Indicador De Red Neuronal De Divisas

MetaTrader 4 - Indicadores predictor precio Siguiente usando Red Neuronal - indicador de MetaTrader 4. Historia de la versión: 06/26/2009 - añadió un nuevo indicador BPNN Predictor con Smoothing. mq4, en el que los precios se suavizan utilizando EMA antes de predicciones. 08/20/2009 - Se ha corregido el código de cálculo de la función de activación de la neurona para evitar excepción aritmética actualizado BPNN. cpp y BPNN. dll 08/21/2009 - compensación adicional de memoria al final de la ejecución DLL actualizada BPNN. cpp y BPNN. dll Breve teoría de redes neuronales: red neuronal es un modelo ajustable de las salidas como las funciones de los insumos. Se compone de varias capas: capa de entrada. que consta de capa oculta de datos de entrada. que consta de nodos de procesamiento denominadas capa de salida neuronas. que consta de una o varias neuronas, cuyas salidas son las salidas de la red. Todos los nodos de capas adyacentes están interconectados. Estas conexiones son llamadas sinapsis. Cada sinapsis tiene un coeficiente de escala asignado, por el cual los datos propagadas a través de la sinapsis se multiplica. Estos coeficiente de escalamiento se llaman pesos (Wijk). En una red neuronal de Feed-Forward (FFNN) los datos se propaga a partir de entradas a las salidas. Aquí es un ejemplo de FFNN con una capa de entrada, una capa de salida y dos capas ocultas: La topología de una FFNN es a menudo abreviado como sigue: lt de inputsgt - LT de neuronas en la primera layergt oculto - LT de neuronas en la segunda ocultos layergt -. - Es de outputsgt. La red anterior puede ser referido como una red 4-3-3-1. Los datos se procesan por las neuronas en dos etapas, que se muestran correspondientemente dentro del círculo por un signo de suma y una señal de paso: Todas las entradas se multiplican por los pesos asociados y se suman las sumas resultantes son procesadas por la función de activación de neuronas. cuya salida es la salida de la neurona. Es la función de activación de neuronas que da no linealidad para el modelo de red neural. Sin ella, no hay ninguna razón para tener capas ocultas, y la red neuronal se convierte en un modelo lineal autorregresivo (AR). archivos de la biblioteca cerrados para funciones NN permiten la selección entre las tres funciones de activación: El umbral de activación de estas funciones es x0. Este umbral se puede mover a lo largo del eje x gracias a una entrada adicional de cada neurona, llamada la entrada de polarización. que también tiene un peso asignado a la misma. El número de entradas, salidas, capas ocultas neuronas en estas capas, y los valores de los pesos sinápticos describen por completo un FFNN, es decir, el modelo no lineal que crea. Con el fin de encontrar los pesos de la red debe ser entrenado. Durante un entrenamiento supervisado. varios conjuntos de entradas anteriores y los correspondientes productos esperados se alimentan a la red. Los pesos están optimizados para conseguir el más mínimo error entre las salidas de la red y los resultados esperados. El método más simple de la optimización de peso es el de retropropagación de errores, que es un método de descenso de gradiente. La función de formación de trenes cerrado () utiliza una variante de este método, denominado Mejora Resiliente de retropropagación Plus (iRProp). Este método se describe aquí La principal desventaja de los métodos de optimización basado en gradiente es que a menudo encontrar un mínimo local. Para las series caóticas como una serie de precios, la superficie error de entrenamiento tiene una forma muy compleja con una gran cantidad de los mínimos locales. Para dicha serie, un algoritmo genético es un método de entrenamiento preferido. Archivos adjuntos: BPNN. dll - archivo de biblioteca BPNN. zip - archivo de todos los archivos necesarios para compilar BPNN. dll en C BPNN Predictor. mq4 - indicador de predicción de los futuros precios de apertura BPNN Predictor con Smoothing. mq4 - indicador de predicción de la nivelación de precios de apertura de archivos BPNN. CPP tiene dos funciones: Tren test () (). Tren () se utiliza para entrenar a la red basado en los valores de salida esperados de entrada y pasado suministrado. Test () se utiliza para calcular las salidas de la red utilizando pesos optimizados, que se encuentran en tren (). Aquí está la lista de entrada (verde) de salida de parámetros (azul) de tren (): doble inpTrain - formación de datos de entrada (matriz 1D que lleva datos en 2D, viejo primero) doble outTarget - datos de destino de salida para la formación (datos en 2D como matriz 1D, 1er más antiguo) de doble outTrain - salida de matriz 1D para mantener las salidas netas de formación int NTR - de las series de entrenamiento int UEW - uso Ext. Pesos para la inicialización (1Utilice extInitWt, 0use rnd) doble extInitWt - Entrada de matriz 1D para sostener matriz 3D de pesos iniciales externos doble trainedWt - Salida de matriz 1D para sostener matriz 3D de pesos capacitados int numLayers - de capas que incluyen entrada, int oculta y de salida lsz - de las neuronas en capas. lSz0 es de las entradas netas int AFT - Tipo de función de activación de la neurona (0: sIgM, 1: tanh, 2: x / (1x)) int OAF - 1 permite la función de activación para la capa de salida 0 desactiva int NEP - Max de la formación épocas doble maxMSE - Max formación MSE se detiene una vez que se alcanza maxMSE. Aquí está la lista de entrada (verde) de salida (azul) los parámetros de prueba (): doble inpTest - los datos de prueba de entrada (datos 2D como matriz 1D, la más antigua primero) doble outTest - Salida de matriz 1D para mantener las salidas netas de formación (antiguos primero ) int NTT - de prueba de juegos dobles extInitWt - entrada matriz 1D para sostener matriz 3D de pesos iniciales externos int - numLayers de capas que incluyen entrada, lsz oculta y de salida - int de las neuronas en capas. lSz0 es de las entradas netas int AFT - Tipo de función de activación de la neurona (0: sIgM, 1: tanh, 2: x / (1x)) int OAF - 1 permite la función de activación para la capa de salida 0 desactiva si desea utilizar la función de activación en el capa de salida o no (valor de parámetro OAF) depende de la naturaleza de los productos. Si las salidas son binarios, que es a menudo el caso en problemas de clasificación, a continuación, la función de activación se debe utilizar