Genetiese handel stelsels

Gevorderde bronkode. Com. Klik hier om af te laai. Genetiese algoritmes behoort aan 'n klas van masjienleer algoritmes wat suksesvol gebruik word in 'n aantal van navorsing gebiede. Daar is 'n groeiende belangstelling in die gebruik daarvan in die finansiële ekonomie, maar tot dusver is daar min formele analise. In aandelemark, 'n tegniese handel reël is 'n gewilde instrument vir ontleders en gebruikers om hul navorsing te doen en besluit om hul aandele te koop of te verkoop. Die belangrike kwessie vir die sukses van 'n verhandeling reël is die keuse van waardes vir alle parameters en hul kombinasies. Tog kan die verskeidenheid van parameters verskil in 'n groot gebied, en daarom is dit moeilik vir gebruikers om die beste parameter kombinasie te vind. Deur die gebruik van 'n genetiese algoritme, kan ons kyk vir beide die struktuur en die parameters van die reëls op dieselfde tyd. Ons het 'n handel stelsel wat deur Alfredo Rosa het ontwikkel met behulp van genetiese algoritmes new. 'n nuwe, komplekse 16-bars handel reël is ontdek en getoets op Italiaanse FIB met briljante resultate. Soekterme: Matlab, bron,-kode, data-ontginning, handel stelsel, aandelemark voorspelling, handel reël onttrekking, genetiese algoritmes, handel stelsels, staafgrafiek, kandelaar grafiek, prys patrone, parameter kombinasie. Figuur 1. genetiese struktuur van 'n optimale komplekse prys patroon deur genetiese algoritmes ontdek. Demo-kode (beskermde P-lêers) wat beskikbaar is vir prestasie-evaluering. Matlab Finansiële Gereedskap, genetiese algoritme en direkte Soek Gereedskap vereis. Ons beveel aan die veilige verbinding na PayPal kyk, ten einde enige bedrog te voorkom. Hierdie skenking moet beskou as 'n aanmoediging om die kode self te verbeter. Genetiese Trading System - Klik hier vir jou donasie. Met die oog op die bronkode te verkry moet jy 'n bietjie bedrag geld te betaal: 90 euro (minder as 126 Amerikaanse dollar). Sodra jy dit gedoen het, kan jy e-pos ons luigi. rosatiscali. it So gou as moontlik (in 'n paar dae) sal jy ons nuwe weergawe van genetiese Trading System ontvang. Alternatiewelik kan jy skenk die gebruik van ons bank koördinate: Die skep van 'n Trading System binne Trading System Lab Trading System Lab sal outomaties genereer Trading Systems op enige mark in 'n paar minute met behulp van 'n baie gevorderde rekenaarprogram bekend as 'n AIMGP (outomatiese Induksie van masjienkode met genetiese programmering). Skepping van 'n Trading System binne Trading System Lab word bereik in 3 maklike stappe. In die eerste plek is 'n eenvoudige voorverwerker loop wat outomaties uittreksels en preprocesses die nodige inligting uit die mark wat jy wil om te werk met. TSL aanvaar CSI, Meta, AIQ, TradeStation, Free Internet data, ASCII, TXT, CSV, CompuTrac, DowJones, Futuresource, TeleChart2000v3, TechTools, XML, Binary en Internet Streaming data. Tweedens, die Trading System Generator (GP) is hardloop vir 'n paar minute, of meer, om 'n nuwe Trading System ontwikkel. Jy kan jou eie data, patrone, aanwysers, Intermarket verhoudings of fundamentele data gebruik binne TSL. Derde, is die ontstaan ​​Trading System geformateer om nuwe Trading System seine produseer vanuit TradeStation of vele ander handel platforms. TSL sal outomaties skryf Maklik taal, Java, Assembler, C-kode, C-kode en WealthLab script taal. Die Trading System kan dan met die hand verhandel, verhandel deur 'n makelaar, of outomaties verhandel. Jy kan die Trading System jouself te skep of kan ons dit vir jou doen. Dan kan jy of jou makelaar die stelsel óf met die hand of outomaties handel. Trading System Labs Genetiese Program bevat verskeie kenmerke wat die moontlikheid van krommepassing verminder, of die vervaardiging van 'n Trading System wat nie voortgaan om uit te voer in die toekoms. In die eerste plek het die ontstaan ​​Trading Systems hul grootte gesnoei af na die laagste moontlike grootte deur wat Parsimony Druk genoem, teken van die konsep van 'n minimale beskrywing lengte. So het die gevolglike Trading System is so eenvoudig as moontlik en dit is algemeen geglo dat die eenvoudiger die handel stelsel is, hoe beter sal dit uit te voer in die toekoms. In die tweede plek is willekeur opgeneem in die evolusionêre proses, wat die moontlikheid van die vind van oplossings wat plaaslik is verminder, maar nie globaal optimum. Ewekansigheid is ingestel oor nie net die kombinasies van die genetiese materiaal wat gebruik word in die ontstaan ​​Trading Systems, maar in Parsimony druk, mutasie, Crossover en ander hoër-vlak GP parameters. Uit