Algoritma prediksi forex

Cara Kerjanya Tujuan utama Peramalan Forex adalah memberikan prediksi harga pasar FOREX harian dan intra hari berkualitas tinggi. Anda akan menerima prediksi mata uang dalam format tablegraphics, berdasarkan lima periode waktu yang berbeda (5 dan 15 menit 1 jam 1 hari dan 1 bulan) bersamaan dengan sinyal buysell yang sesuai. Peramalan Forex menggunakan algoritma prediksi yang awalnya dikembangkan untuk peramalan saham dan disesuaikan dengan pasar Forex. Anda bisa mengakses layanan kami dengan dua cara: Online melalui website kami. Setelah membuat akun, Anda akan menerima akses ke panel kontrol dan alat yang kami tawarkan. Menggunakan perangkat lunak favorit Anda, seperti Metastock, Metatrader, dan lain-lain. Anda perlu mendownload dan menginstal plugin Forex-Forecasting. Kemudian, Anda bisa menggunakan prediksi kami bersamaan dengan formula dan algoritma trading yang sudah Anda gunakan. Konsep: Banyak contoh tren mata uang memiliki struktur gelombang (atau non-periodik, osilasi). Hal ini dapat diwakili secara matematis sebagai kombinasi dari jumlah harmonisa dengan frekuensi, perubahan yang tidak diketahui dan trend amplitudo. Dengan demikian, informasi tentang harmonisa ini sangat berguna baik untuk ramalan time series (prediksi harga pasar) maupun decision support (saran beli). Namun, metode analisis biasa tidak dapat digunakan untuk memisahkan parameter parameter harmonisa. Kami telah mengembangkan metode peramalan khusus untuk rangkaian waktu ekonomi berdasarkan teknologi inovatif dan unik kami. Inti dari metode kami adalah dekomposisi dari kedua komponen tren dan osilasi dari deret waktu dengan bantuan filter digital. Teknik adaptif khusus ini, yang berbasis pada jaringan syaraf tiruan, digunakan untuk memperbarui model dan mendeteksi hari ketika deret waktu mengubah sifatnya (pengetahuan kita). Berbeda dengan metode lain, teknik kami dapat mengidentifikasi tren jangka panjang dan osilasi dengan frekuensi yang berubah sambil memberikan hasil yang jauh lebih nyaman daripada, misalnya analisis Fourier. Lokakarya Internasional IEEE tentang Akuisisi Data Cerdas dan Sistem Komputasi Tingkat Lanjut: Teknologi dan Aplikasi 6-8 September 2007, Dortmund, Jerman Konferensi Ekonomi Atlantik Internasional ke 58, Chicago, Illinois, 7-10 Oktober, 2004Menggunakan Algoritma Genetika Untuk Memperkirakan Pasar Keuangan Burton menyarankannya Buku, A Random Walk Down Wall Street, (1973) bahwa, seekor monyet tuna lipat yang melempar anak panah ke halaman keuangan surat kabar dapat memilih portofolio yang akan dilakukan sebaik yang dipilih oleh para ahli dengan cermat. Sementara evolusi mungkin membuat manusia tidak lebih cerdas dalam memilih saham, teori Charles Darwins cukup efektif bila diterapkan secara lebih langsung. (Untuk membantu Anda memilih saham, lihat Bagaimana Memilih Saham A). Apa Algoritma Genetika Algoritma genetika (GA) adalah metode pemecahan masalah (atau heuristik) yang meniru proses evolusi alami. Tidak seperti jaringan syaraf tiruan (JST), dirancang berfungsi seperti neuron di otak, algoritma ini memanfaatkan konsep seleksi alam untuk menentukan solusi terbaik untuk sebuah masalah. Akibatnya, GA biasanya digunakan sebagai pengoptimasi yang menyesuaikan parameter untuk meminimalkan atau memaksimalkan beberapa ukuran umpan balik, yang kemudian dapat digunakan secara independen atau dalam konstruksi JST. Di pasar keuangan. Algoritma genetika paling umum digunakan untuk menemukan nilai kombinasi parameter terbaik dalam aturan perdagangan, dan algoritma ini dapat dibangun menjadi model ANN yang dirancang untuk memilih saham dan mengidentifikasi perdagangan. Beberapa penelitian telah menunjukkan bahwa metode ini