en la capa de salida (OAF1). Por favor, preste atención a que la función de activación 0 (sigmoide) tiene niveles 0 y 1 saturadas, mientras que las funciones de activación 1 y 2 tienen niveles -1 y 1. Si las salidas de la red es una predicción precio, entonces no se necesita ninguna función de activación en la capa de salida (OAF0). Ejemplos del uso de la biblioteca NN: BPNN Predictor. mq4 - predice futuros precios de apertura. Las entradas de la red son los cambios de precios relativos: donde delayi se calcula como un número de Fibonacci (1,2,3,5,8,13,21 ..). La salida de la red es el cambio relativo previsto de la siguiente precio. La función de activación está desactivada en la capa de salida (OAF0). extern int lastBar - Última bar en los últimos datos extern int futBars - futuros de barras para predecir extern int - numLayers de capas que incluyen entrada, salida amplificador oculto (2..6) extern int - numInputs de entradas extern int - numNeurons1 de neuronas en la primera capa de salida extern int oculta o numNeurons2 - de las neuronas en el segundo numNeurons3 capa de salida extern int oculta o - de las neuronas en el tercer numNeurons4 capa de salida extern int oculta o - de las neuronas en el cuarto numNeurons5 capa de salida extern int oculta o - de las neuronas de la capa de salida NTR extern int quinta oculta o - de formación crea extern int NEP - Max de las épocas extern int maxMSEpwr - establece la formación maxMSE10maxMSEpwr detiene lt maxMSE extern int AFT - Tipo de activ. función (0: sIgM, 1: tanh, 2: x / (1x)) parcelas El indicador tres curvas en el gráfico: color rojo - Las predicciones de los precios futuros negro de color - los precios de apertura de formación pasado, los cuales fueron utilizados como productos previstos para el red de color azul - salidas de la red de entradas de entrenamiento BPNN Predictor. mq4 - predice el futuro alisó precios de apertura. Utiliza suavizado EMA con período smoothPer. Configuración de todo: Copiar BPNN. DLL cerrado en C: Program 4expertslibraries FilesMetaTrader En MetaTrader: Herramientas - Opciones - Asesores Expertos - Permitir la importación DLL también puede compilar su propio archivo DLL utilizando códigos fuente en BPNN. zip. Recomendaciones: Es una red con tres capas (numLayers3: una entrada, una oculta y uno de salida) es suficiente para una gran mayoría de los casos. De acuerdo con la Cybenko Teorema (1989), una red con una capa oculta es capaz de aproximar cualquier función continua, multivariante a cualquier grado deseado de precisión de una red con dos capas ocultas es capaz de aproximar cualquier función discontinua, multivariado: El número óptimo de neuronas en la capa oculta se pueden encontrar a través de ensayo y error. Los siguientes quotrules de thumbquot se pueden encontrar en la literatura: de neuronas ocultas (de los insumos de las salidas) / 2, o SQRT (de los insumos de los resultados). Mantenga un registro del error de entrenamiento, ha informado el indicador de la ventana expertos de MetaTrader. Para generalización, el número de conjuntos de formación (ntr) debe ser elegido de 2-5 veces el número total de los pesos de la red. Por ejemplo, por defecto, BPNN Predictor. mq4 utiliza una red de 12-5-1. El número total de los pesos es (121) 5671. Por lo tanto, el número de conjuntos de entrenamiento (NTR) debe ser de al menos 142. El concepto de generalización y la memorización (exceso de ajuste) se explica en el siguiente gráfico. Los datos de entrada a la red deben ser transformados en artículos de papelería. precios de la divisa no son estacionarias. También se recomienda para normalizar las entradas para -1..1 gama. El siguiente gráfico muestra un YBX función lineal (x-entrada, la salida) cuyas salidas están corrompidos por ruido. Este ruido añadido hace que las salidas de función medido (puntos negros) para desviarse de una línea recta. función yf (x) puede ser modelado por una red neural de alimentación hacia adelante. La red con un gran número de pesas puede ser ajustado a los datos medidos con error cero. Su comportamiento se muestra como la curva roja pasando a través de todos los puntos negros. Sin embargo, esta curva roja no tiene nada que ver con la función lineal YBX originales (verde). Cuando se usa esta red durante equipado para predecir valores futuros de función y (x), que dará lugar a grandes errores debido a la aleatoriedad del ruido añadido. A cambio de compartir estos códigos, el autor tiene un pequeño favor que pedirle. Si fueron capaces de hacer un sistema de comercio rentable en base a estos códigos, por favor, comparta su idea conmigo enviando un correo electrónico directamente a vlad1004yahoo. NeuroShell comerciante y gráficos NeuroShell día comerciante puede contener varias páginas de gráficos, cada uno de los cuales hace referencia a una seguridad diferente. tabla de páginas le permiten ver e intercambie sus sistemas de negociación de valores a través de muchos al mismo tiempo. Indicadores, estrategias comerciales y predicciones de redes neuronales añadido a la tabla son individualmente backtested, optimizado y se aplican a través de todos los valores al mismo tiempo. Si añadir y eliminar páginas de gráficos sobre la marcha, NeuroShell Trader backtest y optimizar automáticamente los valores añadidos. aplicar rápidamente las predicciones y los sistemas de comercio de toda su cartera entera de acciones, divisas de la divisa, etc. El más potente, pero fácil de usar software de comercio disponibles para el comercio de divisas, acciones, índices, futuros y más copias Derechos de Autor 2016 Deje que sus sistemas de aprender la sabiduría de la edad y la experiencia de la sala Systems Group, Inc. Algunos de los mundos EMPRESAS finanzas más respetadas confiar en nuestra tecnología no sólo es una de las más poderosas herramientas de comercio que he encontrado (y he probado la mayoría de ellos), es también el más fácil utilizar. En 15 años de experiencia comercial y cliente de varias herramientas en los últimos años, el apoyo NeuroShell comerciante excede mis expectativas cada vez. La capacidad de construir sistemas de comercio es tan simple. Las estrategias que requieren una programación implicados en otro software se pueden construir rápidamente de una manera 112. He probado un montón de otros paquetes, pero hay pocas herramientas que le dan la flexibilidad para diseñar, optimizar y poner