أنظمة وراثية تداول ،

شفرة المصدر المتقدمة. كوم. إضغط هنا للتحميل. الخوارزميات الجينية تنتمي إلى فئة من خوارزميات تعلم الآلة التي تم استخدامها بنجاح في عدد من المجالات البحثية. هناك اهتمام متزايد باستخدامها في الاقتصاد المالي، ولكن حتى الآن لم يكن هناك تحليل رسمي يذكر. في سوق الأوراق المالية، قاعدة التداول التقني هو أداة شعبية للمحللين والمستخدمين للقيام أبحاثهم وتقرر شراء أو بيع أسهمهم. المسألة الرئيسية لنجاح قاعدة التداول هي اختيار القيم لجميع المعلمات ومجموعاتها. ومع ذلك، فإن مجموعة من المعلمات يمكن أن تختلف في مجال واسع، لذلك فمن الصعب على المستخدمين العثور على أفضل مزيج المعلمة. باستخدام خوارزمية وراثية، يمكننا أن ننظر لكل من هيكل ومعلمات القواعد في نفس الوقت. لقد قمنا بتحسين نظام التداول الذي تم تطويره من قبل ألفريدو روزا باستخدام الخوارزميات الجينية. تم اكتشاف جديدة، معقدة 16-بار قواعد التداول واختبارها على الإيطالية فيب مع نتائج رائعة. مصطلحات الفهرس: ماتلاب، المصدر، الكود، استخراج البيانات، نظام التداول، التنبؤ بسوق الأوراق المالية، استخراج قاعدة التداول، الخوارزميات الجينية، أنظمة التداول، الرسم البياني للشريط، مخطط الشمعدان، أنماط الأسعار، تركيبة المعلمة. الشكل 1. التركيب الوراثي نمط السعر المعقد الأمثل الذي اكتشفته الخوارزميات الجينية. رمز تجريبي (محمية P - الملفات) المتاحة لتقييم الأداء. ماتلاب الأدوات المالية، الخوارزمية الجينية وأدوات البحث المباشر مطلوبة. نوصي للتحقق من اتصال آمن إلى باي بال، من أجل تجنب أي احتيال. هذا التبرع يجب أن يعتبر تشجيع لتحسين القانون نفسه. نظام التجارة الوراثية - انقر هنا للتبرع الخاص بك. من أجل الحصول على شفرة المصدر لديك لدفع مبلغ قليل من المال: 90 وروز (أقل من 126 دولار أمريكي). مرة واحدة كنت قد فعلت هذا، يرجى مراسلتنا عبر البريد الإلكتروني luigi. rosatiscali. it في أقرب وقت ممكن (في غضون أيام قليلة) سوف تتلقى لدينا الإصدار الجديد من نظام التجارة الوراثية. بدلا من ذلك، يمكنك الاستفادة باستخدام الإحداثيات المصرفية لدينا: تستخدم هذه الصفحة الإطارات، ولكن المتصفح الخاص بك لا يدعمهم. يوفر غريل إشارات التداول اليومية لمجموعة مختارة من الأسواق المشتقة بما في ذلك سامب، اليورو العملات، هانغ سنغ، داكس و فتس الآجلة. أدخل لقراءة المزيد عن نظام سامب الذي حقق 385 نقطة ربح بين مارس 2002-أكتوبر 2003 (77.1 p. a.) خلال التداول في الوقت الحقيقي نيو. إنشاء النظام الجيني منشئ أنظمة التداول قوية مع الكشف عنها تماما إيسيلانغواج تم في السوق من اختيارك. وتشمل البرامج إدارة الأموال واحدة من نوع المحفظة الوراثي محسن. لا غنى عنه لأي تاجر الأنظمة: من المبتدئين إلى مدير صندوق التحوط عرض تجريبي مجاني المتاحة. لعرض الرسوم البيانية الأسهم من أنظمة التداول التي وضعتها غسب، الرجاء الضغط هنا يمكن لبرنامج إدارة الأموال لدينا تعزيز الأرباح من نظام التداول الحالي. طلب تقريرنا التي سوف تظهر لك في 8 خطوات سهلة، وكيفية تنفيذ أي من استراتيجيات إدارة الأموال موقف التحجيم التالية على النظام الخاص بك: الهامش، والمخاطر، وأفضل f، المخفف الأمثل و، كيلي معيار، المخفف كيلي والتقلب. (جميع ترادستاتيون إيسيلانغواج تم