dapat terbukti efektif, termasuk Algoritma Genetika: Genesis of Stock Evaluation (2004) oleh Rama, dan Penerapan Algoritma Genetika pada Optimalisasi Data Mining Market (2004) oleh Lin, Cao, Wang, Zhang. (Untuk mempelajari lebih lanjut tentang JST, lihat Neural Networks: Peramalan Keuntungan). Bagaimana Algoritma Genetika Bekerja Algoritma genetika dibuat secara matematis dengan menggunakan vektor, yaitu jumlah yang memiliki arah dan besaran. Parameter untuk setiap aturan perdagangan diwakili dengan vektor satu dimensi yang dapat dianggap sebagai kromosom dalam hal genetik. Sementara itu, nilai yang digunakan pada masing-masing parameter dapat dianggap sebagai gen, yang kemudian dimodifikasi dengan menggunakan seleksi alam. Misalnya, aturan perdagangan mungkin melibatkan penggunaan parameter seperti Moving Average Convergence-Divergence (MACD). Exponential Moving Average (EMA) dan Stochastics. Algoritma genetika kemudian akan memasukkan nilai ke parameter ini dengan tujuan memaksimalkan laba bersih. Seiring berjalannya waktu, perubahan kecil diperkenalkan dan hal-hal yang membuat dampak yang diinginkan tetap dipertahankan untuk generasi berikutnya. Ada tiga jenis operasi genetik yang kemudian dapat dilakukan: Crossover mewakili reproduksi dan crossover biologis yang terlihat dalam biologi, di mana seorang anak memiliki karakteristik tertentu dari orang tuanya. Mutasi merupakan mutasi biologis dan digunakan untuk mempertahankan keragaman genetik dari satu generasi populasi ke generasi berikutnya dengan memperkenalkan perubahan kecil secara acak. Seleksi adalah tahap di mana genom individu dipilih dari populasi untuk pembibitan nanti (rekombinasi atau crossover). Ketiga operator ini kemudian digunakan dalam proses lima langkah: Menginisialisasi populasi acak, di mana setiap kromosom n-panjang, dengan n menjadi jumlah parameter. Artinya, sejumlah parameter acak dibentuk dengan masing-masing n elemen. Pilih kromosom, atau parameter, yang meningkatkan hasil yang diinginkan (kemungkinan laba bersih). Terapkan operator mutasi atau crossover ke orang tua yang dipilih dan menghasilkan keturunan. Kumpulkan kembali keturunan dan populasi saat ini untuk membentuk populasi baru dengan operator seleksi. Ulangi langkah dua sampai empat. Seiring waktu, proses ini akan menghasilkan kromosom yang semakin menguntungkan (atau, parameter) untuk digunakan dalam aturan perdagangan. Prosesnya kemudian dihentikan saat kriteria penghentian terpenuhi, yang dapat mencakup waktu berjalan, kebugaran, jumlah generasi atau kriteria lainnya. (Untuk informasi lebih lanjut tentang MACD, baca Trading The MACD Divergence.) Menggunakan Algoritma Genetika dalam Perdagangan Sementara algoritma genetika terutama digunakan oleh pedagang kuantitatif institusional. Pedagang individu dapat memanfaatkan kekuatan algoritma genetika - tanpa gelar dalam matematika tingkat lanjut - menggunakan beberapa paket perangkat lunak yang ada di pasaran. Solusi ini berkisar dari paket perangkat lunak mandiri yang diarahkan ke pasar keuangan ke add-on Microsoft Excel yang dapat memfasilitasi analisis hands-on lebih banyak. Saat menggunakan aplikasi ini, trader dapat menentukan seperangkat parameter yang kemudian dioptimalkan menggunakan algoritma genetika dan satu set data historis. Beberapa aplikasi dapat mengoptimalkan parameter yang digunakan dan nilai untuknya, sementara yang lain terutama berfokus hanya pada mengoptimalkan nilai untuk seperangkat parameter tertentu. (Untuk mempelajari lebih lanjut tentang strategi turunan program ini, lihat The Power Of Program Trades.) Tip dan Trik Optimalisasi Penting Kurva pas (over pas), merancang sistem perdagangan seputar data historis daripada