en práctica como NeuroShell comerciante. Finalmente capaz de ejecutar los tipos de pruebas que he querido durante años, pero que simplemente tomó demasiado tiempo para ser viable. El software cuenta con más capacidades que probablemente voy a utilizar, pero es fácil de usar incluso para este granjero del medio oeste, que no haya estudiado matemáticas durante 35 años. Ward, Systems Group, Inc. quotLet sus sistemas de aprender la sabiduría de la edad y el comercio experiencequot Construir sistemas del mercado de valores, futuros, índices y de comercio de divisas SIN codingFinally una verdadera red neuronal de EA gratis - Algo Nuevo Miembro Comercial Usuario desde sep 2008 Mensajes 911 Hola a todos, su pasado un tiempo. Por lo general no tomo esas largas pausas de participar en este foro, pero más de un año he estado trabajando en un proyecto muy intensivo y después de un año de pruebas hacia adelante Im aquí para compartirlo con todos ustedes. amigos de mensajería instantánea con muchos operadores profesionales y un grupo de nosotros se reunieron, combinan nuestra experiencia y crearon un sistema automatizado de redes neuronales para Metatrader que realmente funciona. Puesto que eran conscientes de que la mayoría de las AE son absolutamente inútil o peor, estafas, pensamos casarnos ser algo único que proporciona al comerciante minorista promedio de personas que realmente se puede confiar. Este grupo se llama Metaneural. Hemos utilizado las redes neuronales y las aplicó a las operaciones de cambio con éxito en el pasado y decidió traducir ese método en un sistema de Metatrader. Es ampliamente conocido que las empresas comerciales larget y fondos de cobertura utilizan sofisticada inteligencia artificial y los sistemas de red nueral sacar provecho de los mercados financieros con una precisión asombrosa. Pensamos, ¿por qué no puede ese poder también estar disponible para nosotros - los pequeños inversores de dinero Así que tomé un descanso de todas mis otras actividades y trabajé duro con Metaneural para desarrollar este sistema, que yo creo que es la única red neuronal EA VERDADERO. De hecho, incluso no tiene que ser un EA, el código puede ser escrito en C para trabajar exactamente de la misma manera en tradestation, eSignal, NeuroShell, o cualquier plataforma que permite la importación de DLL y la recolección de datos, debido a la creación de redes neuronales que ocurre en NeuroSolutions. He hecho los indicadores y los sistemas de comercio para la comunidad forexfactory durante años, así que quería dar a ustedes la única versión libre de la Metaneural EA en Internet. Quiero recibir sus comentarios e impresiones. Si este hilo va bien y tampoco se desvíe Ill extender el juicio. He tenido la diversión descifrar el mercado de divisas con las grandes mentes en este foro durante años y tengo el placer de dar la espalda. Las redes neuronales en las EA es el futuro, espero que ustedes pueden darse cuenta de esto y desarrollar sus propios sistemas. El primer paso en la creación de un cerebro de la red neural artificial es reunir los datos alrededor de la cual se forma la estructura del cerebro. Puesto que estamos tratando de crear un cerebro que se sabe cómo el comercio de los mercados a los que hay que reunir los datos del mercado. Sin embargo, no podemos simplemente recoger una masa de datos y lo descarga en nuestro motor neuronal para crear la estructura de nuestro cerebro. Debemos recopilar los datos en el formato que deseamos el cerebro para procesar esos datos y, finalmente, el mismo formato que queremos que generen una salida. En otras palabras, no sólo estaban diciendo que nuestro cerebro que pensar, dándole datos en bruto, pero hay que decirle cómo pensar, mediante la formulación de que los datos en bruto en una configuración intelligable. En este caso, nuestra configuración es inteligible patrones. Nos hemos reunido los datos en segmentos, cada segmento se compone de un número de bares establecidos por el comerciante en nuestra colección indicador propietario que viene con todos nuestros paquetes. Esa agrupación de barras se recoge en relación con la siguiente barra que viene después de la agrupación - vamos a llamar a esta la barra de futuro. Cuando estaban recogiendo datos de mercado la barra de futuro es conocido, porque es todos los datos históricos, es la siguiente barra después de la agrupación. La idea es que el cerebro de redes neuronales encontrará patrones complejos en la agrupación bar y utilizar la información recopilada, incluyendo la barra siguiente después de la agrupación, para determinar qué patrones complejos preceder el resultado de la siguiente barra. Durante la jornada real que resultado será la barra de futuro que en efecto hace que sea posible conocer con un alto grado de precisión la dirección del mercado antes de que suceda. Los datos recogidos se extrae en una hoja de cálculo que muestra los datos de precios tan abierto, alto, bajo, cerca (OHLC). El OHLC de cada barra se recoge por separado y se coloca en su propia columna. En el ejemplo anterior cada fila representa 3 bares en total. Por lo tanto, las columnas representan cientos o miles de bares que se remontan recogidos en adición a history. In OHLC también puede recoger los valores de casi cualquier indicador que seleccione, que esencialmente dar ese indicador de la capacidad de pensar en base a las condiciones cambiantes del mercado y predecir el valor siguiente. Red Neuronal Construcción y Formación Ahora que tenemos nuestros datos recogidos, se extrajo en un archivo de hoja de cálculo en una configuración inteligible, podemos cargarlo en nuestro motor de red neuronal que va a crear la estructura del cerebro artificial, entrenarlo, y poner a prueba su precisión antes ahorro de la estructura. Una vez que los datos recogidos se importa en el programa de desarrollo de la red se le da la opción de seleccionar qué bits de datos que desea utilizar para construir su cerebro. Esta es una característica importante porque permite al usuario crear muchas estrategias diferentes en función de lo que se considera necesario pieza de datos. Lo que se hace esencialmente en este paso es determinar lo que el motor va a utilizar para crear los complejos patrones mencionados anteriormente, que en última instancia decida la capacidad de proyección de la EA red neuronal. Por ejemplo, digamos que quería decir la red neuronal