Neural Net Forex Trading

Réseaux de neurones: profils de prévision Les réseaux de neurones sont des algorithmes de pointe, faciles à gérer, qui imitent certains aspects majeurs du fonctionnement du cerveau humain. Cela leur donne une capacité unique d'autoformation, la capacité de formaliser des informations non classifiées et, surtout, la possibilité de faire des prévisions sur la base des informations historiques dont elles disposent. Les réseaux neuronaux ont été utilisés de plus en plus dans une variété d'applications d'affaires, y compris des solutions de recherche de prévision et de marketing. Dans certains domaines, tels que la détection des fraudes ou l'évaluation des risques. Ils sont les chefs incontestables. Les principaux domaines dans lesquels les réseaux de neurones ont trouvé application sont les opérations financières, la planification d'entreprise, le commerce, l'analyse des affaires et la maintenance des produits. Les réseaux neuronaux peuvent être appliqués de manière lucrative par tous les types de commerçants, donc si vous êtes un commerçant et vous n'avez pas encore été introduit aux réseaux de neurones, bien vous prendre à travers cette méthode d'analyse technique et vous montrer comment l'appliquer à votre style de négociation. La plupart des gens n'ont jamais entendu parler de réseaux de neurones et, s'ils ne sont pas des commerçants, ils n'ont probablement pas besoin de savoir ce qu'ils sont. Ce qui est vraiment surprenant, cependant, est le fait qu'un grand nombre de ceux qui pourraient bénéficier richement de la technologie de réseaux neuronaux n'ont jamais entendu parler de lui, le prendre pour une noble idée scientifique ou de penser à elle comme d'un gadget marketing slick. Il ya aussi ceux qui mettent tous leurs espoirs sur les réseaux de neurones, lionizing les filets après une certaine expérience positive avec eux et les considérer comme une solution à puce argentée à tout type de problème. Cependant, comme toute stratégie commerciale. Les réseaux de neurones ne sont pas un correctif rapide qui vous permettra de le frapper riche en cliquant sur un bouton ou deux. En fait, la bonne compréhension des réseaux de neurones et leur but est vitale pour leur application réussie. En ce qui concerne le commerce, les réseaux de neurones sont une nouvelle méthode unique d'analyse technique, destinée à ceux qui adoptent une approche de réflexion de leur entreprise et sont prêts à contribuer un peu de temps et d'efforts pour rendre cette méthode de travail pour eux. Le meilleur de tous, lorsqu'ils sont appliqués correctement, réseaux neuronaux peuvent apporter un profit sur une base régulière. Utiliser les réseaux neuronaux pour découvrir des possibilités Un malentendu majeur est que de nombreux commerçants erreur réseaux neuronaux pour un outil de prévision qui peut offrir des conseils sur la façon d'agir dans une situation particulière du marché. Les réseaux neuronaux ne font aucune prévision. Au lieu de cela, ils analysent les données sur les prix et découvrent des opportunités. En utilisant un réseau de neurones, vous pouvez prendre une décision commerciale basée sur des données analysées en profondeur, ce qui n'est pas nécessairement le cas lorsque l'on utilise des méthodes d'analyse technique traditionnelles. Pour un commerçant sérieux et pensant, les réseaux de neurones sont un outil de nouvelle génération avec un grand potentiel qui peut détecter subtiles non linéaires interdépendances et les modèles que d'autres méthodes d'analyse technique sont incapables de découvrir. Les meilleurs filets Tout comme n'importe quel type de grand produit ou technologie, les réseaux de neurones ont commencé à attirer tous ceux qui sont à la recherche d'un marché en herbe. Torrents d'annonces sur la prochaine génération de logiciels ont inondé le marché - annonces célébrant le plus puissant de tous les algorithmes de réseau neural jamais créé. Même dans les cas rares où les revendications de publicité ressemblent à la vérité, gardez à l'esprit qu'une augmentation de 10 de l'efficacité est probablement le plus que vous obtiendrez jamais à partir d'un réseau de neurones. En d'autres termes, il ne