Voorbeeld toets uitgevoer word, terwyl opleiding is aan die gang met statistiese inligting wat op beide die In Voorbeeld en uit Voorbeeld Trading System toets. Begin logs word aan die gebruiker vir opleiding, Validering en Uit Voorbeeld data. Goed gedra Uit Voorbeeld prestasie kan 'n aanduiding dat die handel stelsel is ontwikkel met robuuste eienskappe wees. Aansienlike verswakking in die outomatiese Uit Voorbeeld toets in vergelyking met die in die monster toets kan daardie skepping van 'n robuuste Trading System impliseer is in twyfel of dit die terminale, of insette Stel mag nodig wees om te verander. Ten slotte, is die Terminal Stel versigtig gekies word om nie té afvallig die keuse van die aanvanklike genetiese materiaal na 'n bepaalde mark vooroordeel of sentiment. TSL begin nie sy lopie met 'n Trading System gedefinieerde. Trouens, net die Input Stel en 'n seleksie van die mark inskrywing af of modes, vir 'n outomatiese inskrywing soek en opdrag, is aanvanklik gemaak. 'N patroon of aanwyser gedrag wat van 'n lomp situasie kan gedink kan word, weggegooi of omgekeerde binne die GP. Geen patroon of aanwyser is pre-opgedra aan 'n bepaalde mark beweging vooroordeel. Dit is 'n radikale afwyking van die hand gegenereer Trading System ontwikkeling. 'N Trading System is 'n logiese stel instruksies wat die handelaar vertel wanneer om te koop of te verkoop 'n spesifieke mark. Hierdie instruksies benodig selde ingryping deur 'n handelaar. Trading Systems kan met die hand verhandel, deur die waarneming van handel instruksies op 'n rekenaarskerm, of kan verhandel deur toe te laat dat die rekenaar ambagte in die mark outomaties binnegaan. Beide metodes is in wydverspreide gebruik vandag. Daar is meer professionele geld bestuurders wat hulself as Sistematiese of Meganiese handelaars as diegene wat hulself as Diskresionêre, en die prestasie van Sistematiese geld bestuurders is oor die algemeen beter as dié van Diskresionêre geld bestuurders. Studies het getoon dat handel rekeninge algemeen geld verloor meer dikwels as die kliënt nie die gebruik van 'n Trading System. Die beduidende toename in handel stelsels oor die afgelope 10 jaar is duidelik veral in die kommoditeit makelaarsfirmas egter gelykheid en effektemark makelaarsfirmas toenemend bewus van die voordele deur die gebruik van handel stelsels en 'n paar het begin om handel stelsels bied om hul kleinhandel kliënte. Die meeste onderlinge fonds bestuurders is reeds met behulp van gesofistikeerde algoritmes om hul besluite te lei oor wat warm voorraad te tel of wat sektor rotasie is ten gunste. Rekenaars en algoritmes hoofstroom in te belê word en ons verwag dat hierdie tendens sal voortduur as jonger, meer rekenaar vaardig beleggers voortgaan om toe te laat gedeeltes van hul geld deur Trading Systems bestuur moet word om risiko te verminder en opbrengste te verhoog. Die groot verliese ervaar word deur beleggers wat deelneem aan die koop en hou voorrade en wedersydse fondse as die aandelemark gesmelt in die afgelope jaar is die bevordering van hierdie beweging na 'n meer gedissiplineerde en logiese benadering tot aandelemark te belê. Die gemiddelde belegger besef dat hy of sy tans kan baie aspekte van hul lewens en die lewens van hul geliefdes gehandhaaf moet word of beheer word deur rekenaars soos die motors en vliegtuie wat ons gebruik vir vervoer, die mediese diagnostiese toerusting wat ons gebruik vir die gesondheid onderhoud, die verhitting en verkoeling beheerders wat ons gebruik vir temperatuurbeheer, die netwerke wat ons gebruik vir die internet-gebaseerde inligting, selfs die speletjies wat ons speel vir vermaak. Hoekom dan doen 'n paar klein beleggers glo dat hulle kan skiet uit die heup in hul besluite oor wat voorraad of onderlinge fonds te koop of te verkoop en verwag om geld Uiteindelik maak, het die gemiddelde belegger versigtig vir die raad en inligting aangestuur deur gewetenlose makelaars geword , rekenmeesters, korporatiewe hoofde en finansiële adviseurs. Vir die afgelope 20 jaar wiskundiges en sagteware-ontwikkelaars het aanwysers en patrone in voorraad en kommoditeitsmarkte gesoek op soek na inligting wat kan dui op die rigting van die mark. Hierdie inligting kan gebruik word om die prestasie van handel stelsels te verbeter. Oor die algemeen hierdie ontdekking proses word bereik deur 'n kombinasie van trial and error en meer gesofistikeerde data-ontginning. Tipies, sal die ontwikkelaar weke of maande van verwerking van syfers ten einde 'n potensiële Trading System vervaardig neem. Baie keer hierdie Trading System sal nie goed