sólo para buscar patrones en los precios de apertura de bares en relación con los valores de los indicadores de su indicador favorito. A continuación, seleccione el indicador en el colector y elegir sólo las entradas abiertas y de datos en el software del edificio se ha representado anteriormente. También puede seleccionar todas las entradas, a excepción de la columna output1, lo que significa que su valor de salida - seleccionar todas las entradas va a crear el patrón de aprendizaje más complejo posible y con ello permitir que su cerebro para responder a muchos escenarios diferentes. Una vez que se seleccionan las entradas y salidas deseadas del software creará la estructura de su cerebro red neuronal y podrá comenzar a entrenarlo. Una parte de los datos recopilados se reservó y se utiliza para entrenar y probar la exactitud de su cerebro artificial, verá la salida deseada comienzan a ajustarse a los datos de prueba, ya que aprende. Una vez completado este proceso usted será capaz de exportar el cerebro artificial estructurado en forma de un archivo DLL que será utilizado por el MetaNeural EA. Una vez que el cerebro está construido, entrenado, probado y exportado como un archivo DLL puede comenzar a operar con una red neuronal del cerebro automatizado que ver patrones complejos que son imposibles para un ser humano para lograr. Obtener el Metaneural GRATIS ahora EA mediante la financiación de una cuenta en FinFX con cualquier cantidad y el uso de nuestro servicio de copiadora comercial para reflejar nuestras operaciones ganadoras profesionales en su cuenta. Después de 50 lotes completos se negocian recibirá el Metaneural EA con la funcionalidad completa para las cuentas gratuitas deben ser financiados con el enlace proporcionado en la sección de precios del sitio Metaneural. Coloque estos archivos en las siguientes carpetas en Metatrader: Asesor de Expertos - Metatrader 4experts Indicador del colector (DatacollectorV2a) - Indicador de Red Neural Metatrader 4expertsindicators (Metaneural Indicador NN) - Metatrader 4expertsindicators archivos MQLLock y MT4NSAdapter DLL - Metatrader 4expertslibraries Usted tendrá que instalar NeuroSolutions 6 y visual Studio 6 para que funcione, instrucciones sobre estas instalaciones se puede encontrar en el Manual muy detallado adjuntos a este mensaje. Debe leer el manual Sí, se puede aplicar a múltiples monedas al mismo tiempo, ya que puede estar capacitado en cada moneda y una estructura de red neuronal puede ser creado para cada moneda. Yo diría que la única dependencia corredor sería la integridad de su indicador de precios, más estable y consistente su alimento mejor los datos de entrenamiento será y, posteriormente, los oficios. no fueron necesariamente así arrancar el cuero cabelludo velocidad de ejecución no es muy importante. Gracias por su interés. Felicidades por el desarrollo de un sistema que da vueltas sanas. Siempre mejor que la EA es de extrañar que por lo general terminan soplando la cuenta. Soy miembro comercial mí compartir mi sistema de Fibonacci cambio de imagen (ForexFibs) aquí para que pueda entender por qué usted está ofreciendo un EA gratuito. Mi pregunta se puede esta EA puede aplicar a varias monedas, ya que se basa en reales Redes Neuronales Es dependiente de broker y ejecución speedNeural Red Indicador Metatrader - Estrategias Forex - Recursos Forex - señales de comercio de divisas Forex Trading-libres y FX Pronóstico Indicador NeuroShell Metatrader (NeuroTrend) de red neuronal Después de mucha investigación, la lectura excelentes fundamentos en BabyPips y experimentar con diferentes sistemas, que finalmente han implementado un sistema de pronóstico basado en redes neuronales. sistemas basados ​​en redes neuronales son probados en los pronósticos financieros y en general en los patrones de unos sistemas no lineales de aprendizaje. Creo firmemente que el mercado de divisas es un sistema no lineal que es difícil de modelar. Pero una cosa buena del mercado de divisas es que representa algunos patrones que, cuando se puede aplicar en la toma de decisiones comerciales conocidos. La prueba de este concepto es el análisis técnico y teorías que son ampliamente utilizados por los comerciantes en la identificación de estos patrones. Esto hace que las redes neurales una mejor herramienta para el mercado de divisas como las redes neuronales son conocer su capacidad de aprendizaje de los procesos desconocidos y pronosticar los patrones del proceso por delante. Permite llegar al punto principal. En este hilo, me describo el funcionamiento del sistema que he desarrollado en lugar del propio sistema, ya que es un largo camino para explicar. El sistema es básicamente un sistema de tiempo-serie-previsión, lo que significa que damos información sobre Bar como entrada actual y el sistema podría dar información sobre bares en el futuro. Estoy seguro de que ahora usted está pensando si es realmente posible y si es así, ¿cuáles son los insumos reales y cuáles son las salidas reales. Me gustaría sugerir fuertemente al lector a ir a través de los conceptos básicos de redes neuronales antes de seguir leyendo. donde t significa el tiempo actual o bar. Como se puede ver, damos la diferencia de los últimos tres EMA de la Carta de barras 15min, dos últimos valores de los indicadores de RSI, R, MACD, estocástico y el pasado diferencia de dos unidades de EMA 1H Carta de barras. El sistema será capaz de predecir el futuro y la salida diferencia 3 EMA de barras del gráfico de 15 minutos. ¿Cómo es capaz de pronosticar este es difícil de explicar (puede ser Voy a empezar un segundo hilo), pero por ahora debe tener en cuenta el sistema es capaz de hacerlo, ya que ha sido entrenado en varias pasadas de datos (3-6 meses). El sistema por ahora consta de un indicador y un archivo de inclusión (ambos se adjunta al final). Me gustaría estar mostrando algunos ejemplos de cómo se puede utilizar para detectar los patrones de mercado de divisas y tomar decisiones comerciales. La aguamarina línea azul (parte inferior más): EMA 5 bar Línea amarilla: EMA previstos (t1) / 1 salida de la red neuronal línea Amarillo Verde: Previsión de EMA (t2) / salida 2 de la línea Oro red neuronal (arriba más): Previsión de EMA (t3) / salida 3 de la red neuronal En la figura anterior se desprende claramente de las líneas de la previsión de que la tendencia va a ser alcista apesar de la EMA actual muestra tendencia bajista. Este es un tipo de indicador de plomo. 