produit pas de résultats miraculeux et indépendamment de la façon dont il fonctionne dans une situation particulière, il y aura quelques ensembles de données et des classes de tâches pour lesquelles les algorithmes précédemment utilisés restent supérieurs. Rappelez-vous ceci: ce n'est pas l'algorithme qui fait l'affaire. Des informations sur les entrées bien préparées sur l'indicateur ciblé sont la composante la plus importante de votre succès avec les réseaux de neurones. Est-ce que la convergence est plus rapide? Beaucoup de ceux qui utilisent déjà des réseaux de neurones croient à tort que plus leur filet fournit des résultats, mieux c'est. Ceci, cependant, est une illusion. Un bon réseau n'est pas déterminé par la vitesse à laquelle il produit des résultats et les utilisateurs doivent apprendre à trouver le meilleur équilibre entre la vitesse à laquelle le réseau se forme et la qualité des résultats qu'elle produit. Application correcte des filets de Neural Beaucoup de commerçants appliquent les réseaux neuronaux incorrectement parce qu'ils placent trop de confiance dans le logiciel qu'ils utilisent tous sans avoir été fournis avec des instructions appropriées sur la façon de l'utiliser correctement. Pour utiliser un réseau de neurones de la bonne façon et, par conséquent, avec profit, un commerçant devrait prêter attention à toutes les étapes du cycle de préparation du réseau. C'est le commerçant et non son réseau qui est responsable d'inventer une idée, de formaliser cette idée, de la tester et de l'améliorer, et enfin de choisir le bon moment pour en disposer quand elle n'est plus utile. Considérons les étapes de ce processus crucial avec plus de détails: 1. Trouver et formaliser une idée commerciale Un commerçant devrait comprendre pleinement que son réseau neural n'est pas destiné à inventer des idées et des concepts commerciaux gagnants. Il est destiné à fournir les informations les plus fiables et les plus précises possible sur l'efficacité de votre idée de trading ou de concept. Par conséquent, vous devriez trouver une idée commerciale originale et définir clairement le but de cette idée et ce que vous espérez obtenir en l'employant. C'est l'étape la plus importante du cycle de préparation du réseau. 2. Améliorer les paramètres de votre modèle Vous devez ensuite essayer d'améliorer la qualité globale du modèle en modifiant l'ensemble de données utilisé et en ajustant les différents paramètres. Figure 1: Spécification de l'algorithme d'optimisation et de ses propriétés 3. Disposition du modèle lorsqu'il devient obsolète Chaque modèle basé sur le réseau neuronal a une durée de vie et ne peut pas être utilisé indéfiniment. La longévité d'une durée de vie des modèles dépend de la situation du marché et de la durée pendant laquelle les interdépendances de marché reflétées dans celle-ci restent d'actualité. Cependant, tôt ou tard, tout modèle devient obsolète. Lorsque cela se produit, vous pouvez soit recycler le modèle en utilisant des données entièrement nouvelles (c'est-à-dire remplacer toutes les données qui ont été utilisées), ajouter de nouvelles données à l'ensemble de données existantes et former le modèle à nouveau, ou simplement retirer le modèle tout à fait. Beaucoup de commerçants font l'erreur de suivre le chemin le plus simple - ils s'appuient fortement sur et utilisent l'approche pour laquelle leur logiciel fournit la fonctionnalité la plus conviviale et automatisée. Cette approche la plus simple est de prévoir un prix à quelques bars à l'avance et baser votre système commercial sur cette prévision. D'autres opérateurs prévoient un changement de prix ou un pourcentage du changement de prix. Cette approche produit rarement de meilleurs résultats que la prévision du prix directement. Les deux approches simplistes ne parviennent pas à découvrir et à exploiter de façon rentable la plupart des interdépendances importantes à long terme et, par conséquent, le modèle devient rapidement obsolète à mesure que les forces motrices mondiales changent. L'approche globale la plus optimale à l'utilisation des réseaux neuronaux Un commerçant prospère se concentrera et passera un peu de temps à sélectionner