mengidentifikasi perilaku berulang, merupakan potensi risiko bagi pedagang yang menggunakan Algoritma genetika Setiap sistem perdagangan yang menggunakan GAs harus diuji ke depan di atas kertas sebelum penggunaan langsung. Memilih parameter merupakan bagian penting dari proses, dan pedagang harus mencari parameter yang berkorelasi dengan perubahan harga keamanan yang diberikan. Misalnya, cobalah indikator yang berbeda dan lihat apakah ada yang berkorelasi dengan perubahan pasar utama. Algoritma genetika adalah cara unik untuk memecahkan masalah yang kompleks dengan memanfaatkan kekuatan alam. Dengan menerapkan metode ini untuk memprediksi harga sekuritas, trader dapat mengoptimalkan aturan perdagangan dengan mengidentifikasi nilai terbaik yang akan digunakan untuk setiap parameter untuk keamanan tertentu. Namun, algoritma ini bukan Holy Grail, dan trader harus berhati-hati memilih parameter yang tepat dan tidak sesuai kurva (over fit). (Untuk membaca lebih lanjut tentang pasar, lihat Listen to The Market, Not The Pundits.) Algoritma Genetika SnowCron dalam Sistem Perdagangan FOREX Menggunakan Algoritma Genetika untuk menciptakan Strategi Perdagangan FOREX yang menguntungkan. Algoritma Genetika di Cortex Neural Networks Perangkat Lunak Feedforward Backpropagation Neural Network Aplikasi untuk perhitungan genetik berbasis perdagangan Forex. Contoh ini menggunakan konsep dan gagasan dari artikel sebelumnya, jadi tolong baca Algoritma Genetika Jaringan Syaraf Tiruan dalam Sistem Perdagangan FOREX terlebih dahulu, meski tidak wajib. Tentang teks ini Pertama-tama, mohon membaca disclaimer. Ini adalah contoh penggunaan fungsionalitas algoritma genetika Jaringan Cortex Neural Networks, bukan contoh bagaimana melakukan trading yang menguntungkan. Saya bukan guru Anda, saya juga tidak bertanggung jawab atas kerugian Anda. Cortex Neural Networks Software memiliki jaringan syaraf di dalamnya, dan FFBP yang pernah kita bahas sebelumnya hanyalah salah satu cara untuk memilih strategi trading forex. Ini adalah teknik yang bagus, kuat dan bila diaplikasikan dengan benar, sangat menjanjikan. Namun, ada masalah - untuk mengajar Jaringan Syaraf Tiruan. Kita perlu tahu output yang diinginkan. Hal ini agak mudah dilakukan ketika kita melakukan aproksimasi fungsi, kita hanya mengambil nilai sebenarnya dari sebuah fungsi, karena kita tahu apa jadinya. Saat kita melakukan peramalan jaringan syaraf tiruan. Kami menggunakan teknik (dijelaskan dalam artikel sebelumnya) untuk mengajarkan Jaringan Syaraf Tiruan pada sejarah, sekali lagi, jika kita memprediksi, katakanlah, nilai tukar, kita tahu (selama pelatihan) apa prediksi yang benar. Namun, ketika kita membangun sistem perdagangan, kita tidak tahu apa keputusan trading yang benar, walaupun kita tahu nilai tukar. Sebenarnya, kita memiliki banyak strategi trading forex yang bisa kita gunakan kapan saja, dan Kita perlu menemukan yang baik - bagaimana Apa yang harus kita makan sebagai keluaran yang diinginkan dari Neural Net kita Jika Anda mengikuti artikel sebelumnya, Anda tahu, bahwa kita telah menipu untuk mengatasi masalah ini. Kami menganjurkan Neural Network untuk melakukan prediksi nilai tukar (atau nilai tukar berbasis indikator), dan kemudian menggunakan prediksi ini untuk melakukan trading. Kemudian, di luar bagian Neural Network dari program ini, kami membuat keputusan tentang Jaringan Syaraf Tiruan mana yang terbaik. Algoritma genetika dapat mengatasi masalah ini secara langsung, mereka BISA memecahkan masalah yang dinyatakan sebagai menemukan sinyal perdagangan terbaik. Pada artikel ini kita akan menggunakan Cortex Neural Networks Software untuk membuat program semacam itu. Algoritma genetika menggunakan Algoritma Genetika yang sangat berkembang dengan baik, dan sangat beragam. Jika Anda ingin mempelajari semua tentang mereka, saya sarankan Anda menggunakan Wikipedia, karena artikel ini hanya tentang apa yang dapat dilakukan Cortex Neural Networks Software. Memiliki Cortex Neural Networks Software. Kita dapat membuat Jaringan Syaraf Tiruan yang mengambil beberapa input, katakanlah, nilai indikator, dan menghasilkan beberapa keluaran, katakanlah, sinyal perdagangan (beli, jual, tahan) dan stop loss mengambil tingkat keuntungan untuk posisi yang akan dibuka. Tentu saja, jika kita membobol bobot Jaringan Syaraf Tiruan ini secara acak, hasil perdagangan akan sangat buruk. Namun, katakanlah kita menciptakan selusin NN tersebut. Kemudian kita bisa menguji kinerja masing-masing, dan memilih yang terbaik, pemenangnya. Ini adalah generasi pertama NNs. Untuk melanjutkan ke generasi kedua, kita perlu membiarkan pemenang kita berkembang biak, tapi untuk menghindari salinan yang sama, mari tambahkan beberapa noice acak ke bobot keturunannya. Pada generasi kedua, kita memiliki pemenang generasi pertama dan salinannya yang tidak sempurna (bermutasi). Mari kita melakukan pengujian lagi. Kami akan memiliki pemenang lain, yang LEBIH BAIK, maka Jaringan Syaraf Tiruan lainnya ada di generasinya. Dan seterusnya. Kami hanya mengizinkan para pemenang untuk berkembang biak, dan menghilangkan pecundang, sama seperti evolusi kehidupan nyata, dan kami akan mendapatkan jaringan syaraf perdagangan terbaik kami. Tanpa pengetahuan sebelumnya tentang bagaimana sistem perdagangan (algoritma genetika) seharusnya. Algoritma Genetika Jaringan Syaraf Tiruan: Contoh 0 Ini adalah contoh algoritma genetika yang pertama. Dan yang sangat sederhana. Kita akan berjalan melewatinya selangkah demi selangkah, untuk mempelajari semua trik yang akan digunakan contoh berikut. Kode memiliki komentar sebaris, jadi mari kita fokus pada momen penting. Pertama, kita telah menciptakan jaringan syaraf tiruan. Ini menggunakan bobot acak, dan belum diajar. Kemudian, dalam siklus, kita membuat 14 salinannya, dengan menggunakan fumction MUTATIONNN. Fungsi ini membuat salinan sumber Neural Network. Menambahkan nilai acak dari 0 ke (dalam kasus kami) 0,1 ke semua bobot. Kami tetap menangani 15 NNs dalam array, kita bisa melakukannya, karena pegangan hanya bilangan bulat. Alasan kami menggunakan 15 NN tidak ada hubungannya dengan perdagangan: Cortex Neural Networks Software dapat merencanakan hingga 15 baris pada grafik secara bersamaan. Kita bisa menggunakan pendekatan yang berbeda untuk pengujian. Pertama, kita bisa menggunakan set pembelajaran, semuanya sekaligus. Kedua, kita bisa menguji, katakanlah, 12000 surat perintah (dari 100000), dan berjalan melalui rangkaian pembelajaran, dari awal sampai akhir. Itu akan membuat learnigs berbeda, karena kita akan mencari Neural Network s yang menguntungkan pada setiap bagian data, tidak hanya di seluruh rangkaian. Pendekatan kedua bisa memberi kita masalah, jika data berubah, dari awal sampai akhir. Kemudian jaringan akan berkembang, mendapatkan kemampuan untuk berdagang di penghujung data, dan kehilangan kemampuan untuk berdagang sejak awal. Untuk mengatasi masalah itu, kita akan mengambil acak 12000 fragmen data dari data, dan memasukkannya ke Neural Network. Hanyalah siklus yang tak ada habisnya, karena siklus 100000 tidak akan pernah tercapai pada kecepatan kita. Di bawah ini kami menambahkan satu anak untuk setiap jaringan, dengan bobot sedikit berbeda. Perhatikan, bahwa 0.1 untuk mutasi tange bukan satu-satunya pilihan, faktanya, parameter ini pun bisa dioptimalkan menggunakan algoritma genetika. NN yang baru dibuat ditambahkan setelah 15 yang sudah ada. Dengan