Como funciona. O objetivo principal é fornecer previsões diárias e intra-dia de alta qualidade de preços de mercado FOREX Você receberá previsões de moeda em um formato gráfico de tabela, com base em cinco períodos de tempo diferentes 5 e 15 minutos 1 hora 1 dia E 1 mês, juntamente com a compra apropriada vender sinais. Usa algoritmos de previsão inicialmente desenvolvidos e adaptados para o mercado de Forex. Você pode acessar nosso serviço de duas maneiras. Online através do nosso site Uma vez que você criou uma conta, você receberá acesso ao painel de controle e as ferramentas que temos para oferecer. Usando Seu software favorito, como Metastock, Metatrader e outros Você precisará baixar e instalar o plugin Forex-Forecasting Em seguida, você pode usar nossas previsões em conjunto com as fórmulas e algoritmos de negociação que você já usa. O conceito. Muitas amostras de moeda Tendências têm uma onda ou uma estrutura oscilante não-periódica Isto pode ser representado matematicamente como uma combinação do número de harmônicos com freqüências desconhecidas, mudando e as tendências amplitudes Assim, a informação sobre estes harmônicos é muito útil para o mercado de previsões de séries temporais Predições de preços e apoio à decisão comprar aconselhamento de venda No entanto, métodos analíticos comuns não podem ser usados para separar o parâmetro variável harmonics. We têm dev Eloped um método de previsão especial para econômico-séries temporais baseados em nossa tecnologia inovadora e única Central para o nosso método é a decomposição da tendência e componentes oscilatórios da série de tempo com a ajuda de filtros digitais Esta técnica especial adaptável, com base neural Em contraste com outros métodos, nossa técnica pode identificar tendências e oscilações de longo prazo com freqüências em mudança ao entregar resultados muito mais convenientes Que, por exemplo, uma análise de Fourier. IEIE Workshop Internacional sobre Aquisição de Dados Inteligentes e Sistemas de Computação Avançada Tecnologia e Aplicações 6-8 de Setembro de 2007, Dortmund, Alemanha.58a Conferência Internacional da Economia Atlântica, Chicago, Illinois, 7-10 de outubro de 2004. Usando Algoritmos Genéticos Para Prever Financial Markets. Burton sugeriu em seu livro, Random Walk Down Wall Street, 1973 que, A blindfol O macaco lançou dardos nas páginas financeiras de um jornal poderia selecionar um portfólio que faria exatamente o mesmo que um cuidadosamente selecionado por especialistas Embora a evolução possa ter feito o homem não mais inteligente na escolha de ações, a teoria de Charles Darwin tem bastante eficaz quando aplicada mais diretamente Para ajudá-lo a escolher estoques, confira Como escolher um estoque. O que são Algoritmos Genéticos. Algoritmos genéticos GAs são métodos de resolução de problemas ou heurísticas que imitam o processo de evolução natural Ao contrário das redes neurais artificiais ANNs, projetado para funcionar como neurônios no cérebro, Esses algoritmos utilizam os conceitos de seleção natural para determinar a melhor solução para um problema. Como resultado, os AGs são comumente usados como otimizadores que ajustam parâmetros para minimizar ou maximizar alguma medida de realimentação, que pode então ser usada independentemente ou na construção de uma ANN. Nos mercados financeiros algoritmos genéticos são mais comumente usados para encontrar os melhores valores de combinação de parâmetros em uma regra comercial , E eles podem ser construídos em modelos de ANN projetado para coletar ações e identificar negócios. Vários estudos têm demonstrado que esses métodos podem ser eficazes, incluindo Genetic Algorithms Genesis of Stock Evaluation 2004 por Rama e The Applications of Genetic Algorithms in Stock Market Data Mining Optimization 2004 por Lin, Cao, Wang, Zhang Para aprender mais sobre ANN, consulte Neural Networks Forecasting Profits. How Algoritmos Genéticos Work. Genetic algoritmos são criados matematicamente usando