les éléments d'entrée de gouvernance pour son réseau neuronal et à ajuster leurs paramètres. Il ou elle passera de (au moins) plusieurs semaines - et parfois jusqu'à plusieurs mois - le déploiement du réseau. Un trader réussi va également ajuster son net à l'évolution des conditions tout au long de sa durée de vie. Puisque chaque réseau ne peut couvrir qu'un aspect relativement petit du marché, les réseaux de neurones devraient également être utilisés dans un comité. Utilisez autant de réseaux neuronaux que nécessaire - la capacité d'employer plusieurs à la fois est un autre avantage de cette stratégie. De cette façon, chacun de ces filets multiples peut être responsable de certains aspects spécifiques du marché, vous donnant un avantage majeur à travers le conseil. Cependant, il est recommandé de conserver le nombre de filets que vous utilisez dans la fourchette de cinq à 10. Enfin, les réseaux de neurones doivent être combinés avec une des approches classiques. Cela vous permettra de mieux tirer parti des résultats obtenus en fonction de vos préférences commerciales. Conclusion Vous ne rencontrerez le vrai succès avec les réseaux neuraux que lorsque vous arrêterez de chercher le meilleur filet. Après tout, la clé de votre succès avec les réseaux neuronaux réside non pas dans le réseau lui-même, mais dans votre stratégie de négociation. Par conséquent, pour trouver une stratégie rentable qui fonctionne pour vous, vous devez développer une idée forte sur la façon de créer un comité de réseaux de neurones et de les utiliser en combinaison avec les filtres classiques et les règles de gestion de l'argent. Pour la lecture connexe, consultez Neural Trading: clés biologiques à profit et le Trading Systems Codage Tutoriel. Un terme utilisé par John Maynard Keynes utilisé dans un de ses livres d'économie. Dans sa publication de 1936, la théorie générale de l'emploi. Loi qui prévoit un grand nombre de réformes aux lois et aux règlements des régimes de retraite des États-Unis. Cette loi en a fait plusieurs. Une mesure de la part active de la main-d'œuvre d'une économie. Le taux de participation se réfère au nombre de personnes qui sont. L'ensemble du stock de monnaie et d'autres instruments liquides dans l'économie d'un pays à un moment donné. La masse monétaire. 1. En général, une situation d'égalité. La parité peut se produire dans de nombreux contextes différents, mais cela signifie toujours deux choses. Une classification des actions de négociation lorsqu'un dividende déclaré appartient au vendeur plutôt qu'à l'acheteur. Un stock sera. SnowCron Algorithme génétique dans les systèmes de trading FOREX utilisant Algorithme génétique pour créer rentable FOREX Trading Strategy. Algorithme génétique dans le réseau de réseaux neuronaux du cortex Feedforward Backpropagation Réseau neuronal Application pour les calculs génétiques basés trading Forex. Cet exemple utilise des concepts et des idées de l'article précédent, alors s'il vous plaît lisez Algorithme génétique réseau neuronal dans Forex Trading Systems d'abord, mais il n'est pas obligatoire. À propos de ce texte Tout d'abord, veuillez lire l'avertissement. Ceci est un exemple d'utilisation de la fonctionnalité de l'algorithme génétique du logiciel de réseaux neuronaux de Cortex, et non un exemple de la façon de faire du commerce rentable. Je ne suis pas votre gourou, je ne devrais pas non plus être responsable de vos pertes. Cortex Neural Networks Software a des réseaux de neurones en elle, et FFBP nous avons discuté avant est seulement une façon de choisir des stratégies de trading forex. C'est une bonne technique, puissante et appliquée correctement, très prometteuse. Cependant, il a un problème - pour enseigner le Réseau Neural. Nous devons connaître la sortie souhaitée. Il est assez facile de le faire lorsque nous faisons l'approximation de la fonction, nous prenons simplement la valeur réelle d'une fonction, parce que nous savons ce qu'elle devrait être. Quand nous faisons des prévisions de réseaux neuronaux. Nous utilisons la technique (décrite dans les articles précédents) d'enseigner le réseau neuronal sur l'histoire, encore une fois, si nous