1) Los tres pronósticos significativamente por encima de la EMA de corriente 2) RSI tendencia al alza desde abajo y alrededor de 50 niveles o cruzadas 50 hacia arriba 3) estocástico principal gt señal y una tendencia al alza de más vendidos región 4) Opcional: MACD va a negativo positiveHybrid red neuronal de Stop y Estrategias para la inversa de la divisa por las redes neuronales Michael R. Bryant se han utilizado en los sistemas de comercio durante muchos años con diferentes grados de éxito. Su atracción principal es que su estructura no lineal es más capaz de capturar las complejidades de movimiento de precios que las reglas de comercio estándar, basados ​​en indicadores. Una de las críticas ha sido que las estrategias comerciales basadas en redes neuronales tienden a ser sobre-ajuste y, por tanto, dont un buen desempeño en los nuevos datos. Una posible solución a este problema es combinar las redes neuronales con la lógica de la estrategia basada en reglas para crear un tipo híbrido de estrategia. Este artículo le mostrará cómo se puede hacer esto utilizando Adaptrade constructor. En particular, este artículo ilustrará la siguiente: la lógica basada en reglas La combinación de redes neuronales y para el comercio entradas serán utilizó un enfoque basado en datos de tres segmentos, con el tercer segmento utiliza para validar las estrategias finales. Se mostrará el código de estrategia resultante tanto para MetaTrader 4 y TradeStation, y se demostró que los resultados de la validación son positivos para cada plataforma. Redes Neuronales como entrada del comercio Filtros Matemáticamente, una red neural es una combinación no lineal de una o más entradas ponderadas que genera uno o más valores de salida. Para el comercio, una red neuronal se utiliza generalmente en una de dos maneras: (1) como una predicción de movimiento del precio futuro, o (2) como un indicador o un filtro para el comercio. En este caso, se considerará su uso como indicador de un filtro o el comercio. Como un indicador, una red neuronal actúa como un filtro adicional o condición que debe cumplirse antes de que se puede entrar en un comercio. Las entradas a la red son típicamente otros indicadores técnicos, tales como cantidad de movimiento, procesos estocásticos, ADX, medias móviles, y así sucesivamente, así como los precios y combinaciones de los anteriores. Las entradas se escalan y la red neural está diseñado de manera que la salida es un valor entre -1 y 1. Un método consiste en permitir una entrada de tiempo si la salida es mayor que o igual a un valor umbral, tal como 0,5, y una entrada corta si la salida es menor que o igual al negativo del umbral por ejemplo, -0.5. Esta condición se sumaría a las condiciones de entrada existentes. Por ejemplo, si hay una condición de entrada larga, tendría que ser verdad y la salida de red neuronal tendría que ser al menos igual al valor umbral para una entrada larga. Cuando la creación de una red neuronal, un comerciante sería típicamente responsable de la elección de los insumos y la topología de la red y para la red quottrainingquot, que determina los valores de los pesos óptimos. Como se muestra a continuación, Adaptrade Constructor realiza estos pasos automáticamente como parte del proceso de construcción de la evolución que el software se basa en. El uso de la red neuronal como un filtro de comercio permite que se puede combinar fácilmente con otras reglas para crear una estrategia de negociación híbrido, que combina las mejores características de los enfoques tradicionales, basadas en reglas con las ventajas de las redes neuronales. Como un simple ejemplo, Constructor podría combinar una regla de cruce de media móvil con una red neuronal de manera que una posición larga se toma cuando los cruces de media móvil rápida por encima de la media móvil lento y la salida de la red neuronal es igual o superior a su límite. Stop-and-inversa Estrategias de Trading Una estrategia de negociación de parada y marcha atrás es uno que siempre está en el mercado, ya sea larga o corta. En sentido estricto, quotstop-y-reversequot significa que se invierte el comercio cuando su orden de suspensión es golpeado. Sin embargo, lo uso como una abreviatura para cualquier estrategia de negociación que invierte de largo a corto o largo y así sucesivamente, de modo que usted está siempre en el mercado. Según esta definición, no es necesario que los pedidos para ser órdenes de parada. Se podía entrar y revertir el uso de las órdenes de mercado o limitar así. Su también no es necesario que cada lado utiliza la misma lógica o incluso el mismo tipo de orden. Por ejemplo, podría introducir larga (corta y salida) en una orden de parada y entrar en corto (y la salida de largo) en un orden de mercado, utilizando diferentes reglas y condiciones para cada entrada / salida. Este sería un ejemplo de una estrategia de parada y marcha atrás asimétrica. La ventaja principal de una estrategia de parada y marcha atrás es que al estar siempre en el mercado, que no se pierda ningún grandes movimientos. Otra ventaja es la simplicidad. Cuando hay reglas y condiciones para entrar y salir de las operaciones separadas, hay más complejidad y más que pueden ir mal. La combinación de entradas y salidas significa un menor número de decisiones oportuna tienen que hacerse, lo que puede significar un menor número de errores. Por otro lado, se puede argumentar que las mejores condiciones para salir de un comercio rara vez son las mismas que las relativas a la entrada en la dirección opuesta a la que entran y salen de los oficios son inherentemente decisiones separadas, por tanto, que deben emplear las reglas y la lógica separadas. Otro posible inconveniente de estar siempre en el mercado es que la estrategia será el comercio a través de cada brecha de apertura. Una gran brecha de apertura en contra de la posición puede significar una gran pérdida antes de que la estrategia es capaz de revertir. Las estrategias que entran y salen de forma más selectiva o que la salida al final del día puede reducir al mínimo el impacto de las brechas de apertura. Dado que el objetivo es construir una estrategia de divisas, MetaTrader 4 (MT4) es una opción obvia para la plataforma de operaciones MetaTrader 4 ya que está diseñado principalmente para la divisa y es ampliamente