presteer wanneer eintlik gebruik in die toekoms as gevolg van wat genoem word krommepassing. Oor die jare was daar baie Trading Systems (en Trading System ontwikkeling maatskappye) wat gekom en gegaan soos hul stelsels in lewende handel gefaal het. Die ontwikkeling van handel stelsels wat voortgaan om uit te voer in die toekoms is moeilik, maar nie onmoontlik om te bereik, alhoewel daar geen etiese ontwikkelaar of geld bestuurder 'n onvoorwaardelike waarborg dat enige handel stelsel, of vir daardie saak enige voorraad, verband of onderlinge fonds, sal voortgaan sal gee wins vir ewig te produseer in die toekoms. Wat het weke of maande vir die Trading System ontwikkelaar te produseer in die verlede kan nou geproduseer word in minute deur die gebruik van Trading System Lab. Trading System Lab is 'n platform vir die outomatiese generasie van handel stelsels en Trading Indicators. TSL maak gebruik van 'n hoë spoed Genetiese Programmering Engine en sal handel stelsels produseer teen 'n koers van meer as 16 miljoen stelsel-bars per sekonde gebaseer op 56 insette. Let daarop dat slegs 'n paar insette eintlik gaan word of nodig wat lei tot die algemeen eenvoudige ontwikkelde strategie strukture. Met ongeveer 40,000 tot 200,000 stelsels wat nodig is vir 'n konvergensie, tyd na die samevloeiing vir enige datastel kan benader. Let daarop dat ons nie net hardloop 'n brute krag optimalisering van bestaande aanwysers op soek na 'n optimale parameters waaruit om te gebruik in 'n reeds gestruktureer Trading System. Die Trading System Generator begin by 'n nul punt oorsprong maak geen aannames oor die beweging van die mark in die toekoms en dan ontwikkel Trading Systems op 'n baie hoë tempo kombinasie inligting teenwoordig is in die mark en die formulering van nuwe filters, funksies, voorwaardes en verhoudings soos dit vorder na 'n geneties gemanipuleerde Trading System. Die gevolg is dat 'n uitstekende Trading System kan gegenereer word in 'n paar minute op 20-30 jaar van die daaglikse mark data op feitlik enige mark. Oor die afgelope paar jaar is daar verskeie benaderings tot Trading System optimalisering dat die minder kragtige genetiese algoritme in diens gewees het. Genetiese Programme (AP) is beter as genetiese algoritmes (gas) om verskeie redes. In die eerste plek GPS konvergeer op 'n oplossing op 'n eksponensiële koers (baie vinnig en kry vinniger) terwyl Genetiese algoritmes konvergeer op 'n lineêre koers (veel stadiger en geen vinniger kry). In die tweede plek GPS eintlik genereer Trading System masjienkode wat die genetiese materiaal (aanwysers, patrone, inter-mark data) in unieke maniere gekombineer word. Hierdie unieke kombinasies kan nie intuïtief duidelik wees en moenie aanvanklike definisies deur die stelsel ontwikkelaar nie nodig. Die unieke wiskundige verhoudings geskep kan nuwe aanwysers, of variante in Tegniese Analise word, nog nie ontwikkel of ontdek. Gas, aan die ander kant, net kyk vir 'n optimale oplossings soos hulle vorder oor die parameter reeks hulle nie ontdek nuwe wiskundige verhoudings en nie hul eie Trading System kode nie skryf. AP skep Trading System kode van verskillende lengtes, met behulp van veranderlike lengte genome, sal die lengte van die handel stelsel deur wat nie-homoloë crossover genoem verander en sal 'n aanduiding of patroon wat nie bydra tot die doeltreffendheid van die handel stelsel heeltemal te verwyder. Gas gebruik net vaste grootte opdrag blokke, gebruik te maak van slegs homoloë crossover en produseer nie veranderlike lengte Trading System kode, of sal hulle weggooi 'n ondoeltreffende aanwyser of patroon so geredelik as 'n algemene praktisyn. Ten slotte, genetiese Programme is 'n onlangse vooruitgang in die domein van die masjien leer, terwyl Genetiese algoritmes 30 jaar gelede ontdek is. Genetiese programme sluit al die belangrikste funksies van genetiese algoritmes crossover, voortplanting, mutasie en fiksheid egter AP sluit baie vinniger en robuuste funksies, maak AP die beste keuse vir die vervaardiging van handel stelsels. Die GP diens in TSLs Trading System Generator is die vinnigste GP tans beskikbaar en is nie beskikbaar in enige ander finansiële markte sagteware in die wêreld. Die Genetiese Programmering Algoritme, Trading Simulator en fiksheid Engines gebruik binne TSL het meer as 8 jaar te produseer. Trading System Lab is die resultaat van jare se harde werk deur 'n span van ingenieurs, wetenskaplikes, programmeerders en handelaars, en ons glo verteenwoordig die mees gevorderde tegnologie wat vandag beskikbaar is vir die handel die markets. This