get a true education in this field please consider joining Asirikuy. a website filled with educational videos, trading systems, development and a sound, honest and transparent approach towards automated trading in general. I hope you enjoyed this article. o)Neural Networks I personally feel that in order for us to create a truly robust Trading System we need to think outside the box. I also feel that we need to develop new tools rather than try to optimize old methods. It is amazing to see everyone here work so hard at building systems and for the benefit of all. I guess thats why I stopped lurking and would like to contribute. A few things I have been interested in and have been working on. Spectral Analysis. I have some software to create digital filters of raw price action. Neural Networks: cool but still boggles my mind. Market Sentiment: ideas in PDFs Attached Is anyone interested in brainstorming I think I will start with a lagging digital filter on the 30 minute euro. Neural Network Indicators Development Im trying to make some neural network indicators for metatrader4, and would like some sugestions, mostly regarding inputs and outputs of the net, and maybe the structure or type of net that you consider the best for this application. As far as in know the best outputs for financial series forecasting, are price range forcasting, tops or bottoms forecasting, and that tipe of things. Forecasting directly the price (open, close) doesnt get good results because to numerous reasons, for example a little shift on the time between the open time and the close time could change their values considerately. If anyone has a sugestion ill be glad to listen to it and try it. By the way, im no expert neural network programmer, i just have a good overall idea on the subject P. Thanks in advance, Im trying to make some neural network indicators for metatrader4, and would like some sugestions, mostly regarding inputs and outputs of the net, and maybe the structure or type of net that you consider the best for this application. As far as in know the best outputs for financial series forecasting, are price range forcasting, tops or bottoms forecasting, and that tipe of things. Forecasting directly the price (open, close) doesnt get good results because to numerous reasons, for example a little shift on the time between the open time and the close time could change their values considerately. If anyone has a sugestion ill be glad to listen to it and try it. By the way, im no expert neural network programmer, i just have a good overall idea on the subject P. Thanks in advance, NN is my thesis couple years ago. but almost forgotten now This idea can refresh my mind again. I think NN based on pattern recognition using backpropagation is good for forex data mining. Im prefer using high low data to feed the NN in order to predict the next daily range data.. I also think using high and low is much better than using open or close, to be truth i dont really like the open and close values for intraday analisis, as they seem rather inestable values if you make a displacement on when you place your start point. Median price also looks good, but i prefer highlow as the information loss in less. Ill probably use a moving average of the high and one of the low. Ive found the JMA to be a really good filter in comparison to regular MAs so ill do my first tests using a short period JMA without phase changes to avoid distorsion. So far the inputs im considering for predicting future ranges are: - JMA of High JMA of Low. - Date (Day of Month, ex. Monday, Thuesday. ). The other idea i have in mind is to use NN to forecast news events direction. I have a quite big database of forex fundamentals since some years, so i may use those as inputs. As for what type of neural network to use, im still doing some research, backpropagation NNs are the common standard for NNs, but there are others that seem to have very good results, like the time lagged recurrent networks (but they are hard to train and understand). Other idea i had, was to use a Fukushima NN, those are mainly made for image processing, but with some modifications i think they could be used for pattern recognition on timeseries. It is the thread where people are developing Neural Networks indicator for MT4. In Russian language, sorry. - they started with some e-books and articles - then some library files for Delphi 4 (NeuralBase, Neural Network Wizard, GeneBase, SOMBase, WavUtils) - then they coded many versions of indicator NeuroProba. mql4 (author is Rosh) - then they tested it and found many bugs and mistakes in calculation. This thread is not closed yet and seems they are continuing to development (it is necessary to register on their forum to see the attachments). Besides I found this link about Neural Networks (in English). It is the thread where people are developing Neural Networks indicator for MT4. In Russian language, sorry. - they started with some e-books and articles - then some library files for Delphi 4 (NeuralBase, Neural Network Wizard, GeneBase, SOMBase, WavUtils) - then they coded many versions of indicator NeuroProba. mql4 (author is Rosh) - then they tested it and found many bugs and mistakes in calculation. This thread is not closed yet and seems they are continuing to development (it is necessary to register on their forum to see the attachments). Besides I found this link about Neural Networks (in English). Awsome New Digital Ill look at the material in a few minutes. gotta break out the russian..which isnt so great, but I think that coupled with AltaVista ill be able to make a decent attempt. Im currently coding in CORTEX on other Neural Networks (NN from now on) and im planning to convert into MQ4. I think