utilizado para el comercio de los mercados (véase, por ejemplo, MetaTrader vs. TradeStation : Un lenguaje de comparación). Sin embargo, en los últimos años, se ha centrado en TradeStation los mercados de divisas mucho más agresiva. En función de su volumen de operaciones y / o nivel de cuenta, su posible operar en los mercados de divisas a través TradeStation sin gastos de plataforma o el pago de comisiones. Según los informes, los diferenciales son apretados con generación de liquidez en los principales pares de divisas. Por estas razones, ambas plataformas fueron objeto de este proyecto. surgen varios problemas cuando la orientación de múltiples plataformas simultáneamente. En primer lugar, los datos pueden ser diferentes en diferentes plataformas, con diferencias en las zonas de tiempo, cotizaciones de precios de algunos bares, el volumen y los intervalos de fechas disponibles. Para suavizar estas diferencias, los datos se obtuvieron de ambas plataformas, y las estrategias se construyeron sobre ambas series de datos al mismo tiempo. Las mejores estrategias son, por tanto, los que trabajaron bien en ambas series de datos a pesar de las diferencias en los datos. Los ajustes de datos utilizados en Constructor se muestran a continuación en la Fig. 1. Como se puede deducir de la tabla de datos de mercado en la figura, el mercado de divisas euro / dólar fue blanco (EURUSD) con un tamaño de la barra de 4 horas (240 minutos). Otros tamaños de barras o mercados habrían servido tan bien. Yo sólo era capaz de obtener el máximo de datos a través de mi plataforma MT4 como lo indica el intervalo de tiempo se muestra en la Fig. 1 (serie de datos 2), por lo que se utilizó el mismo intervalo de fechas en la obtención de la serie de datos equivalente de TradeStation (serie de datos 1). 80 de los datos se utilizó para la construcción (combinado dentro de la muestra y quotout-de-samplequot), con 20 (06/20/14 a 02/10/15) reservar para su validación. 80 del original 80 a continuación, se estableció en quotin-samplequot con 20 conjunto de quotout de la muestra, quot como se muestra en la Fig. 1. La compra / venta se fijó en 5 puntos, y los costes de negociación de 6 o 60 pips por lote de tamaño completo (100.000 acciones) fueron asumidos por ida y vuelta. Ambas series de datos se incluyeron en la construcción, según lo indicado por las marcas de verificación en la columna de la izquierda de la tabla de datos de mercado. Figura 1. Configuración de los datos del mercado de la construcción de una estrategia de divisas para MetaTrader 4 y TradeStation. Otro problema potencial cuando la orientación de múltiples plataformas es que Builder está diseñado para duplicar la forma en que cada plataforma soportada calcula sus indicadores, lo que puede significar que los valores de los indicadores serán diferentes dependiendo de lo que se ha seleccionado la plataforma. Para evitar esta posible fuente de discrepancia, los indicadores que evalúan de forma diferente en MetaTrader 4 que en TradeStation se debe eliminar de la construcción, lo que significa que los siguientes indicadores deben evitarse: Todos los demás indicadores que están disponibles para ambas plataformas se calculan de la misma manera en ambas plataformas. TradeStation incluye todos los indicadores que están disponibles en el constructor, mientras que MetaTrader 4 no lo hace. Por lo tanto, para incluir sólo los indicadores que están disponibles en ambas plataformas, la plataforma MetaTrader 4 debe ser seleccionado como el tipo de código en el constructor. Que eliminará automáticamente los indicadores del conjunto de construcción que no están disponibles para MT4, que dejará a los indicadores que están disponibles en ambas plataformas. Además, ya que me di cuenta de las diferencias en los datos de volumen obtenidos de cada plataforma, quité todos los indicadores de volumen dependiente del conjunto de construcción. Por último, el indicador de tiempo-de-día se retiró debido a las diferencias en las zonas de tiempo entre los archivos de datos. En la Fig. 2, a continuación, la lista de indicadores utilizados en el conjunto de construcción se muestran clasificados por si o no el indicador fue considerado por el proceso de construcción (columna quotConsiderquot). Los indicadores extraídos de la consideración por las razones expuestas anteriormente se muestran en la parte superior de la lista. Los indicadores restantes, empezando por quotSimple Mov Avequot, eran parte del conjunto de construcción. Figura 2. selecciones de indicador en Constructor, que muestran los indicadores extraídos del conjunto de construcción. Las opciones de evaluación utilizados en el proceso de construcción se muestran en la Fig. 3. Como se ha expuesto, MetaTrader 4 fue seleccionado como la opción de salida código. Después de las estrategias se construyen en Constructor, cualquiera de las opciones de la pestaña Opciones de evaluación, incluyendo el tipo de código, se puede cambiar y las estrategias de re-evaluado, que también volverá a escribir el código en cualquier lenguaje seleccionado. Esta característica se utiliza para obtener el código de TradeStation para la estrategia final después de que las estrategias fueron construidos para MetaTrader 4. Figura 3. Opciones de evaluación en constructor de la estrategia de la divisa EURUSD. Para crear las estrategias de parada-y-inversa, todos los tipos de salida fueron retirados del conjunto de construcción, tal como se muestra a continuación en la figura. 4. Los tres tipos de órdenes de entrada - del mercado, detener y limitar - se dejaron como quotconsiderquot, lo que significa que el proceso de construcción podría considerar cualquiera de ellos durante el proceso de construcción. Figura 4. Tipos de órdenes seleccionadas en Builder para crear una estrategia de parada y marcha atrás. El software Builder genera automáticamente las condiciones lógicas basadas en reglas para la entrada y / o salida. Para añadir una red neuronal para la estrategia, su único necesario seleccionar la opción quotInclude una red neural en conditionsquot entrada en la pestaña Opciones de la Estrategia, como se muestra a continuación en la figura. 