bladsy is opgebou uit rame, maar u blaaier nie die geval is hulle te ondersteun. DIE Graal bied daaglikse handel seine vir 'n seleksie van afgeleide markte, insluitend die SampP, euro, Hangseng, Dax en FTSE toekoms. Gee vir meer inligting oor ons SampP stelsel wat gegenereer 385 punte wins tussen Maart 2002-Oktober 2003 (77,1 p. a.) tydens real-time handel NUWE lees. Die Genetiese System Builder skep robuuste handel stelsels met volle openbaar EasyLanguage TM op die mark van jou keuse. Sagteware sluit geldbestuur en enig in sy soort genetiese Portefeulje Optimizer. Onontbeerlik vir enige stelsels handelaar: van beginners tot verskans fondsbestuurder Gratis demo beskikbaar. Om Equity grafieke van handel stelsels geskoei deur GSB sien, kliek hier Ons geld bestuur sagteware kan hupstoot winste van 'n bestaande handel stelsel. Bestel ons verslag wat jy in 8 maklike stappe, hoe om enige van die volgende geldbestuur / posisie sizing strategieë te implementeer op jou eie stelsel sal wys: Marge, Risiko, Optimal f, verwaterde Optimal f, Kelly Kriterium, verwaterde Kelly en wisselvalligheid. (Alle TradeStation EasyLanguage TM-kode ingesluit) Ons spesialiseer in die ontwerp, ontwikkeling en toetsing van handel stelsels in TradeStation TM. Pascal, C en Excel. Natural Seleksie: genetiese algoritme vir System Optimization Genetiese Programmering Evo 2 is 'n gevorderde genetiese algoritme biblioteek wat die nuutste in genetiese algoritme ontwerp inkorporeer, soos biologies identiese prosesse, epigenetiese skakelaars, gesimuleerde uitgloeiing, Westermarck inteling voorkoming, ouderdom - Beperkte rekombinasie, en nog baie meer. Die Evo 2 algoritme is nie gebaseer op die standaard enkele chromosoom GA ontwerp. Evo 2 los meerveranderlike optimeringsprobleme vinnig en skubbe goed met kompleksiteit. Die Evo 2 algoritme is ontwerp vir genetiese programmering (outonome skepping van handel stelsels), handel stelsel optimalisering en portefeulje optimalisering. Evo 2 laat ontwikkelaars bou meerveranderlike handel stelsel optimalisaties met gemak. Bio-identiese genoom en Algoritme Evo 2 is nie net bio-geïnspireerd nie, maar dit is 'n bio-identiese in baie aspekte. Evo 2 bes elke natuurlike proses van maat keuse om DNA verpakking en volledige meiose. Die meeste standaard genetiese algoritmes nalaat om die verskeie stappe van meiose wat van kardinale belang om genetiese variasie, 'n uiters belangrike veranderlike in die voorkoms van plaaslike Optima is uit te voer. Profase Gedurende profase, chromosome sinaps en 'n klein hoeveelheid DNA uitgeruil tussen homoloë chromosome deur 'n proses wat bekend staan ​​as oorkruising. Die kritieke deel van profase is die voering-up van tetrads in homoloë pare. Die Evo 2 algoritme verseker dat homo net geskep uit onverwante, teenoorgestelde geslag chromosome. Metafase en Anafase metafase en anafase is die fases waar veel variasie is opgeneem in die genoom egter die meeste genetiese algoritmes heeltemal stappe uit te laat. Evo 2 simuleer beide fases volledig en akkuraat. Geen Inteling toegelaat meeste standaard genetiese algoritmes ingeteel sop, tegnies gesproke. Inteling verminder genetiese variasie, wat om te sê, verhoed stelsels van veranderende en aan te pas by hul omgewing. In standaard gas, beteken dit dat 'n stelsel meer geneig om vas in plaaslike Optima word mag wees. Terwyl die natuur het ten minste drie meganismes om inteling te voorkom, die meeste genetiese algoritmes versuim om hierdie probleem aan te spreek. Die eerste metode: Voorkom nageslag van reproduseer. Inteling lei tot verhoogde homozygosity, wat die kanse van die nageslag kan verhoog word geraak deur resessiewe of nadelige eienskappe. Die tweede meganisme: Ry weg jong mans om bloedskande paring tussen broers en susters te voorkom. Die derde meganisme: Die Westermarck effek. Dit is 'n sielkundige effek waardeur individue wat in die nabyheid is wat tydens die kinderjare desensitized om later seksuele aantrekkingskrag geword. Die finale gevolg van inteling is die uitsterwing van spesies as gevolg van 'n gebrek aan genetiese diversiteit. Die jagluiperd, een van die mees ingeteelde spesie op aarde, is 'n uitstekende voorbeeld. En dit gebeur ook in die gesig staar uitwissing. Twintig duisend jaar gelede, jagluiperds rondgeloop in Afrika, Asië, Europa en Noord-Amerika. Ongeveer 10,000 jaar gelede, as gevolg van klimaatsverandering, almal behalwe een spesie uitgesterf het. Met die drastiese afname in hul getalle, is naasbestaandes gedwing om te teel, en die jagluiperd is geneties ingeteelde, wat beteken dat al Cheetahs is