we should DEFINATLY keep this thread going because (and this is an opinion) NN are THE future of tecnical anaylsis. NNs, for those who arent geek enough to know..are basically algorythms that mimic the brain (not nessisarily the human brain..cuz that would be Mind bustingly complicated) in that it learns as it goes. Im writing the EAs to give advice on whether or not to take a particular signal based on small patterns that have come before when a similer signal was given. Thats what most NNs do, they search data for small patterns that would be meaningless to us, or even other algorthms and see what those patterns do over time. The first EA will feature Brain Trend. I ask that everyone be patient though, CORTEX coding takes time. rather, it takes time to train the NNs and perfect them. If anyone here is familier with CORTEX or Code conversion, any help would be appreciated. I understand why russian forum would go commercial. NNs are the current style with big money traders. So. what do you guys say i say take 2 moving averages, few sup-res lines and 1 or two filters and trade if you cant make money of simple system like this than dont expect from some NN to make you rich from my 3 years forex expirience i know how i would build perfect system but it will be long long coding. at leats 3 time frames to look, covering all possible situations, range, trend. and then aplying few systems together to get perfect results my advice to you is if you know how to trade than first trade, make money and one day when you have enaugh you can try to make NN JUST JOKING but botom line you dont need some NN to make money trading i spent second year of my trading making programms and testing dosens of systems and one day i realise i am not trading any of them and lot was good, profitable. i had first to reprogramm my brain to avoid fear, greed. and to discipline myself (and lost almost 70 of my account during that time) first find good system (there is several good here) make money, learn and than try to teach this NN to trade this system or just make EA to autotrade for you and when you make enaugh money you can buy comercial NN i say take 2 moving averages, few sup-res lines and 1 or two filters and trade if you cant make money of simple system like this than dont expect from some NN to make you rich from my 3 years forex expirience i know how i would build perfect system but it will be long long coding. at leats 3 time frames to look, covering all possible situations, range, trend. and then aplying few systems together to get perfect results my advice to you is if you know how to trade than first trade, make money and one day when you have enaugh you can try to make NN JUST JOKING but botom line you dont need some NN to make money trading i spent second year of my trading making programms and testing dosens of systems and one day i realise i am not trading any of them and lot was good, profitable. i had first to reprogramm my brain to avoid fear, greed. and to discipline myself (and lost almost 70 of my account during that time) first find good system (there is several good here) make money, learn and than try to teach this NN to trade this system or just make EA to autotrade for you and when you make enaugh money you can buy comercial NN I know what you mean I spend months going over historical data for all kinds of indicators and systems. and the bottom line is that any number of them could make pips on any given trade. All im saying here is that it would be nice to have an INDIPENDANT system, that works in a DIFFERENT way to either confirm or deny what your indicator or system is telling you. I trade with Brain Trend, MTFMACD, MoneyMap (MQ4 version) and I do pretty well. But it would still be nice to have that secondary system running in the background to say based on 15 years of historical data, this signal when occuring with this currency pair, in this time frame, with this volume, has proven to be unreliable, I cant advice this trade Yes, some might call it overkill. but I call it having a FOREX pro wathcing over my shoulder. For as long as humans are creatures of habit and continue to create cycles (of any size) I would argue that this is what a well trained FOREX NN would be. I dont call that overkill if it keeps me from losing some chips. Our experiances seem strikingly similer, though, im a newbie. just starting my second year as a trader trading with real money. I spent the last several months just going over indicators THAT I KNEW WORKED. and just spinning my wheels..for fear of making bad trades. But..I guess thats why I want to develope the NN. it doesnt know fear, and responds to market data the way no human can. They can find meaning in the smallest of price patterns. things that our ordinary indicators cant. If MQ4 indicators are binoculars..then the NN is the hubble. I think its worth developing here. Thanks NewDigital, I found a copy of neuroproba. It looks interesting. I dont see any bugs in the MQ4 file, but without seeing the script for the NN I cant say if it is accurate or not. one reason people might have given up on it is that for it to do anything but show two horizontal lines (one red and one yellow, with the version I have) you have to set the StudyNumber to above 100. I tweaked it and got it to match the signals that Brain Trend gives. That setting is 200. Im not sure about the NN aspect of this indicator though. Do you possibly know where a copy of the script file for the NN might be floating around Oh, and the second link you gave is to snowseed, where they talk about CORTEX, which is a very good freeware program for programming NNs. Thanks New Digital Join us download MetaTrader 5 Copyright 2000-2016, MQL5 Ltd.
No comments:
Post a Comment