prédisons, disons, un taux de change, nous savons (pendant la formation) ce que la prédiction correcte est. Cependant, lorsque nous construisons un système de négociation, nous n'avons aucune idée de ce que la décision de négociation correcte est, même si nous savons le taux de change Comme la question de fait, nous avons beaucoup de stratégies de trading de forex, nous pouvons utiliser à tout moment, Nous devons trouver un bon - comment Que devons-nous nourrir comme la sortie souhaitée de notre réseau neuronal Si vous avez suivi notre article précédent, vous savez, que nous avons triché pour faire face à ce problème. Nous avons enseigné le réseau neuronal pour faire la prévision du taux de change (ou taux de change basé indicateur), puis utilisé cette prédiction pour faire du commerce. Ensuite, en dehors de la partie réseau neuronal du programme, nous avons pris une décision sur quel réseau neuronal est le meilleur. Algorithmes génétiques peuvent traiter ce problème directement, ils peuvent résoudre le problème déclaré comme trouver les meilleurs signaux commerciaux. Dans cet article, nous allons utiliser Cortex Neural Networks Software pour créer un tel programme. Utilisation de l'algorithme génétique Les algorithmes génétiques sont très bien développés et très divers. Si vous voulez en savoir plus sur eux, je vous suggère d'utiliser Wikipedia, car cet article est seulement sur ce que le logiciel Cortex Neural Networks peut faire. Avoir un logiciel de réseaux neuronaux Cortex. Nous pouvons créer un réseau neuronal qui prend une certaine entrée, disons, les valeurs d'un indicateur, et produit une certaine sortie, par exemple, les signaux de négociation (acheter, vendre, tenir.) Et arrêter les niveaux de perte / prise de profit pour les positions à ouvrir. Bien sûr, si nous semons ce réseau neuronal poids s au hasard, les résultats commerciaux seront terribles. Cependant, disons que nous avons créé une douzaine de tels NN. Ensuite, nous pouvons tester la performance de chacun d'entre eux, et choisir le meilleur, le gagnant. C'était la première génération de NN. Pour continuer à la deuxième génération, nous devons permettre à notre gagnant de procréer, mais pour éviter d'obtenir des copies identiques, ajoute un peu de bruit aléatoire à ses poids descendants. Dans la deuxième génération, nous avons notre gagnant de première génération et ses copies imparfaites (mutées). Permet de faire des tests à nouveau. Nous aurons un autre gagnant, qui est MIEUX alors tout autre réseau neuronal dans la génération. Etc. Nous permettons simplement aux gagnants de se reproduire, et d'éliminer les perdants, tout comme dans l'évolution de la vie réelle, et nous obtiendrons notre meilleur réseau commercial de neurones. Sans aucune connaissance préalable sur ce que le système commercial (algorithme génétique) devrait être comme. Réseau neuronal Algorithme génétique: Exemple 0 C'est le premier exemple d'algorithme génétique. Et un très simple. Nous allons le parcourir étape par étape, pour apprendre toutes les astuces que les exemples suivants utiliseront. Le code contient des commentaires en ligne, alors laissez-nous nous concentrer sur les moments clés. Tout d'abord, nous avons créé un réseau de neurones. Il utilise des poids aléatoires et n'a pas encore été enseigné. Puis, en cycle, nous en faisons 14 copies, en utilisant MUTATIONNN fumction. Cette fonction fait une copie d'un réseau neuronal source. En ajoutant des valeurs aléatoires de 0 à (dans notre cas) 0,1 à tous les poids. Nous gardons les poignées à 15 NNs résultants dans un tableau, nous pouvons le faire, car handle est juste un nombre entier. La raison pour laquelle nous utilisons 15 NNs n'a rien à voir avec la négociation: Cortex Neural Networks Software peut tracer jusqu'à 15 lignes sur un graphique simultanément. Nous pouvons utiliser différentes approches pour les tests. Tout d'abord, nous pouvons utiliser l'ensemble d'apprentissage, tout cela à la fois. Deuxièmement, nous pouvons tester sur, disons, 12000 resords (sur 100000), et marcher à travers l'ensemble d'apprentissage, du début à la fin. Cela rendra les apprentissages différents, car nous allons chercher des