baie nou verwant. Hoewel die natuur verbied inteling, byna al die rekenaar-gesimuleerde genetiese algoritmes miskyk hierdie probleem. Evo 2 verhoed inteling via die Westermarck effek en ander gesimuleerde effekte. Epigenetiese Skakelaars epigenetiese teorie beskryf hoe veranderinge in geenuitdrukking kan veroorsaak word deur ander as veranderinge in die onderliggende DNA volgorde, tydelik of deur middel van verskeie geslagte meganismes, deur 'n invloed 'n netwerk van chemiese skakelaars binne selle gesamentlik bekend as die Epigenome. Evo 2 kan simuleer epigenetiese skakelaars sodat die stelsel tydelik te penaliseer vir aksies soos om te gulsig of risiko-sku. Gesimuleerde Uitgloeiing Gesimuleerde uitgloeiing is 'n kans metaheuristic vir die globale optimalisering probleem van die opspoor van 'n goeie benadering tot die globale optimum van 'n gegewe funksie in 'n groot soek spasie. Dit word dikwels gebruik wanneer die soek spasie is diskrete. Vir sekere probleme, kan nageboots uitgloeiing meer doeltreffend as uitputtende opsomming wees. Family Tree Evo 2 kan genealogiese inligting te spaar vir elke genoom sodat gebruikers die vordering van die genetiese algoritme kan hersien om te sien hoe sekere gene ontwikkel met verloop van tyd. Karyogram Viewer Evo 2 beskik oor 'n ingeboude karyogram, wat visualisering van genome laat terwyl genetiese algoritmes ontwikkel. Die karyogram kan aangepas word om genealogiese inligting vir spesifieke genome vertoon deur 'n konteks kieslys. Evo 2 Aansoeke Evo 2 gebruik kan word op die kliënt of bediener kant vir genetiese programmering (outonome skepping van handel stelsels), handel stelsel optimalisering, portefeulje optimalisering, batetoewysing en nie-finansies-verwante aansoeke, insluitend maar nie beperk tot kunsmatige kreatiwiteit, outomatiese ontwerp, bioinformatika, chemiese kinetika,-kode-breaking, regeltechniek, Feynman-Kac modelle, filter en seinverwerking, skedulering aansoeke, meganiese ingenieurswese, stogastiese optimalisering en roosters probleme. Genetiese programmering Voorbeelde TradeScript programmering voorbeelde wys ontwikkelaars hoe om genetiese programmeringsmodelle kan toets terug en optimaliseer strategieë te skep. Programmering dokumentasie kan hier afgelaai word. SnowCron SnowCron genetiese algoritme in forex stelsels met behulp van genetiese algoritme om winsgewend forex strategie te skep. Genetiese algoritme in Cortex Neurale Netwerke sagteware waards Backpropagation Neurale netwerk Aansoek om genetiese berekeninge gebaseer forex. Hierdie voorbeeld gebruik konsepte en idees van die vorige artikel, so lees asseblief Neurale netwerk genetiese algoritme in forex stelsels eerste, maar dit is nie verpligtend nie. Oor hierdie teks In die eerste plek, lees asseblief die disclaimer. Dit is 'n voorbeeld van die gebruik van Cortex Neurale Netwerke sagteware genetiese algoritme funksionaliteit, nie 'n voorbeeld van hoe om winsgewend handel te doen. Ek is nie jou guru nie, moet ek verantwoordelik wees vir jou verliese. Cortex Neurale Netwerke sagteware het neurale netwerke in dit, en FFBP ons voor bespreek is net een manier om die keuse van 'n forex strategieë. Dit is 'n goeie tegniek, kragtige en wanneer dit behoorlik toegepas word, baie promicing. Maar dit het 'n probleem - om te leer aktief op neurale netwerk. ons nodig het om die verlangde uitset te leer ken. Dit is nogal maklik om te doen wanneer ons dit doen funksie benadering, ons neem net die werklike waarde van 'n funksie, want ons weet wat dit behoort te wees. Wanneer ons dit doen neurale netwerk vooruitskatting. Ons gebruik die tegniek (in vorige artikels beskryf) van die onderrig van die neurale netwerk op die geskiedenis, weer, as ons voorspel, sê, 'n wisselkoers, weet ons (tydens die opleiding) wat die korrekte voorspelling is. Maar wanneer ons bou 'n handel stelsel, ons het geen idee wat die korrekte handel besluit is, selfs al weet ons die wisselkoers As die saak van die feit, ons het baie forex strategieë wat ons kan gebruik op enige punt van die tyd, en ons nodig het om uit te vind 'n goeie een - hoe wat moet ons oppas as die verlangde uitset van ons Neurale Net as jy ons vorige artikel, jy weet, dat ons bedrieg om te gaan met hierdie probleem gevolg. Ons docent die neurale netwerk te wisselkoers (of wisselkoers gebaseer aanwyser) voorspelling te doen, en dan gebruik hierdie voorspelling te handel nie. Dan, buite die neurale netwerk deel van die program, het ons 'n besluit oor watter neurale netwerk is die beste een. Genetiese algoritmes kan gaan met hierdie probleem direk, hulle