كود وشملت) ونحن متخصصون في تصميم والبرمجة واختبار أنظمة التداول في ترادستاتيون تم. باسكال، C و Excel. A نظام تداول الفوركس على أساس خوارزمية جينية سيت ذيس أرتيكل أس: مندس، L. غودينهو، P. دياس، J. JEuristics (2012) 18: 627. دوي: 10.1007s10732-012-9201- في هذه الورقة، سيتم وصف خوارزمية وراثية تهدف إلى تحسين مجموعة من القواعد التي تشكل نظاما تجاريا لسوق الفوركس. كل فرد من السكان يمثل مجموعة من عشرة قواعد تجارية فنية (خمسة لدخول موقف وخمسة آخرين للخروج). هذه القواعد لديها 31 معلمات في المجموع، والتي تتوافق مع الجينات الأفراد. وسيتطور السكان في بيئة معينة تحددها سلسلة زمنية لزوج عمل محدد. تمثل اللياقة البدنية لشخص معين مدى تمكنه من التكيف مع البيئة، ويتم حسابه بتطبيق القواعد المقابلة على السلاسل الزمنية، ومن ثم حساب النسبة بين الربح والحد الأقصى للسحب (نسبة ستيرلنغ) . تم استخدام زوجين من العملات: يوروس و غبوسد. واستخدمت بيانات مختلفة لتطور السكان واختبار أفضل الأفراد. وتناقش النتائج التي حققها النظام. أفضل الأفراد قادرون على تحقيق نتائج جيدة جدا في سلسلة التدريب. في سلسلة الاختبار، وتظهر الاستراتيجيات المتقدمة بعض الصعوبة في تحقيق نتائج إيجابية، إذا كنت تأخذ تكاليف المعاملات في الاعتبار. إذا كنت تجاهل تكاليف المعاملات، والنتائج هي في معظمها إيجابية، تبين أن أفضل الأفراد لديهم بعض القدرة التنبؤ. الخوارزميات الجينية المالية قواعد التداول الفنية أسعار صرف العملات الأجنبية المراجع ألفاريز-دياز، M. ألفاريز، A. التنبؤ بأسعار الصرف باستخدام الخوارزميات الجينية. تطبيق ورقة. قصد. بادئة رسالة. 10 (6)، 319322 (2003) كروسريف غوغل سشولار برابازون، A. أونيل، M. تطور قواعد التداول الفنية لأسواق الصرف الأجنبي الفورية باستخدام التطور النحوي. Comput. الاعداد الابحاث ادارة. الخيال العلمي. 1 (3)، 311327 (2004) ماث كروسريف غوغل سشولار دافيس، L. هاندبوك أوف جينيتيك ألغوريثمز. فان نوستراند-راينهولد، نيو يورك (1991) غوغل سشولار ديمبستر، M. A.H. جونز، C. M. نظام التداول التكيفي في الوقت الحقيقي باستخدام البرمجة الوراثية. كوانت. فينانس 1 (4)، 397413 (2001) كروسريف غوغل سشولار دونيس، C. هاريس، A. إت آل. تحسين نماذج التداول اللحظي مع الخوارزميات الجينية. العصبية نيتو. وورد 9 (3)، 193223 (1999) الباحث العلمي من غوغل إلينغ، M. ششهماشر، F. هل يؤثر اختيار قياس الأداء على تقييم صناديق التحوط J. بانك. فينانس 31 (9)، 26322647 (2007) كروسريف غوغل سشولار فاما، E. F.F كفاية أسواق رأس المال: استعراض النظرية والعمل التجريبي. ج. فينانس 25 (2)، 383417 (1970) كروسريف الباحث العلمي جوجل غولدبرغ، D. الخوارزميات الوراثية في البحث والتحسين والتعلم الآلي. أديسون-ويسلي، ريادينغ (1989) ماث غوغل سشولار غريفنستيت، J. J. الخوارزميات الجينية للبيئات المتغيرة. في: حل مشكلة موازية من الطبيعة 2، بروكسل (1992) جوجل الباحث العلمي هاردينغ، D. ناكو، G. وآخرون. إيجابيات وسلبيات السحب كمقياس إحصائي لمخاطر الاستثمارات. إيما جورنال، أبريل 1617 (2003) الباحث العلمي من غوغل هيرابياشي، A. أرانيا، C. إت آل. تحسين قاعدة التداول في النقد الأجنبي باستخدام الخوارزمية الجينية. في: وقائع المؤتمر السنوي الحادي عشر على الحساب الوراثي والتطوري GECCO09 (2009) الباحث العلمي جوجل هريشكو، A. داونز، T. نظام تداول العملات الأجنبية باستخدام الخوارزميات الجينية والتعزيز التعلم. كثافة العمليات. J. سيست. الخيال العلمي. 