réseaux neuronaux qui sont rentables sur une partie donnée de données, et pas seulement sur l'ensemble. La deuxième approche peut nous donner des problèmes, si les données changent, du début à la fin. Ensuite, le réseau va évoluer, l'obtention de la capacité de négocier à la fin de l'ensemble de données, et la perte de la capacité de négocier à son début. Pour résoudre ce problème, nous allons prendre des fragments de 12000 enregistrements aléatoires à partir de données, et de l'alimenter au réseau neuronal. Est simplement un cycle sans fin, car 100000 cycles ne seront jamais atteints à notre vitesse. Ci-dessous nous ajoutons un enfant pour chaque réseau, avec des poids légèrement différents. Notez que 0.1 pour mutation tange n'est pas le seul choix, comme la question de fait, même ce paramètre peut être optimisé en utilisant l'algorithme génétique. Les NN nouvellement créés sont ajoutés après 15 noms existants. De cette façon, nous avons 30 NN dans un tableau, 15 anciens et 15 nouveaux. Ensuite, nous allons faire le prochain cycle de tests, et de tuer les perdants, des deux générations. Pour faire des tests, nous appliquons le réseau neuronal à nos données, pour produire des sorties, puis appelez la fonction Test, qui utilise ces sorties pour simuler la négociation. Les résultats de la négociation sont utilisés pour deside, qui NNs sont les meilleurs. Nous utilisons un intervalle de nLearn enregistrements, de nStart à nStart nLearn, où nStart est un point aléatoire dans le jeu d'apprentissage. Le code ci-dessous est un truc. La raison pour laquelle nous l'utilisons est d'illustrer le fait que l'algorithme génétique peut créer un algorithme génétique. Mais ce ne sera pas nécessairement le meilleur, et aussi, pour suggérer, que nous pouvons améliorer le résultat, si nous impliquons quelques limitations au processus d'apprentissage. Il est possible que notre système de négociation fonctionne très bien sur les longs métiers, et très faible sur court, ou vice versa. Si, par exemple, les métiers longs sont TRÈS bons, cet algorithme génétique peut gagner, même avec des pertes importantes sur les métiers de courte durée. Pour l'éviter, nous attribuons plus de poids aux métiers longs dans les métiers bizarres et courts dans des cycles pairs. C'est juste un exemple, il n'y a aucune garantie, qu'il améliorera quelque chose. Plus d'informations ci-dessous, dans la discussion sur les corrections. Techniquement, vous n'avez pas à le faire, ou peut le faire différemment. Ajoutez du profit à un tableau trié. Il retourne une position d'insertion, puis nous utilisons cette position pour ajouter le gestionnaire de réseau neuronal, l'apprentissage et les bénéfices de test aux matrices non triées. Maintenant nous avons des données pour le réseau neuronal actuel au même indice de tableau que son profit. L'idée est d'arriver à un tableau de NN, triés par la rentabilité. Comme le tableau est trié par le profit, pour supprimer la moitié des réseaux, qui sont moins rentables, nous avons juste besoin d'enlever NNs 0 à 14 Les décisions de négociation sont basées sur la valeur du signal réseau neuronal, de ce point de vue le programme est identique Exemples de l'article précédent. Stratégie Trading FOREX: Discuter exemple 0 Tout d'abord, nous allons jeter un oeil à des graphiques. Le premier graphique de profit au cours de la première itération n'est pas bon du tout, comme on peut s'y attendre, le réseau neuronal perd de l'argent (image evolution00gen0.png copié après la première itération du dossier images): L'image pour le profit sur le cycle 15 est meilleure, parfois , Algorithme génétique peut apprendre très vite: Cependant, remarquez la saturation sur une courbe de profit. Il est intéressant également de regarder la façon dont les profits individuels changent, en gardant à l'esprit, que le nombre de courbes, disons, 3 n'est pas toujours pour le même réseau neuronal. Comme ils sont nés et résiliés tout le temps: Notez également, que peu Forex système commercial automatisé effectue pauvres sur les métiers de courte durée, et beaucoup mieux sur longs, qui peut ou non être lié au fait, que le dollar a été en baisse par rapport à Euro