5. La configuración de red neural se dejaron a sus valores predeterminados. Como parte de la lógica de parada y marcha atrás, la opción Lados del mercado se fijó a largo / corto, y la opción de quotWait para la salida antes de entrar en la nueva era tradequot sin marcar. Este último es necesario para que el orden de entrada para salir de la posición actual de una inversión. Todos los demás valores se dejaron a los valores predeterminados. Figura 5. Opciones estratégicas seleccionadas en Builder para crear una estrategia híbrida usando ambas condiciones basadas en reglas y de la red neuronal. La naturaleza evolutiva del proceso de construcción en el constructor es guiado por el gimnasio. que se calcula a partir de los objetivos y las condiciones definidas en la pestaña Indicadores, como se muestra a continuación en la figura. 6. Los objetivos de construcción se mantienen simples: maximizar el beneficio neto y reducir al mínimo la complejidad, que se le dio un peso pequeño en relación con el beneficio neto. Se puso más énfasis en las condiciones de construcción, que incluyeron el coeficiente de correlación y la importancia de la calidad general de la estrategia, así como las barras de media en las operaciones y el número de operaciones. Inicialmente, sólo las barras de promedio en los oficios se incluyó como condición para la acumulación. Sin embargo, en algunas de las primeras compilaciones, el beneficio neto fue que se ve favorecida por la longitud del comercio, por lo que se añadió las operaciones relativas al número de métricas. El rango especificado para el número de operaciones (entre 209 y 418) es equivalente a longitudes comerciales de promedio entre 15 y 30 bares con base en el número de barras en el período de fabricación. Como resultado, la adición de esta métrica poner más énfasis en el objetivo de longitud comercio, lo que dio lugar a más miembros de la población con el rango deseado de longitudes comerciales. Figura 6. objetivos y condiciones de construcción del grupo en la pestaña Indicadores determinan cómo se calcula el gimnasio. Los quotConditions para la selección de Top Strategiesquot duplicar las condiciones de construcción, excepto que las estrategias principales se evaluaron las condiciones en todo el rango de datos (no incluyendo el segmento de validación, que es independiente), en lugar de sólo en el período de construcción, como es el caso para la construir condiciones. Las condiciones principales estrategias son utilizados por el programa para dejar de lado las estrategias que satisfagan todas las condiciones en una población separada. Los ajustes finales se realizan en la pestaña Opciones de construcción, tal como se muestra a continuación en la figura. 7. Las opciones más importantes son el tamaño de la población, el número de generaciones, y la opción de restablecer basado en el rendimiento quotout-de-samplequot. El tamaño de la población fue elegida para ser lo suficientemente grande como para obtener una buena diversidad en la población sin dejar de ser lo suficientemente pequeño como para construir en un plazo de tiempo razonable. El número de generaciones se basa en el tiempo que tomó durante unos pocos preliminar construye para que los resultados empiezan a converger. Figura 7. Las opciones de configuración incluyen el tamaño de la población, el número de generaciones, y opciones para restablecer la población en función del rendimiento quotout-de-samplequot. La opción de quotReset de fuera de la muestra (OOS) Performancequot se inicia el proceso de construcción más después del número especificado de generaciones si la condición especificada se cumple en este caso, la población se reinicia si el beneficio neto quotout-de-samplequot es menos de 20.000. Este valor se eligió basándose en las pruebas preliminares para ser un valor lo suficientemente alto que probablemente no sería alcanzado. Como resultado, el proceso de construcción se repitió cada 30 generaciones hasta que se detiene manualmente. Esta es una manera para que el programa a identificar estrategias basadas en las condiciones Top Estrategias de más de un período prolongado de tiempo. Periódicamente, la población de mayor Estrategias se puede comprobar y el proceso de construcción cancela cuando se encuentran las estrategias adecuadas. Nótese que he puesto quotout-de-samplequot entre comillas. Cuando se utiliza el período quotout-de-samplequot para restablecer la población de esta manera, el período quotout-de-samplequot ya no está realmente fuera de la muestra. Desde ese período está siendo utilizado para guiar el proceso de construcción, su eficacia parte del período dentro de la muestra. Es por eso que su recomendable dejar de lado un tercer segmento de validación, como se discutió anteriormente. Después de varias horas de procesamiento y un número de reconstrucciones automáticas, una estrategia adecuada se encontró en la población Top Strategies. Su curva de la equidad del comercio cerrado se muestra a continuación en la figura. 8. La curva de las acciones demuestra un rendimiento constante a través de ambos segmentos de datos con un número adecuado de oficios y esencialmente los mismos resultados más de las dos series de datos. Figura 8.-curva de la equidad del comercio cerrado para la parada y marcha atrás estrategia EURUSD. Para comprobar la estrategia durante el período de validación, los controles de fecha de la ficha Mercados (ver Fig. 1) se cambiaron a la fecha de finalización de los datos (2/11/2015), y la estrategia fue re-evaluado mediante la selección de la Evaluar comando del menú Estrategia de Constructor. Los resultados se muestran a continuación en la Fig. 9. Los resultados de la validación en el cuadro rojo demuestran que la estrategia levantó en los datos que no se utilizan durante el proceso de construcción. Figura 9.-curva de la equidad del comercio cerrado para la estrategia de parada y marcha atrás EURUSD, incluyendo el período de validación. El control final es ver cómo la estrategia de realizar en cada serie de datos por separado usando la opción de salida código para esa plataforma. Esto es necesario porque, como se explicó anteriormente, puede haber diferencias en los resultados dependiendo de (1) el tipo de código, y (2) la serie de datos. Tenemos que verificar que la configuración elegida minimizan estas diferencias, según lo previsto. Para poner a prueba la estrategia para MetaTrader 4, la serie de datos de TradeStation se anula la selección de la ficha mercados, y se volvió a evaluar la estrategia. Los resultados se muestran a continuación en la Fig. 10, que duplica la curva inferior en la figura. Figura 9. curva de las acciones 10.