35 (13)، 763774 (2004) ماث كروسرف الباحث العلمي جوجل كابودان، M. A. التنبؤ البرمجة الوراثية لأسعار الأسهم. Comput. قصد. 16 (3)، 207236 (2000) ماث كروسرف غوغل سشولار ليبارون، B. الربحية التقنية للتجارة الربحية وتدخل النقد الأجنبي. J. إنت. قصد. 49 (1)، 125143 (1999) كروسريف غوغل سشولار ليبارون، B. الربحية الفنية للتجارة في أسواق الصرف الأجنبي في التسعينيات (2002) ليفيش، R. M. توماس، L. R. أهمية الأرباح التجارية-حكم التجارة في سوق الصرف الأجنبي: نهج بوتستراب. J. إنت. المال. 12 (5)، 451474 (1993) كروسريف غوغل سشولار مينخوف، L. تايلور، M. P. العاطفة العنيدة من المهنيين النقد الأجنبي: التحليل الفني. J. إكون. أشعل. 45 (4)، 936972 (2007) كروسريف غوغل سشولار ميرس، T. A. دورة التحليل الفني. ماكجرو هيل، نيويورك (1989) الباحث العلمي جوجل ميتشل، M. مقدمة في الخوارزميات الجينية. ميت الصحافة، كامبردج (1996) الباحث العلمي جوجل نيلي، C. ويلر، P. التداول اليومي التداول في سوق الصرف الأجنبي. J. إنت. المال. 22 (2)، 223237 (2003) كروسرف غوغل سشولار نيلي، C. ويلر، P. إت آل. هو التحليل الفني في سوق الصرف الأجنبي مربحة نهج البرمجة الوراثية. J. فينانك. كوانت. شرجي. 32 (4)، 405426 (1997) كروسرف غوغل سشولار نيلي، C. J. ويلر، P. A. وآخرون. فرضية الأسواق التكيفية: أدلة من سوق الصرف الأجنبي. J. فينانك. كوانت. شرجي. 44 (02)، 467488 (2009) كروسريف الباحث العلمي من غوغل أولسون، D. وقد انخفضت الأرباح قاعدة التداول في أسواق العملات مع مرور الوقت J. البنك. فينانس 28 (1)، 85105 (2004) كروسرف غوغل سشولار أوسمان، I. H. كيلي، J. P. ميتا-هيوريستيكش: نظرية أمب التطبيقات. كلور أكاديميك، دوردرشت (1996) ماث غوغل سشولار بارك، C.-H. إيروين، S. H. ماذا نعرف عن ربحية التحليل الفني J. إكون. Surv. 21 (4)، 786826 (2007) كروسرف غوغل سشولار بيكتيت، O. V. داكوروغنا، M. M. وآخرون. استخدام الخوارزميات الجينية للتحسين القوي في التطبيقات المالية. العصبية نيتو. وورد 5 (4)، 573587 (1995) غوغل سشولار ريفيس، C. R. باستخدام خوارزميات جينية مع عدد قليل من السكان. في: وقائع المؤتمر الدولي الخامس حول الخوارزميات الجينية. مورغان كوفمان، سان ماتيو (1993) الباحث العلمي جوجل روثلوف، F. غولدبيرغ، D. التمثيلية زائدة في الحساب التطوري. إلينوي مختبر الخوارزميات الجينية (إليغال) تقرير (2002) شولميستر، S. مكونات ربحية تداول العملات الفنية. تطبيق ورقة. تمويل القروض. قصد. 18 (11)، 917930 (2008) كروسريف غوغل سشولار سويني، R. J. ضرب سوق الصرف الأجنبي. J. فينانس 41 (1)، 163182 (1986) غوغل سشولار ويلسون، G. بانزاف، W. إنتيرداى تداول العملات الأجنبية باستخدام البرمجة الجينية الخطية. إن: بروسيدينغس أوف ذي 12th أنوال كونفيرانس أون جينيتيك أند إفولوتيوناري كومبوتاتيون GECCO10 (2010) غوغل سشولار معلومات حقوق النشر سبرينجر سسينس بوسينيس ميديا، ليك 2012 المؤلفون والانتماءات لوس مندس 