cara ini kita memiliki 30 NNs dalam array, 15 tua dan 15 baru. Kemudian kita akan melakukan siklus pengujian berikutnya, dan untuk membunuh pecundang, dari kedua generasi. Untuk melakukan pengujian, kami menerapkan Jaringan Syaraf Tiruan ke data kami, untuk menghasilkan keluaran, dan kemudian memanggil fungsi Uji, yang menggunakan keluaran ini untuk mensimulasikan perdagangan. Hasil perdagangan digunakan untuk menentukan, mana NN yang terbaik. Kami menggunakan interval catatan nLearn, dari nStart ke nStart nLearn, di mana nStart adalah titik acak dalam pembelajaran. Kode di bawah ini adalah tipuan. Alasan kami menggunakannya adalah untuk mengilustrasikan fakta, bahwa algoritma genetika dapat menciptakan algoritma genetika. Tapi itu tidak akan menjadi yang terbaik, dan juga, untuk menyarankan, bahwa kita dapat memperbaiki hasilnya, jika kita menyiratkan beberapa keterbatasan pada proses belajar. Ada kemungkinan, bahwa sistem perdagangan kita bekerja dengan baik pada perdagangan yang panjang, dan sangat buruk, atau sebaliknya. Jika, katakanlah, perdagangan panjang SANGAT bagus, algoritma genetika ini bisa menang, bahkan dengan kerugian besar pada perdagangan pendek. Untuk menghindarinya, kita menetapkan bobot lebih pada perdagangan panjang dalam perdagangan ganjil dan pendek bahkan dalam siklus. Ini hanyalah sebuah contoh, tidak ada jaminan, bahwa itu akan memperbaiki sesuatu. Lebih lanjut tentang itu di bawah ini, dalam diskusi tentang koreksi. Secara teknis, Anda tidak perlu melakukannya, atau bisa membuatnya berbeda. Tambahkan keuntungan ke array yang diurutkan. Ini mengembalikan posisi penyisipan, kemudian kita menggunakan posisi ini untuk menambahkan pegangan Jaringan Syaraf Tiruan, mempelajari dan menguji keuntungan ke array yang tidak diurutkan. Sekarang kita memiliki data untuk Jaringan Syaraf Tiruan saat ini pada indeks array yang sama dengan keuntungannya. Idenya adalah sampai pada deretan NN, diurutkan berdasarkan profitabilitas. Karena array diurutkan berdasarkan keuntungan, untuk menghapus 12 jaringan, yang kurang menguntungkan, kita hanya perlu menghapus NN 0 sampai 14 Keputusan perdagangan didasarkan pada nilai sinyal Neural Network, dari sudut pandang ini programnya identik dengan contoh dari Artikel sebelumnya Strategi Perdagangan FOREX: Membahas contoh 0 Pertama-tama, mari kita lihat grafiknya. Bagan pertama untuk keuntungan selama iterasi pertama tidak bagus sama sekali, seperti yang diharapkan, Jaringan Syaraf Tiruan kehilangan uang (image evolution00gen0.png disalin setelah iterasi pertama dari folder gambar): Citra untuk keuntungan pada siklus 15 lebih baik, kadang-kadang , Algoritma genetika dapat belajar sangat cepat: Namun, perhatikan kejenuhan pada kurva keuntungan. Menarik juga untuk melihat bagaimana keuntungan individu berubah, mengingat, jumlah kurva tersebut, katakanlah, tidak selalu sama untuk Jaringan Syaraf Tiruan yang sama. Karena mereka terlahir dan dihentikan setiap saat: Perhatikan juga, bahwa dengan sedikit sistem perdagangan otomatis forex melakukan buruk pada perdagangan pendek, dan jauh lebih baik dalam rindu, yang mungkin atau mungkin tidak terkait dengan fakta, bahwa dolar turun dibandingkan dengan Euro selama periode tersebut Ini juga mungkin ada kaitannya dengan parameter indikator kita (mungkin, kita memerlukan periode yang berbeda untuk celana pendek) atau pilihan indikator. Inilah sejarah setelah siklus 92 dan 248: Yang mengejutkan kami, algoritma genetika gagal total. Mari kita coba untuk mencari tahu mengapa, dan bagaimana membantu situasi. Pertama-tama, isnt setiap generasi seharusnya lebih baik daripada yang sebelumnya. Jawabannya tidak, setidaknya tidak sesuai model yang kita