pendant cette période. Il peut aussi avoir quelque chose à voir avec les paramètres de notre indicateur (peut-être, nous avons besoin de période différente pour les courts métrages) ou le choix des indicateurs. Voici l'histoire après 92 et 248 cycles: À notre grande surprise, l'algorithme génétique a échoué complètement. Essayons de comprendre pourquoi, et comment aider la situation. Tout d'abord, n'est pas chaque génération censé être mieux que le previuos La réponse est non, du moins pas dans le modèle que nous avons utilisé. Si nous avons pris ENTIER apprentissage ensemble à la fois, et utilisé à plusieurs reprises pour enseigner nos NN, alors oui, ils vont améliorer sur chaque génération. Mais au lieu de cela, nous avons pris des fragments aléatoires (12000 enregistrements dans le temps) et les avons utilisés. Deux questions: pourquoi le système a échoué sur des fragments aléatoires de l'ensemble d'apprentissage, et pourquoi havent nous avons utilisé tout ensemble d'apprentissage Bien. Pour répondre à la deuxième question, je l'ai fait. NNs ont accompli beaucoup - sur l'ensemble d'apprentissage. Et ils ont échoué sur l'ensemble de tests, pour la même raison, il échoue lorsque nous avons utilisé l'apprentissage FFPB. En d'autres termes, nos NN se sont surspécialisés, ils ont appris à survivre dans l'environnement auquel ils sont habitués, mais pas à l'extérieur. Cela arrive beaucoup dans la nature. L'approche que nous avons prise à la place était destinée à compenser cela, en obligeant NNs à effectuer de bonnes sur n'importe quel fragment aléatoire de l'ensemble de données, de sorte que, espérons-le, ils pourraient également effectuer sur un ensemble de tests peu familier. Au lieu de cela, ils ont échoué à la fois sur les tests et sur l'ensemble d'apprentissage. Imaginez des animaux, vivant dans un désert. Beaucoup de soleil, pas de neige du tout. Il s'agit d'une métafor pour rizing marché, comme pour nos données NNs jouer le rôle de l'environnement. Les animaux ont appris à vivre dans un désert. Imaginez des animaux qui vivent dans un climat froid. Neige et pas de soleil du tout. Eh bien, ils ont ajusté. Cependant, dans notre expérience, nous avons placé au hasard nos NN dans un désert, dans la neige, dans l'eau, sur les arbres. En les présentant avec différents fragments de données (hausse aléatoire, baisse, plat.). Des animaux sont morts. Ou, pour le dire autrement, nous avons sélectionné le meilleur réseau neuronal pour l'ensemble de données aléatoires 1, qui, disons, était pour la hausse du marché. Ensuite, nous avons présenté, aux gagnants et à leurs enfants, une baisse des données sur les marchés. NNs mal exécuté, nous avons pris le meilleur des artistes pauvres, peut-être, l'un des enfants mutants, qui a perdu la capacité de commerce sur la hausse du marché, mais a obtenu une certaine capacité à faire face à la chute. Ensuite, nous avons tourné la table à nouveau, et encore, nous avons obtenu le meilleur interprète - mais le meilleur parmi les mauvais interprètes. Nous n'avons tout simplement pas donner à nos NN toutes les chances de devenir universel. Il existe des techniques permettant à l'algorithme génétique d'apprendre de nouvelles informations sans perdre de performance sur de vieilles informations (après tout, les animaux peuvent vivre en été et en hiver, à droite). Nous pouvons discuter de ces techniques plus tard, bien que cet article est plus sur l'utilisation de Cortex Neural Networks Software. Que sur la construction d'un système de trading automatisé forex succès. Algorithme génétique du réseau neuronal: Exemple 1 Il est maintenant temps de parler de corrections. Un algorithme génétique simple que nous avons créé au cours de l'étape précédente comporte deux failles majeures. Premièrement, il n'a pas échangé avec le profit. Il est ok, nous pouvons essayer d'utiliser partiellement formé système (il était rentable au début). Le deuxième défaut est plus grave: nous n'avons aucun contrôle sur les choses, que ce système fait. Par exemple, il peut apprendre à être rentable, mais avec des tirages énormes. C'est un fait bien connu, que dans la vie réelle, l'évolution peut optimiser plus d'un