kan die probleem wat as die beste handel seine op te los. In hierdie artikel gaan ons Cortex Neurale Netwerke Sagteware gebruik om so 'n program te skep. Die gebruik van genetiese algoritme Genetiese algoritmes baie goed ontwikkel, en baie uiteenlopend. As jy wil om te leer alles oor hulle, ek stel voor jy Wikipedia gebruik, soos hierdie artikel is slegs oor wat Cortex Neurale Netwerke sagteware kan doen. Met Cortex Neurale Netwerke sagteware. Ons kan 'n neurale netwerk wat 'n paar insette, sê, waardes van 'n aanwyser neem, en produseer skep 'n uitset, sê, handel seine (koop, verkoop, te hou.) en stop verlies / neem winsvlakke vir posisies te oopgemaak word. Natuurlik, as ons hierdie neurale netwerk se gewigte saad na willekeur, handelsresultate sal verskriklik wees. Maar laat ons sê 'n dosyn van sodanige nns geskep. Dan kan ons toets prestasie van elkeen van hulle, en kies die beste een, die wenner. Dit was die eerste generasie van nns. Om voort te gaan om die tweede generasie, moet ons toelaat dat ons wenner om voort te plant, maar om te vermy om identiese kopieë, kan voeg 'n paar random noice sy descentants gewigte. In die tweede generasie, ons het ons eerste-generasie wenner en sy onvolmaakte (gemuteerde) afskrifte. Kom ons doen die toets weer. Ons sal 'n ander wenner, wat is beter as enige ander Neurale netwerk in die generasie het. En so aan. Ons laat net wenners te teel, en elimineer verloorders, net soos in die werklike lewe evolusie, en ons sal ons bes-handel Neurale netwerk te kry. sonder enige vooraf knowlege oor wat die handel stelsel (genetiese algoritme) moet wees nie. Neurale netwerk genetiese algoritme: Voorbeeld 0 Dit is die eerste genetiese algoritme voorbeeld. en 'n baie eenvoudige een. Ons gaan loop deur dit stap vir stap, om al truuks wat volgende voorbeelde sal gebruik leer. Die kode het inline kommentaar, so kan net fokus op die belangrikste oomblikke. In die eerste plek het ons 'n neurale netwerk geskep. Dit is die gebruik van ewekansige gewigte, en is nog nie docent. Dan, in siklus, ons maak 14 kopieë daarvan, met behulp van MUTATIONNN fumction. Hierdie funksie maak 'n afskrif van 'n bron Neurale netwerk. toevoeging van ewekansige waardes van 0 tot (in ons geval) 0.1 aan al gewigte. Ons hou handvatsels om gevolglike 15 nns in 'n skikking, kan ons dit doen, as handvatsel is net 'n heelgetal. Die rede waarom ons gebruik 15 nns het niks te doen met beurs: Cortex Neurale Netwerke sagteware kan plot tot 15 lyne op 'n grafiek gelyktydig. Ons kan verskillende benaderings tot die toetsing gebruik. In die eerste plek kan ons die leer stel te gebruik, al is dit in 'n keer. In die tweede plek kan ons toets op, sê, 12000 resords (uit 100000), en loop deur die leer stel, van die begin tot die einde. Dit sal learnigs verskillende maak, soos ons sal sien vir neurale netwerk is van wat nuttig is op enige gegewe deel van data, nie net op die hele stel. Die tweede benadering kan ons gee probleme, indien data verander, van die begin tot die einde. Dan sal die netwerk te ontwikkel, die verkryging van vermoë om handel te dryf op die einde van datastel, en die verlies van die vermoë om handel te dryf op die begin. Om die probleem op te los, gaan ons ewekansige 12000 rekords fragmente uit data, en voer dit na die neurale netwerk. is bloot 'n eindelose siklus, soos 100,000 siklusse nooit bereik sal word by ons spoed. Onder 'n kind by te voeg ons vir elke netwerk, met effens verskillende gewigte. Kennis dat 0,1 vir mutasie Tange is nie die enigste keuse, as die saak van die feit, selfs hierdie parameter kan geoptimaliseer word met behulp van genetiese algoritme. Nuutgeskepte nns bygevoeg na 15 bestaande. Op hierdie manier het ons 30 nns in 'n skikking, 15 oud en 15 nuwe. Dan gaan ons na die volgende siklus van die toets te doen, en om verloorders doodmaak, van beide geslagte. Om die toets te doen, pas ons neurale netwerk om ons data, om uitsette te produseer, en dan bel toets funksie, dat hierdie uitsette gebruik om handel te boots. Resultate van die saak word gebruik om deside, wat nns is die beste. Ons gebruik 'n tussenpose van nKom rekords van nbegin om nbegin nKom, waar nbegin is 'n arbitrêre punt binne leer stel. Die kode hieronder is 'n truuk. Die rede waarom ons dit gebruik is om die feit te illustreer, wat genetiese algoritme genetiese algoritme kan skep. maar dit sal nie noodwendig die beste een wees, en ook, voor te stel, dat ons gevolg kan verbeter, as ons 'n paar beperkings impliseer om die leerproses. Dit is moontlik dat ons handel stelsel werk baie goed op die lang ambagte, en