1 بيدرو غودينهو 2 جوانا دياس 3 كاتب البريد الإلكتروني 1. فاكولديد دي إكونوميا ونيفرزيديد دي كويمبرا كويمبرا البرتغال 2. فاكولديد دي إكونوميا و جيمف ونيفرزيديد دي كويمبرا كويمبرا البرتغال 3. فاكولديد دي إكونوميا و إينيسك-كويمبرا ونيفرزيديد دي كويمبرا كويمبرا البرتغال حول هذا المقالسنوكرون الخوارزمية الجينية في فوريكس أنظمة التداول باستخدام خوارزمية جينية لخلق مربحة الفوركس استراتيجية التداول. الخوارزمية الجينية في اللحاء الشبكات العصبية البرمجيات فيدفوروارد باكبروباغاتيون الشبكة العصبية تطبيق الحسابات الجينية على أساس تداول العملات الأجنبية. يستخدم هذا المثال مفاهيم وأفكار المقالة السابقة، لذا يرجى قراءة الخوارزمية الجينية للشبكة العصبية في فوريكس ترادينغ سيستمز أولا، على الرغم من أنها ليست إلزامية. حول هذا النص أولا وقبل كل شيء، يرجى قراءة إخلاء المسؤولية. هذا هو مثال على استخدام اللحاء الشبكات العصبية وظائف البرمجيات الخوارزمية الجينية، وليس مثالا على كيفية القيام التداول المربح. أنا لست المعلم الخاص بك، لا ينبغي أن أكون مسؤولا عن الخسائر الخاصة بك. كورتيكس نيورال نيتوركس البرامج لديها شبكات عصبية في ذلك، و ففب ناقشنا من قبل هو طريقة واحدة فقط لاختيار استراتيجيات تداول العملات الأجنبية. بل هو تقنية جيدة وقوية وعند تطبيقها بشكل صحيح، واعد جدا. ومع ذلك، فإنه لديه مشكلة - لتعليم شبكة العصبية تن. نحن بحاجة إلى معرفة الناتج المطلوب. فمن السهل أن تفعل عندما نفعل وظيفة تقريب، ونحن فقط تأخذ القيمة الحقيقية وظيفة، لأننا نعرف ما ينبغي أن يكون. عندما نفعل التنبؤ الشبكة العصبية. ونحن نستخدم تقنية (وصفها في المواد السابقة) لتعليم الشبكة العصبية على التاريخ، مرة أخرى، إذا كنا نتوقع، ويقول، سعر الصرف، ونحن نعلم (أثناء التدريب) ما هو التنبؤ الصحيح. ومع ذلك، عندما نقوم ببناء نظام التداول، ليس لدينا أي فكرة عن قرار التداول الصحيح، حتى لو كنا نعرف سعر الصرف كما في الواقع، لدينا العديد من استراتيجيات تداول العملات الأجنبية يمكننا استخدامها في أي وقت من الأوقات، و ونحن بحاجة إلى العثور على واحد جيد - كيف ماذا يجب أن تغذية كما المخرج المطلوب من الشبكة العصبية لدينا إذا كنت اتبعت المادة السابقة، كما تعلمون، أننا قد خدع للتعامل مع هذه المشكلة. علمنا الشبكة العصبية للقيام سعر الصرف (أو مؤشر سعر الصرف القائم) التنبؤ، ثم استخدم هذا التنبؤ للقيام التداول. ثم، خارج الشبكة العصبية جزء من البرنامج، اتخذنا قرارا على الشبكة العصبية هي أفضل واحد. الخوارزميات الجينية يمكن التعامل مع هذه المشكلة مباشرة، فإنها يمكن حل المشكلة المذكورة كما تجد أفضل إشارات التداول. في هذه المقالة نحن ذاهبون لاستخدام اللحاء العصبية الشبكات البرمجيات لإنشاء مثل هذا البرنامج. استخدام الخوارزميات الوراثية الخوارزمية الجينية هي متطورة جدا، ومتنوعة جدا. إذا كنت تريد أن تتعلم كل شيء عنهم، وأنا أقترح عليك استخدام ويكيبيديا، وهذه المقالة هي فقط حول ما اللحاء الشبكات العصبية البرمجيات يمكن القيام به. وجود اللحاء الشبكات العصبية البرمجيات. يمكننا إنشاء شبكة عصبية تأخذ بعض المدخلات، مثلا، قيم مؤشر، وتنتج بعض الإخراج، مثلا، إشارات التداول (شراء، بيع، عقد). وقف الخسارة تأخذ مستويات الربح للوظائف التي سيتم فتحها. وبطبيعة الحال، إذا كنا البذور هذه الأوزان شبكة العصبية عشوائيا، فإن نتائج التداول تكون رهيبة. ومع ذلك، دعونا نقول نحن خلق عشرات من هذه الشبكات الوطنية. ثم يمكننا اختبار أداء كل منهم، واختيار أفضل واحد، والفائز. كان هذا هو الجيل الأول من ن. للاستمرار في الجيل الثاني، نحن بحاجة إلى السماح للفائز لدينا الإنجاب، ولكن لتجنب الحصول على نسخ متطابقة، يتيح إضافة بعض نويس عشوائي إلى الأوزان النسبية. في الجيل الثاني، لدينا لدينا الجيل الأول الفائز والنسخ ناقصة (متحور). يتيح إجراء الاختبار مرة أخرى. سيكون لدينا الفائز آخر، وهو أفضل ثم أي شبكة العصبية الأخرى في الجيل. وما إلى ذلك وهلم جرا. نحن ببساطة السماح للفائزين على السلالة، والقضاء على الخاسرين، تماما كما هو الحال في تطور الحياة الحقيقية، وسوف نحصل على أفضل شبكة التداول لدينا العصبية. دون أي معرفة مسبقة حول ما ينبغي أن يكون نظام التداول (الخوارزمية الجينية) مثل. الخوارزمية الجينية للشبكة العصبية: مثال 0 هذا هو أول مثال خوارزمي جيني. و بسيطة جدا. نحن ذاهبون إلى المشي من خلال ذلك خطوة بخطوة، لتعلم كل الحيل أن الأمثلة التالية سوف تستخدم. يحتوي الرمز على تعليقات مضمنة، لذلك يتيح التركيز فقط على اللحظات الرئيسية. أولا، أنشأنا شبكة عصبية. ويستخدم الأوزان العشوائية، ولم يتم تعليمه بعد. ثم، في دورة، ونحن جعل 14 نسخة منه، وذلك باستخدام موتاتيون فومكتيون. هذه الوظيفة يجعل نسخة من شبكة العصبية المصدر. مضيفا قيم عشوائية من 0 إلى (في حالتنا) 0.1 لجميع الأوزان. نحن نحافظ على مقابض ل 15 نونس الناتجة في صفيف، يمكننا أن نفعل ذلك، والمقبض هو مجرد عدد صحيح. السبب في أننا نستخدم 15 ننس لا علاقة له مع التداول: اللحاء الشبكات العصبية البرمجيات يمكن رسم ما يصل إلى 15 خطوط على الرسم البياني في وقت واحد. يمكننا استخدام نهج مختلفة للاختبار. أولا، يمكننا استخدام مجموعة التعلم، كل ذلك في وقت واحد. ثانيا، يمكننا اختبار على سبيل المثال، 12000 ريسوردس (من أصل 100000)، والمشي من خلال مجموعة التعلم، من البداية إلى النهاية. وهذا سيجعل ليرنيغس مختلفة، ونحن سوف ننظر للشبكة العصبية ق التي هي مربحة على أي جزء معين من البيانات، وليس فقط على مجموعة كاملة. النهج الثاني يمكن أن يعطينا مشاكل، إذا تغير البيانات، من البداية إلى النهاية. ثم ستتطور الشبكة، وستحصل على القدرة على التداول في نهاية مجموعة البيانات، وفقدان القدرة على التجارة في بدايتها. لحل هذه المشكلة، ونحن في طريقنا لاتخاذ عشوائي 12000 سجلات شظايا من البيانات، وإطعامه إلى الشبكة العصبية. هو مجرد دورة لا نهاية لها، كما 100000 دورات لن يتم الوصول إليها في سرعة لدينا. نضيف أدناه طفل واحد لكل شبكة، مع أوزان مختلفة قليلا. ملاحظة، أن 0.1 للطفرة تانج ليس الخيار الوحيد، كما هو الأمر الواقع، حتى هذه المعلمة يمكن أن يكون الأمثل باستخدام الخوارزمية الجينية. تضاف ننس التي تم إنشاؤها حديثا بعد 15 منها القائمة. بهذه الطريقة لدينا 30 ننس في صفيف، 15 القديمة و 15 جديدة. ثم سنقوم بالقيام بالدورة التالية من الاختبار، وقتل الخاسرين، من كلا الأجيال. للقيام الاختبار، ونحن نطبق الشبكة العصبية لبياناتنا، لإنتاج مخرجات، ومن ثم استدعاء وظيفة