paramètre simultanément. Par exemple, nous pouvons obtenir un animal, qui peut courir vite et être résistant au froid. Pourquoi ne pas essayer de faire de même dans notre système de trading automatisé forex. C'est quand nous utilisons des corrections, qui ne sont rien d'autre que l'ensemble des peines supplémentaires. Disons, notre système trades avec drawdown 0,5, alors que nous voulons le confirmer à 0 - 0,3 intervalle. Pour dire au système qu'il a fait une erreur, nous diminuer son bénéfice (un utilisé pour déterminer, quel algorithme génétique a gagné) au degré, qui est proportionnel à la taille de DD. Ensuite, l'algorithme d'évolution s'occupe du reste. Il y a peu d'autres facteurs que nous voulons prendre en considération: nous pouvons vouloir avoir un nombre plus ou moins égal d'opérations d'achat et de vente, nous voulons avoir plus d'opérations rentables, puis d'échecs, Être linéaire et ainsi de suite. Dans evolution01.tsc, nous mettons en œuvre un ensemble simple de corrections. Tout d'abord, nous utilisons un grand nombre pour une valeur de correction initiale. Nous le multiplions à une petite (habituellement, entre 0 et 1) valeurs, en fonction de la punition que nous voulons appliquer. Ensuite, nous multiplions notre profit par cette correction. En conséquence, le profit est corrigé, pour refléter à quel point l'algorithme génétique correspond à nos autres critères. Ensuite, nous utilisons le résultat pour trouver un réseau neuronal gagnant. Stratégie de trading FOREX: Discussion de l'exemple 1 L'exemple 1 fonctionne beaucoup mieux que l'exemple 0. Au cours des 100 premiers cycles, il a beaucoup appris et les graphiques de bénéfices semblent rassurants. Cependant, comme dans l'exemple 0, les métiers longs sont beaucoup plus rentables, ce qui signifie très probablement qu'il ya un problème dans notre approche. Néanmoins, le système a trouvé un équilibre entre deux conditions initiales contradictoires: Il ya une certaine dynamique positive à la fois dans le jeu d'apprentissage et, plus important, dans l'ensemble de tests. En ce qui concerne les apprentissages ultérieurs, au cycle 278, nous pouvons voir que notre système a été surexposé. Cela signifie que nous avons encore des progrès sur le jeu d'apprentissage: Mais l'ensemble de tests montre la faiblesse: C'est un problème commun avec les NN: quand on l'enseigne sur le jeu d'apprentissage, il apprend à y faire face et parfois, il apprend trop bien - Degré, quand il perd la performance sur l'ensemble d'essai. Pour faire face à ce problème, une solution traditionnelle est utilisée: nous continuons à chercher le réseau neuronal. Qui effectue le meilleur sur le jeu de test, et l'enregistrer, en écrasant le meilleur précédent, chaque fois que le nouveau pic est atteint. C'est la même approche, nous avons utilisé dans la formation FFBP, sauf, cette fois, nous devons le faire nous-mêmes (l'ajout de code, qui cherche un meilleur réseau neuronal sur un ensemble de tests, et d'appeler SAVENN, ou d'exporter des poids de réseau neuronal à un fichier). De cette façon, lorsque vous arrêtez votre formation, vous aurez le meilleur interprète sur le SET test enregistré et vous attend. Notez également que ce n'est pas le max. Profit que vous êtes après, mais les performances optimales, alors envisager d'utiliser des corrections, lors de la recherche d'un meilleur interprète sur un ensemble de tests. Algorithme génétique pour l'analyse technique de FOREX: Où maintenant Après que vous ayez obtenu votre réseau de neurones gagnant. Vous pouvez suivre les étapes, décrites dans l'article précédent, pour exporter les poids de ce réseau neuronal. Et puis de les utiliser dans votre plateforme de trading en temps réel, comme Meta Trader, Trade Station et ainsi de suite. Alternativement, vous pouvez vous concentrer sur d'autres façons d'optimiser le réseau neuronal. Contrairement à l'algorithme FFBP, ici vous pouvez obtenir avay d'utiliser des ensembles d'apprentissage et de test, et de déplacer l'apprentissage séquentiel. Télécharger Cortex Order Cortex Voir la liste des prix La visibilité est très importante pour ce site. Si vous le désirez, veuillez accéder à cette URL