vetores, que são as quantidades que têm direção e magnitude Parâmetros para cada regra de negociação são representados com Um vetor unidimensional que pode ser pensado como um cromossomo em termos genéticos Enquanto isso, os valores usados em cada parâmetro podem ser pensados como genes, que são então modificados usando a seleção natural. Por exemplo, uma regra comercial pode envolver o uso de Parâmetros como Moving Average Convergence-Divergence MACD Corrente Exponencial Movente EMA e Estocástica Um algoritmo genético seria então inpu T valores nestes parâmetros com o objetivo de maximizar o lucro líquido Ao longo do tempo, pequenas mudanças são introduzidas e aqueles que fazem um desejável impacto são mantidos para a próxima geração. Existem três tipos de operações genéticas que podem ser realizadas. Crossovers representam a reprodução E crossover biológico visto na biologia, pelo qual uma criança assume certas características de seus pais. As mutações representam mutação biológica e são usadas para manter a diversidade genética de uma geração de uma população para a próxima, introduzindo pequenas mudanças aleatórias. As eleições são o estágio em que Os genomas individuais são escolhidos a partir de uma população para posterior recombinação de reprodução ou crossover. Estes três operadores são então utilizados em um processo de cinco passos. Inicializar uma população aleatória, onde cada cromossomo é n-comprimento, sendo n o número de parâmetros Isso é, Um número aleatório de parâmetros são estabelecidos com n elementos each. Select os cromossomas, ou parâmetros, que aumentam desejável Resultados presumivelmente lucro líquido. Aplicar mutação ou crossover operadores para os pais selecionados e gerar uma prole. Recombinar a prole ea população atual para formar uma nova população com a seleção operator. Repeat passos dois a quatro. Over time, este processo resultará em Cromossomas cada vez mais favoráveis ou, parâmetros para uso em uma regra comercial O processo é então terminado quando um critério de parada é cumprido, que pode incluir tempo de execução, fitness, número de gerações ou outros critérios Para mais informações sobre MACD, leia Trading The MACD Divergence. Using Algoritmos genéticos em Trading. While algoritmos genéticos são utilizados principalmente por comerciantes institucionais quantitativos comerciantes individuais podem aproveitar o poder de algoritmos genéticos - sem um grau em matemática avançada - usando vários pacotes de software no mercado Estas soluções variam de pacotes de software standalone voltados para o financeiro Microsoft Excel complementos que podem facilitar mais hands-on analysis. When nós Algumas aplicações podem otimizar quais parâmetros são usados e os valores para eles, enquanto outros são focados principalmente em simplesmente otimizar os valores para Um determinado conjunto de parâmetros Para aprender mais sobre estas estratégias derivadas do programa, consulte O Poder do Programa Trades. Important Dicas de Otimização e Tricks. Curve montagem sobre montagem, projetar um sistema de comércio em torno de dados históricos ao invés de identificar o comportamento repetitivo, representa um risco potencial para Comerciantes usando algoritmos genéticos Qualquer sistema comercial usando GAs deve ser testado em frente no papel antes de uso ao vivo. Definir parâmetros é uma parte importante do processo, e os comerciantes devem procurar parâmetros que se correlacionam com as mudanças no preço de uma determinada segurança Por exemplo, Experimente diferentes indicadores e veja se algum parece correlacionar-se com grandes turns do mercado. Algoritmos genéticos são únicos Maneiras de resolver problemas complexos aproveitando o poder da natureza Ao aplicar esses métodos para prever os preços dos títulos, os comerciantes podem otimizar as regras de negociação, identificando os melhores valores a serem usados para cada parâmetro para uma dada segurança No entanto, esses algoritmos não são o Santo