الاختبار، التي تستخدم هذه النواتج لمحاكاة التداول. يتم استخدام نتائج التداول للتنازل، والتي هي الأفضل. نحن نستخدم الفاصل الزمني لسجلات نلارن، من نستارت إلى نستارت نلارن، حيث نستارت هو نقطة عشوائية ضمن مجموعة التعلم. الرمز أدناه هو خدعة. والسبب الذي نستخدمه هو توضيح الحقيقة، أن الخوارزمية الجينية يمكن أن تخلق خوارزمية جينية. ولكن لن يكون بالضرورة أفضل واحد، وأيضا، لاقتراح، أن نتمكن من تحسين النتيجة، إذا كنا نعني بعض القيود على عملية التعلم. فمن الممكن، أن نظام التداول لدينا يعمل بشكل جيد جدا على الصفقات الطويلة، والفقراء جدا على القصير، أو العكس بالعكس. إذا، على سبيل المثال، الصفقات الطويلة جيدة جدا، هذه الخوارزمية الجينية قد يفوز، حتى مع خسائر كبيرة على الصفقات قصيرة. لتجنب ذلك، ونحن تعيين المزيد من الوزن إلى الصفقات الطويلة في التداولات الفردية والقصيرة في دورات حتى. هذا هو مجرد مثال، ليس هناك ما يضمن، أنه سيحسن شيئا. المزيد عن ذلك أدناه، في مناقشة حول التصحيحات. من الناحية الفنية، لم يكن لديك للقيام بذلك، أو يمكن أن تجعل من مختلف. إضافة الربح إلى صفيف فرزها. فإنه يعود موضع الإدراج، ثم نستخدم هذا الموقف لإضافة مقبض الشبكة العصبية والتعلم واختبار الأرباح إلى صفائف غير فرزها. الآن لدينا بيانات للشبكة العصبية الحالية في نفس مؤشر مجموعة أرباحها. والفكرة هي الوصول إلى مجموعة من الشبكات الوطنية، مرتبة حسب الربحية. كما صفيف هو الفرز حسب الربح، لإزالة 12 من الشبكات، التي هي أقل ربحية، ونحن بحاجة فقط لإزالة ننس 0 إلى 14 تستند قرارات التداول على قيمة إشارة الشبكة العصبية، من وجهة النظر هذا البرنامج هو مطابق لأمثلة من المقال السابق. استراتيجية التداول الفوركس: مناقشة المثال 0 أولا وقبل كل شيء، يتيح إلقاء نظرة على الرسوم البيانية. الرسم البياني الأول للربح خلال التكرار الأول ليس جيدا على الإطلاق، كما ينبغي أن يتوقع، الشبكة العصبية يفقد المال (صورة تطور 00000.png نسخها بعد التكرار الأول من مجلد الصور): صورة للربح على دورة 15 هو أفضل، وأحيانا ، الخوارزمية الجينية يمكن أن تتعلم سريع حقا: ومع ذلك، لاحظ التشبع على منحنى الربح. ومن المثير للاهتمام أيضا أن ننظر في طريقة تغير الأرباح الفردية، مع الأخذ في الاعتبار، أن عدد منحنى، ويقول، 3 ليس دائما لنفس الشبكة العصبية. كما أنها ولدت وتنتهي في كل وقت: نلاحظ أيضا، أن القليل من النقد الأجنبي نظام التداول الآلي يؤدي الفقراء على الصفقات قصيرة، وأفضل بكثير على الأطوال، والتي قد تكون أو لا تكون ذات صلة للحقيقة، أن الدولار كان ينخفض ​​مقارنة مع اليورو خلال تلك الفترة. كما قد يكون لها علاقة مع معلمات مؤشرنا (ربما، نحن بحاجة إلى فترة مختلفة للسراويل القصيرة) أو اختيار المؤشرات. هنا هو التاريخ بعد 92 و 248 دورات: لدهشتنا، خوارزمية وراثية فشلت تماما. دعونا نحاول معرفة السبب، وكيفية مساعدة الوضع. أولا وقبل كل شيء، ليس كل جيل من المفترض أن يكون أفضل من بريفيوس واحد الجواب هو لا، على الأقل ليس ضمن النموذج الذي استخدمناه. إذا أخذنا التعلم الكامل مجموعة في وقت واحد، واستخدامها مرارا وتكرارا لتعليم لدينا ننس، ثم نعم، فإنها سوف تتحسن على كل جيل. ولكن بدلا من ذلك، أخذنا شظايا عشوائية (12000 السجلات