gunakan. Jika kita terus belajar mengatur sekaligus, dan menggunakannya berulang kali untuk mengajarkan NNs kita, maka ya, mereka akan memperbaiki setiap generasi. Tapi sebaliknya, kami mengambil fragmen acak (12000 catatan waktu), dan menggunakannya. Dua pertanyaan: mengapa sistem gagal dalam fragmen acak dari himpunan pembelajaran, dan mengapa kita tidak menggunakan keseluruhan pembelajaran. Untuk menjawab pertanyaan kedua, saya melakukannya. NNs tampil sangat - pada set pembelajaran. Dan mereka gagal dalam pengujian, karena alasan yang sama gagal saat kami menggunakan pembelajaran FFPB. Secara berbeda, NNs kita mengalami overspecialized, mereka belajar bagaimana bertahan di lingkungan tempat mereka dulu, tapi tidak di luarnya. Hal ini banyak terjadi di alam. Pendekatan yang kami ambil malah dimaksudkan untuk mengkompensasi hal itu, dengan memaksa NN melakukan kinerja yang baik pada fragmen dataset acak manapun, sehingga mudah-mudahan, mereka juga dapat melakukan pengujian yang tidak biasa. Sebaliknya, mereka gagal dalam pengujian dan pembelajaran. Bayangkan binatang, tinggal di padang pasir. Banyak matahari, tidak ada salju sama sekali. Ini adalah metafor untuk menilai pasar, karena data NNs kita memainkan peran lingkungan. Hewan belajar tinggal di padang pasir. Bayangkan binatang, yang hidup dalam iklim yang dingin. Salju dan tidak ada matahari sama sekali. Nah, mereka menyesuaikan diri. Namun, dalam percobaan kami, kami secara acak menempatkan NNs kami di padang pasir, di salju, di air, di pepohonan. Dengan menyajikan berbagai fragmen data (secara acak naik, jatuh, rata.). Hewan mati. Atau, dengan kata lain, kami memilih Jaringan Syaraf Tiruan terbaik untuk kumpulan data acak 1, yang, katakanlah, adalah untuk meningkatkan pasar. Kemudian kami sampaikan, kepada para pemenang dan anak-anak mereka, data pasar yang sedang jatuh. NNs tampil buruk, kami mengambil yang terbaik dari pemain miskin, mungkin salah satu anak mutan, yang kehilangan kemampuan untuk berdagang di pasar yang sedang naik, namun memiliki kemampuan untuk mengatasi kejatuhannya. Kemudian kami membalik meja lagi, dan sekali lagi, kami mendapatkan pemain terbaik - tapi terbaik di antara pemain miskin. Kami hanya tidak memberikan NNs kami kesempatan untuk menjadi universal. Ada beberapa teknik yang memungkinkan algoritma genetika mempelajari informasi baru tanpa menghilangkan informasi lama (bagaimanapun juga, hewan dapat hidup di musim panas dan musim dingin, jadi evolusi dapat mengatasi perubahan yang berulang). Kita mungkin akan membahas teknik ini nanti, walaupun artikel ini lebih banyak tentang penggunaan Perangkat Lunak Neural Networks Cortex. Daripada tentang membangun sistem perdagangan otomatis forex yang sukses. Algoritma Genetika Jaringan Syaraf Tiruan: Contoh 1 Sekarang saatnya untuk membicarakan koreksi. Algoritma genetika sederhana yang kami buat selama langkah sebelumnya memiliki dua kelemahan utama. Pertama, gagal melakukan perdagangan dengan keuntungan. Tidak apa-apa, kita bisa mencoba menggunakan sistem yang sebagian terlatih (memang menguntungkan di awal). Cacat kedua lebih serius: kita tidak memiliki kendali atas hal-hal, bahwa sistem ini tidak. Misalnya, mungkin belajar untuk menjadi menguntungkan, tapi dengan penarikan besar. Ini adalah fakta yang diketahui, bahwa dalam kehidupan nyata, evolusi dapat mengoptimalkan lebih dari satu parameter secara bersamaan. Sebagai contoh, kita bisa mendapatkan seekor binatang, yang bisa berlari cepat DAN tahan terhadap dingin. Mengapa tidak mencoba melakukan hal yang sama di sistem trading otomatis forex kita. Thats ketika kita menggunakan koreksi, yang tidak lain adalah himpunan hukuman tambahan. Katakanlah, sistem kita