baie swak op kort, of andersom. As, sê, 'n lang ambagte is baie goed, kan dit genetiese algoritme wen, selfs met 'n groot verliese op kort ambagte. Om dit te vermy, ons wys meer gewig aan lang ambagte in vreemde en kort ambagte in selfs siklusse. Dit is net 'n voorbeeld, daar is geen waarborg dat dit iets sal verbeter. Meer daaroor hieronder, in gesprek oor regstellings. Tegnies, jy hoef nie om dit te doen, of kan dit anders maak. wins Voeg 'n gesorteerde skikking. Dit gee 'n inplanting posisie, dan gebruik ons ​​hierdie posisie te voeg Neurale netwerk hanteer, leer en toets winste na nie-gesorteer skikkings. Nou het ons data vir die huidige neurale netwerk op dieselfde verskeidenheid indeks as sy wins. Die idee is om verskeidenheid van nns, gesorteer volgens winsgewendheid te kom. Soos skikking is SORTES deur wins, te verwyder 1/2 van netwerke, wat minder winsgewend, ons moet net nns verwyder 0-14 Trading besluite is gebaseer op waarde van neurale netwerk sein, uit hierdie oogpunt die program is identies aan voorbeelde uit vorige artikel. Forex strategie: Bespreek voorbeeld 0 In die eerste plek, kan 'n blik op kaarte. Die eerste grafiek vir wins in die eerste iterasie is glad nie goed nie, want moet verwag word, verloor die neurale netwerk geld (beeld evolution00gen0.png kopieer na die eerste iterasie van gids beelde): Die beeld vir 'n wins op siklus 15 is beter, soms , genetiese algoritme kan leer baie vinnig: Maar let op die volop op 'n wins kurwe. Dit is interessant ook te kyk na die manier waarop individuele winste verandering, in gedagte hou dat kurwe getal, sê, 3 is nie altyd vir dieselfde neurale netwerk. soos hulle word gebore en beëindig die hele tyd: Let ook op dat uit klein forex outomatiese handel stelsel verrig armes op kort ambagte, en baie beter op verlang, wat mag of nie mag wees met betrekking tot die feit dat die dollar was val in vergelyking met euro gedurende daardie tydperk. Dit kan ook iets te doen met parameters van ons aanwyser het (miskien moet ons ander tydperk vir kortbroek) of die keuse van aanwysers. Hier is die geskiedenis na 92 ​​en 248 siklusse: Tot ons verbasing, genetiese algoritme misluk heeltemal. Kom ons probeer om uit te vind waarom, en hoe om die situasie te help. In die eerste plek, isnt elke generasie veronderstel om beter as die Vorige een Die antwoord is nee wees, ten minste nie in die model wat ons gebruik. As ons het HELE leer stel in 'n keer, en gebruik dit herhaaldelik aan ons nns leer, dan ja, hulle sal verbeter elke generasie. Maar in plaas daarvan, het ons ewekansige fragmente (12000 rekords in die tyd), en gebruik hulle. Twee vrae: waarom die stelsel versuim het om op ewekansige fragmente van leer stel, en waarom havent ons hele leer gevlegte gebruik. Om die tweede vraag te beantwoord, het ek. Nns uitgevoer grootliks - op leer stel. En hulle versuim het om op die toets stel, vir dieselfde rede is dit ongehoorsaam wanneer ons gebruik FFPB leer. Om dit anders te stel, het ons nns overspecialized, het hulle geleer hoe om te oorleef in die omgewing waarin hulle gebruik word om 'n nie-daarbuite. Dit gebeur baie in die natuur. Die benadering wat ons het in plaas was bedoel om te vergoed vir wat, deur te dwing nns goeie op enige arbitrêre fragment van die datastel te voer, sodat hopelik, kan hulle ook uit te voer op 'n onbekende toets stel. In plaas daarvan, het hulle versuim het albei op die toets en op die leer stel. Stel jou diere, wat in 'n woestyn. Daar is baie van die son, geen sneeu nie. Dit is 'n metafoor vir rizing mark, soos vir ons nns data speel die rol van die omgewing. Diere geleer in 'n woestyn woon. Stel jou diere, wat in 'n koue klimaat leef. Sneeu en geen son nie. Wel, aangepas hulle. Maar in ons eksperiment, ons lukraak geplaas ons nns in 'n woestyn, in die sneeu, in die water, op die bome. deur dit met verskillende fragmente van data (lukraak styg, val plat.). Diere gesterf. Of, om dit anders te stel, ons gekies om die beste Neurale netwerk vir ewekansige datastel 1, wat, sê, was vir stygende mark. Dan aangebied ons, aan die wenners en hul kinders, 'n dalende markte data. Nns swak presteer, ons het die beste van swak presteerders, miskien, een van die mutant kinders, wat die vermoë om handel te dryf op stygende mark verloor, maar het 'n paar vermoë om te gaan met die val een. Daarna het ons die tafel weer, en weer, ons het die beste presteerder - maar die beste onder swak presteerders. Ons het eenvoudig didnt gee ons nns enige kanse om universele geword. Daar is tegnieke toe te laat genetiese algoritme om nuwe inligting te leer sonder om te verloor prestasie op ou inligting (na alles, diere kan lewe in die somer en in die winter, reg So evolusie in staat is om te herhaal veranderinge te hanteer). Ons kan hierdie tegnieke later bespreek, hoewel hierdie artikel is meer oor die gebruik van Cortex Neurale Netwerke sagteware. as oor die bou van 'n suksesvolle forex outomatiese handel stelsel. Neurale netwerk genetiese algoritme: Voorbeeld 1 Nou is dit tyd om te praat oor regstellings. 