في الوقت المناسب)، واستخدامها. سؤالان: لماذا فشل النظام على شظايا عشوائية من مجموعة التعلم، ولماذا استخدمنا مجموعة تعليمية كاملة حسنا. للإجابة على السؤال الثاني، فعلت. أداء ننس بشكل كبير - على مجموعة التعلم. وفشلت في اختبار مجموعة، لنفس السبب أنه فشل عندما استخدمنا التعلم فب. لوضعها بشكل مختلف، حصلت لدينا نونس أوفرسبيسياليزد، تعلموا كيفية البقاء على قيد الحياة في البيئة التي تستخدم ل، ولكن ليس خارج ذلك. هذا يحدث الكثير في الطبيعة. كان القصد من النهج الذي أخذنا بدلا من ذلك للتعويض عن ذلك، من خلال إجبار ننس لأداء جيدة على أي جزء عشوائي من مجموعة البيانات، بحيث نأمل، فإنها يمكن أن تؤدي أيضا على مجموعة اختبار غير مألوف. بدلا من ذلك، فشلت كل من الاختبار وعلى مجموعة التعلم. تخيل الحيوانات، الذين يعيشون في الصحراء. وهناك الكثير من الشمس، لا الثلوج على الإطلاق. هذا هو ميتافور للسوق ريج، كما لدينا بيانات ننس تلعب دور البيئة. الحيوانات تعلمت أن تعيش في الصحراء. تخيل الحيوانات التي تعيش في مناخ بارد. الثلج ولا أشعة الشمس على الإطلاق. حسنا، تم تعديلها. ومع ذلك، في تجربتنا، وضعنا عشوائيا لدينا ن في الصحراء، في الثلج، في الماء، على الأشجار. من خلال تقديم لهم شظايا مختلفة من البيانات (ارتفاع عشوائيا، السقوط، شقة). ماتت الحيوانات. أو، لوضعها بشكل مختلف، اخترنا أفضل شبكة العصبية لمجموعة البيانات العشوائية 1، والتي، على سبيل المثال، كان لارتفاع السوق. ثم قدمنا، إلى الفائزين وأطفالهم، بيانات الأسواق المتساقطة. كان أداء الشبكات الوطنية ضعيفا، أخذنا أفضل أداء ضعيف، ربما، أحد الأطفال المتحولين، الذي فقد القدرة على التجارة في الأسواق الصاعدة، ولكن حصلنا على بعض القدرة على التعامل مع هبوط واحد. ثم تحولنا الجدول مرة أخرى، ومرة ​​أخرى، حصلنا على أفضل أداء - ولكن أفضل بين الفقراء الأداء. نحن ببساطة لم نعط لدينا ننس أي فرص لتصبح عالمية. هناك تقنيات تسمح الخوارزمية الجينية لتعلم معلومات جديدة دون فقدان الأداء على المعلومات القديمة (بعد كل شيء، يمكن للحيوانات أن تعيش في الصيف وفي فصل الشتاء، والحق لذلك تطور قادر على التعامل مع التغييرات المتكررة). قد نناقش هذه التقنيات في وقت لاحق، على الرغم من أن هذه المقالة هي أكثر حول استخدام اللحاء الشبكات الشبكات العصبية البرمجيات. أكثر من بناء نظام تداول آلي فوريكس ناجح. الشبكة العصبية الخوارزمية الجينية: مثال 1 الآن حان الوقت للحديث عن التصحيحات. وهناك خوارزمية وراثية بسيطة أنشأناها خلال الخطوة السابقة لها عيوب رئيسية. أولا، فشلت في التجارة مع الربح. على ما يرام، يمكننا أن نحاول استخدام نظام مدربين جزئيا (كان مربحا في البداية). العيب الثاني هو أكثر خطورة: ليس لدينا السيطرة على الأشياء، أن هذا النظام لا. على سبيل المثال، قد تتعلم أن تكون مربحة، ولكن مع سحب ضخمة. بل هو حقيقة معروفة، أنه في واقع الحياة، يمكن للتطور تحسين أكثر من معلمة واحدة في وقت واحد. على سبيل المثال، يمكننا الحصول على حيوان، التي يمكن تشغيلها بسرعة وتكون مقاومة للبرد. لماذا لا تحاول أن تفعل الشيء نفسه في نظام التداول الآلي الفوركس لدينا. هذا عندما نستخدم التصحيحات، والتي ليست سوى مجموعة من العقوبات إضافية. قل، يتداول نظامنا مع سحب 