-comercio cerrado para la estrategia de parada y marcha atrás EURUSD, incluyendo el período de validación, para MetaTrader 4. Por último, para poner a prueba la estrategia para TradeStation, se seleccionó la serie de datos de TradeStation y la serie de MetaTrader 4 se anula la selección de la ficha mercados, la salida código se cambió para quotTradeStation, quot, y se volvió a evaluar la estrategia. Los resultados se muestran a continuación en la Fig. 11 y parece ser muy similar a la curva del medio de la figura. 9, como se esperaba. Figura 11.-curva de la equidad del comercio cerrado para la estrategia de parada y marcha atrás EURUSD, incluyendo el período de validación, para TradeStation. El código para ambas plataformas se proporciona a continuación en la Fig. 12. Haga clic en la imagen para abrir el archivo de código para la plataforma correspondiente. Evaluación del código revela que la parte basada en reglas de la estrategia utiliza diferentes condiciones relacionadas con volatilidad de los lados largos y cortos. Las entradas de redes neuronales consisten en una variedad de indicadores, incluyendo el día de la semana, de tendencia (ZLTrend), máximo intradía, osciladores (InvFisherCycle, InvFisherRSI), las bandas de Bollinger, y la desviación estándar. La naturaleza híbrida de la estrategia se puede ver directamente en el estado de código (a partir del código TradeStation): Si EntCondL y NNOutput gt 0,5 luego comenzar Comprar (quotEnMark-Lquot) NShares acciones bar de al lado en el mercado de la quotEntCondLquot variable representa la entrada basada en reglas condiciones y quotNNOuputquot es la salida de la red neural. Ambas condiciones tienen que ser verdad para colocar la orden de entrada larga. La condición de entrada corta funciona de la misma manera. Figura 12. Código de Comercio de la estrategia para la estrategia de parada y marcha atrás EURUSD (izquierda, derecha MetaTrader 4, TradeStation). Haga clic en la figura para abrir el archivo de código correspondiente. Descargar un archivo de proyecto del constructor (.gpstrat) que contiene los ajustes que se describen en este artículo. En este artículo se observó el proceso de construcción de una estrategia de red basado en reglas híbrido / neural para el EURUSD utilizando una parada y marcha atrás (siempre en el mercado) con enfoque Adaptrade constructor. Se demostró cómo el código estrategia puede ser generado para múltiples plataformas mediante la selección de un subconjunto común de los indicadores que funcionan de la misma manera en cada plataforma. Los ajustes necesarios para generar estrategias que reviertan de largo a corto y atrás se ha descrito, y se demostró que la estrategia que resulta un comportamiento positivo en un segmento separado, la validación de los datos. También se verificó que la estrategia genera resultados similares con la opción de datos y el código para cada plataforma. Como se discutió anteriormente, el enfoque de parada y marcha atrás tiene varios inconvenientes y puede no gustar a todo el mundo. Sin embargo, un enfoque siempre-en-el-mercado puede ser más atractivo, con los datos de divisas debido a que los mercados de comercio de divisas durante todo el día. Como resultado, no hay huecos sesión de apertura, y las órdenes de operaciones son siempre activa y disponible para invertir el comercio cuando los cambios del mercado. El uso de los datos intradía (barras de 4 horas) proporcionó más barras de datos para su uso en el proceso de construcción, pero por lo demás fue bastante arbitraria en que la naturaleza siempre-en-el-mercado de la estrategia significa que las operaciones se realizan durante la noche. El proceso de construcción se le permitió evolucionar varias modalidades de inscripción a largo y corto, lo que resulta en una estrategia de parada y marcha atrás asimétrica. A pesar del nombre, la estrategia resultante entra en operaciones largas y cortas en las órdenes de mercado, si bien el mercado, detener y órdenes de límite se consideraron por el proceso de construcción de forma independiente para cada lado. En la práctica, la inversión de largo a corto significaría venta corta dos veces el número de acciones en el mercado como la estrategia fue Actualmente larga, por ejemplo, si la posición actual de larga era de 100.000 acciones, que se vendería cortas 200.000 acciones en el mercado. Del mismo modo, si la posición corriente de corto era 100.000 acciones, usted compra 200.000 acciones en el mercado para invertir de corto a largo. Una historia de los precios más corto fue utilizado que sería ideal. Sin embargo, los resultados fueron positivos en el segmento de validación, lo que sugiere la estrategia no fue sobre-ajuste. Esto apoya la idea de que una red neural puede ser utilizado en una estrategia de negociación sin necesariamente exceso de ajuste de la estrategia para el mercado. La estrategia que aquí se presenta no está destinado a operaciones reales y no ha sido probado en el seguimiento en tiempo real o de comercio. Sin embargo, en este artículo se puede utilizar como una plantilla para el desarrollo de estrategias similares para el EURUSD o en otros mercados. Como siempre, cualquier estrategia de negociación a desarrollar debe ser probado a fondo en el seguimiento en tiempo real o en los datos separados para validar los resultados y para familiarizarse con las características de operación de la estrategia previa a vivir de comercio. Este artículo apareció en la edición de febrero 2015 el boletín Adaptrade Software. Resultados de rendimiento hipotético o simulados tienen ciertas limitaciones inherentes. Diferencia de un registro RENDIMIENTO actuales, resultados SIMULADOS NO representan operaciones reales. Además, dado que los oficios en realidad no han sido ejecutadas, los resultados pueden tener sub o sobre-compensado el impacto, de haberlo, de ciertos factores de mercado, como la falta de liquidez. PROGRAMAS comerciales simuladas, en general, están sujetos a los hecho de que están diseñados con el beneficio de la retrospectiva. NO SE REALIZA LA REPRESENTACIÓN QUE CUALQUIER CUENTA O PROBABLEMENTE PARA LOGRAR GANANCIAS O PÉRDIDAS SIMILARES A LOS QUE SE MUESTRA. Si youd como para estar informado de los nuevos desarrollos, noticias y ofertas especiales de Adaptrade Software, por favor, únase a nuestra lista de correo electrónico. Gracias.