'N Eenvoudige genetiese algoritme ons geskep is tydens die vorige stap het twee groot foute. In die eerste plek is dit nie te handel met wins. Dit is ok, kan ons probeer om gedeeltelik opgeleide stelsel (dit was waardeloos aan die begin) gebruik. Die tweede fout is ernstiger: Ons het geen beheer oor dinge, dat hierdie stelsel nie. Byvoorbeeld, kan dit leer winsgewend, maar met 'n groot onttrekkings te wees. Dit is 'n bekende feit dat in die werklike lewe, evolusie kan meer as een parameter gelyktydig te optimaliseer. Byvoorbeeld, kan ons 'n dier, wat vinnig kan hardloop en word weerstand teen koue kry. Hoekom nie probeer om dieselfde te doen in ons forex outomatiese handel stelsel. Dis wanneer ons regstellings, wat niks anders as die stel van addisionele straf is. Sê, ons stelsel ambagte met drawdown 0.5, terwyl ons dit wil bevestig 0-0,3 interval. Om die stelsel wat dit 'n fout gemaak vertel, verminder ons die wins (een wat gebruik word om vas te stel, wat genetiese algoritme gewen) die graad, wat is eweredig aan die grootte van DD. Dan, die evolusie algoritme sorg vir die res. Daar is 'n paar meer faktore, wat ons wil in ag neem: kan ons wil min of meer ewe veel koop en verkoop transaksies, ons wil meer van winsgewende bedrywighede het, dan van mislukkings, ons wil die wins grafiek om wees lineêre en so aan. In evolution01.tsc voer ons 'n eenvoudige stel verbeteringe. In die eerste plek, gebruik ons ​​'n paar groot aantal vir 'n aanvanklike regstelling waarde. Ons vermenigvuldig dit met 'n klein (gewoonlik tussen 0 en 1) waardes, afhangende van die straf wat ons wil aansoek doen. Dan vermenigvuldig ons wins op hierdie regstelling. As gevolg, is wins reggemaak, om te besin hoeveel die genetiese algoritme ooreenstem met ons ander kriteria. Dan gebruik ons ​​die resultaat van 'n wenner Neurale netwerk te vind. Forex strategie: Bespreek voorbeeld 1 Voorbeeld 1 werk baie beter, as voorbeeld 0. In die eerste 100 siklusse, dit baie geleer, en wins kaarte kyk gerus te stel. Maar, soos in voorbeeld 0, lang ambagte is baie meer winsgewend, wat waarskynlik beteken dat daar 'n probleem in ons benadering. Tog het die stelsel het 'n balans te vind tussen paar teenstrydige aanvanklike voorwaardes: Daar is 'n paar positiewe dinamika beide in leer stel en, meer belangrik, in die toets stel. Soos vir verdere leer, by siklus 278 ons kan sien dat ons stelsel het overtrained. Dit beteken, het ons nog vordering op leer stel: Maar die toets stel toon swakheid: Dit is 'n algemene probleem met nns: wanneer ons dit leer oor leer stel, dit leer om dit te hanteer, en soms is dit leer te goed - om die graad, wanneer dit verloor prestasie op die toets stel. Om te gaan met die probleem, is 'n tradisionele oplossing gebruik: ons hou op soek na die neurale netwerk. wat die beste presteer op die toets stel, en stoor dit, te vervang vorige beste een, is elke keer nuwe hoogtepunt bereik. Dit is dieselfde benadering, wat ons gebruik in FFBP opleiding, behalwe hierdie keer moet ons dit self doen (die toevoeging kode, wat lyk vir 'n beste neurale netwerk op 'n toets stel, en 'n beroep SAVENN, of die uitvoer van gewigte van neurale netwerk om 'n lêer). Op hierdie manier, wanneer jy jou opleiding te stop, sal jy die beste presteerder op die toets SET gered en wag vir jou. Let ook dat dit nie die maksimum. wins wat jy na, maar optimale prestasie, so oorweeg om regstellings, wanneer jy soek na 'n beste presteerder op 'n toets stel. Genetiese algoritme vir FOREX Tegniese Analise: Waar nou Nadat jy jou wenner neurale netwerk het. jy kan volg die stappe in die vorige artikel beskryf, te gewigte van daardie Neurale netwerk uit te voer. en dan om dit te gebruik in jou real time handel platform, soos Meta Trader, Handel Station en so aan. Alternatiewelik kan jy fokus op ander maniere die optimalisering van die neurale netwerk. In teenstelling met met FFBP algoritme, hier kan jy avay kry van die gebruik van leer en toets stelle, en beweeg opeenvolgende leer. Aflaai Cortex Bestel Cortex View Pryslys Sigbaarheid is baie belangrik vir hierdie webwerf. As jy dit wil hê kan u verwys na hierdie URL