0.5، في حين نريد أن نؤكد ذلك إلى 0 - 0.3 الفاصل الزمني. ولإخبار النظام بأنه ارتكب خطأ، فإننا نقلل أرباحه (واحدة تستخدم لتحديد، والتي فازت الخوارزمية الجينية) إلى درجة، وهذا يتناسب مع حجم د. ثم، خوارزمية التطور يعتني بقية. هناك عدد قليل من العوامل التي نريد أن نأخذها في الاعتبار: قد نرغب في الحصول على عدد متساو تقريبا من عمليات الشراء والبيع، ونحن نريد أن يكون لدينا المزيد من العمليات المربحة، ثم الإخفاقات، قد نرغب في رسم بياني للربح تكون خطية وهلم جرا. في تطور01.tsc نقوم بتنفيذ مجموعة بسيطة من التصحيحات. أولا وقبل كل شيء، نستخدم بعض العدد الكبير لقيمة تصحيح أولية. نحن نضاعف ذلك إلى القيم الصغيرة (عادة، بين 0 و 1)، اعتمادا على العقوبة التي نريد تطبيقها. ثم نقوم بضرب أرباحنا لهذا التصحيح. ونتيجة لذلك، يتم تصحيح الربح، لتعكس مدى توافق الخوارزمية الجينية مع معاييرنا الأخرى. ثم نستخدم النتيجة للعثور على الشبكة العصبية الفائز. استراتيجية التداول الفوركس: مناقشة المثال 1 المثال 1 يعمل أفضل بكثير، من المثال 0. خلال أول 100 دورة، تعلم الكثير، والرسوم البيانية الربح تبدو مطمئنة. ومع ذلك، كما هو الحال في المثال 0، الصفقات الطويلة هي أكثر ربحية بكثير، وهو ما يعني على الأرجح أن هناك مشكلة في نهجنا. ومع ذلك، وجد النظام وجود توازن بين زوجين من الظروف الأولية المتناقضة: هناك بعض الديناميات الإيجابية سواء في مجموعة التعلم، والأهم من ذلك، في مجموعة الاختبار. أما بالنسبة لمزيد من التعلم، في دورة 278 يمكننا أن نرى، أن نظامنا حصلت أوفيرترايند. وهو ما يعني أننا ما زلنا نحرز تقدما في مجموعة التعلم: لكن مجموعة الاختبارات تظهر ضعف: هذه مشكلة شائعة مع ننس: عندما نعلمها على مجموعة التعلم، فإنها تتعلم التعامل معها، وأحيانا تتعلم جيدا - درجة، عندما يفقد الأداء على مجموعة الاختبار. للتعامل مع هذه المشكلة، يتم استخدام حل تقليدي: نبقي تبحث عن الشبكة العصبية. أن أداء أفضل على مجموعة اختبار، وحفظه، الكتابة فوق أفضل واحد سابق، في كل مرة يتم التوصل إلى ذروة جديدة. هذا هو نفس النهج، استخدمنا في التدريب ففب، إلا، وهذه المرة علينا أن نفعل ذلك أنفسنا (إضافة رمز، التي تبحث عن أفضل شبكة العصبية على مجموعة اختبار، ودعوة سافن، أو تصدير الأوزان من الشبكة العصبية إلى ملف). بهذه الطريقة، عند إيقاف التدريب الخاص بك، سيكون لديك أفضل أداء على اختبار مجموعة حفظ وانتظاركم. لاحظ أيضا أنه ليس الحد الأقصى. الربح كنت بعد، ولكن الأداء الأمثل، لذلك النظر في استخدام التصحيحات، عند البحث عن أفضل أداء على مجموعة اختبار. الخوارزمية الجينية فوركس التحليل الفني: أين الآن بعد أن حصلت على الشبكة العصبية الفائز الخاص بك. يمكنك اتباع الخطوات، وصفها في المادة السابقة، لتصدير الأوزان من تلك الشبكة العصبية. ومن ثم استخدامها في منصة التداول في الوقت الحقيقي الخاص بك، مثل ميتا التاجر، محطة التجارة وهلم جرا. بدلا من ذلك، يمكنك التركيز على طرق أخرى لتحسين الشبكة العصبية. على عكس خوارزمية ففب، هنا يمكنك الحصول على أفاي من استخدام التعلم واختبار مجموعات، ونقل التعلم المتسلسل. تحميل اللحاء ترتيب اللحاء عرض قائمة الأسعار الرؤية مهمة جدا لهذا الموقع. إذا كنت ترغب في ذلك يرجى ربط هذا العنوان