diperdagangkan dengan drawdown 0.5, sementara kita ingin mengkonfirmasi ke 0 - 0,3 interval. Untuk memberi tahu sistem bahwa itu membuat kesalahan, kami menurunkan keuntungannya (yang digunakan untuk menentukan, algoritma genetika mana yang dimenangkan) sampai tingkat yang sebanding dengan ukuran DD. Kemudian, algoritma evolusi menangani sisanya. Ada beberapa faktor lagi, yang ingin kita pertimbangkan: kita mungkin ingin memiliki jumlah operasi buy and sell yang kurang lebih sama, kita ingin memiliki lebih banyak operasi yang menguntungkan, kemudian kegagalan, kita mungkin menginginkan bagan keuntungan untuk Menjadi linier dan seterusnya. Dalam evolusi01.tsc kita menerapkan satu set koreksi sederhana. Pertama-tama, kami menggunakan sejumlah besar untuk nilai koreksi awal. Kami memperbanyaknya menjadi nilai kecil (biasanya antara 0 dan 1), tergantung pada hukuman yang ingin kami terapkan. Kemudian kita melipatgandakan keuntungan kita dengan koreksi ini. Akibatnya, keuntungan dikoreksi, untuk mencerminkan seberapa banyak algoritma genetik sesuai dengan kriteria kita yang lain. Kemudian kami menggunakan hasilnya untuk menemukan pemenang Neural Network. Strategi Perdagangan FOREX: Membahas contoh 1 Contoh 1 bekerja lebih baik, daripada contoh 0. Selama 100 siklus pertama, ia belajar banyak, dan grafik keuntungan terlihat meyakinkan. Namun, seperti pada contoh 0, perdagangan panjang jauh lebih menguntungkan, yang kemungkinan besar berarti ada masalah dalam pendekatan kami. Namun demikian, sistem tersebut menemukan keseimbangan antara beberapa kondisi awal yang kontradiktif: Ada beberapa dinamika positif baik dalam pembelajaran maupun yang lebih penting, dalam pengujian. Sedangkan untuk pembelajaran lebih lanjut, pada siklus 278 kita dapat melihat, bahwa sistem kita terlipat. Artinya, kita masih memiliki kemajuan dalam pembelajaran: Tapi rangkaian pengujian menunjukkan kelemahan: Ini adalah masalah umum dengan NNs: ketika kita mengajarkannya pada pembelajaran, ia belajar untuk menghadapinya, dan terkadang pembelajarannya berjalan dengan baik - ke Derajat, bila kehilangan kinerja pada set pengujian. Untuk mengatasi masalah itu, solusi tradisional digunakan: kami terus mencari Jaringan Syaraf Tiruan. Yang melakukan yang terbaik pada set pengujian, dan simpan, Timpa yang terbaik sebelumnya, setiap saat puncak baru tercapai. Ini adalah pendekatan yang sama, kami menggunakan pelatihan FFBP, kecuali saat ini kami harus melakukannya sendiri (menambahkan kode, yang mencari Jaringan Syaraf Tiruan terbaik di set pengujian, dan memanggil SAVENN, atau mengekspor bobot Jaringan Syaraf Tiruan ke sebuah mengajukan). Dengan cara ini, saat Anda menghentikan latihan Anda, Anda akan memiliki pemain terbaik SETEL TESTING SET yang tersimpan dan menunggu Anda. Perhatikan juga, itu bukan yang maks. Keuntungan yang Anda kejar, tapi performa optimal, jadi pertimbangkan untuk menggunakan koreksi, saat mencari pemain terbaik di set pengujian. Algoritma Genetika untuk Analisis Teknik FOREX: Dimana sekarang Setelah Anda mendapatkan Neural Network pemenang Anda. Anda bisa mengikuti langkah-langkahnya, yang dijelaskan di artikel sebelumnya, untuk mengekspor bobot Jaringan Syaraf Tiruan itu. Dan kemudian menggunakannya di platform trading real time Anda, seperti Meta Trader, Trade Station dan sebagainya. Sebagai alternatif, Anda dapat berfokus pada cara lain untuk mengoptimalkan Neural Network. Berbeda dengan algoritma FFBP, di sini Anda bisa mendapatkan avay dari menggunakan set pembelajaran dan pengujian, dan memindahkan pembelajaran berurutan. Download Cortex Order Cortex Lihat Harga Daftar Visibilitas sangat penting untuk situs ini. Jika Anda suka silakan link ke URL ini