Graal e Os comerciantes devem ter cuidado para escolher os parâmetros certos e não curva de ajuste sobre o ajuste Para ler mais sobre o mercado, confira Ouça o mercado, não é seu Pundits. A pesquisa feita pelo Bureau of Labor Statistics dos Estados Unidos para ajudar a medir vacâncias de emprego It Coleta dados dos empregadores. O montante máximo de dinheiro que os Estados Unidos podem emprestar O teto da dívida foi criado sob a Segunda Liberty Bond Act. A taxa de juros em que uma instituição depositária empresta fundos mantidos no Federal Reserve para outra instituição depositária. Medida da dispersão de retornos para um determinado índice de segurança ou mercado A volatilidade pode ser medida. Um ato que o Congresso dos EUA aprovou em 1933 como o Banking Act, que proibia os bancos comerciais de participar no investimento. A folha de pagamento de Nemfarm refere-se a qualquer trabalho fora de fazendas, casas particulares eo setor sem fins lucrativos. O US Bureau of Labor. Algoritmo genético em FOREX Trading Systems. Usando Algoritmo Genético para criar rentável FOREX Trading Estratégia Algoritmo Genético em Cortex Redes Neurais Software Feedforward Backpropagation Rede Neural Aplicação para computações genéticas baseado Forex trading. This exemplo usa conceitos e idéias do artigo anterior, por isso leia Neural Network Genetic Algorithm em FOREX Trading Systems em primeiro lugar, embora não é obrigatório. Sobre este texto. Primeiro de tudo, por favor leia o aviso de isenção Este é um exemplo de usar a funcionalidade de algoritmo genético de software de redes neurais de Cortex, não um exemplo de como fazer negociação rentável eu não sou seu guru, nem eu deveria ser responsável por suas perdas. Cortex Neural Networks Software tem redes neurais nele, e FFBP discutimos antes é apenas o É uma boa técnica, poderosa e quando aplicado corretamente, muito promissor No entanto, ele tem um problema - para ensinar a rede Neural, precisamos saber a saída desejada. É bastante fácil de fazer quando nós Fazer a aproximação da função, nós apenas tomamos o valor real de uma função, porque nós sabemos o que deve ser. Quando nós fazemos previsão da rede neural nós usamos a técnica descrita em artigos precedentes de ensinar a rede Neural na história, outra vez, se nós predizemos , Digamos, uma taxa de câmbio, sabemos durante o treinamento o que a previsão correta é. No entanto, quando estamos construindo um sistema de comércio, não temos idéia de qual é a decisão de negociação correta, mesmo que nós sabemos a taxa de câmbio Como a questão de Fato, temos muitas estratégias de negociação forex que podemos usar em qualquer ponto do tempo, e precisamos encontrar um bom - como O que devemos alimentar como a saída desejada de nossa rede Neural. Se você seguiu o nosso artigo anterior, você sabe, Que temos traído para lidar com o É problema Nós ensinamos a Rede Neural para fazer a taxa de câmbio ou a taxa de câmbio baseada na previsão do indicador e, em seguida, usou essa previsão para fazer negociação Então, fora da parte da Rede Neural do programa, tomamos uma decisão sobre qual Rede Neural é a melhor. Algoritmos genéticos podem lidar com este problema diretamente, eles podem resolver o problema declarado como encontrar os melhores sinais de negociação. Neste artigo, vamos usar Cortex Neural Networks Software para criar tal um programa. Usando Genetic Algorithm. Genetic algoritmos são muito bem desenvolvidos , E muito diverso Se você quiser aprender tudo sobre eles, sugiro que você use Wikipedia, como este artigo é apenas sobre o que pode fazer Software de Redes Neurais Cortex. Com Cortex Neural Networks Software podemos criar uma rede neural que tem algumas entradas, digamos , Os valores de um indicador, e produz alguma saída, digamos, os sinais de negociação comprar, vender, segurar e parar a perda de ter níveis de lucro para as posições a ser opened. Of claro, se nós semente deste peso Neural Network s S ao acaso, os resultados comerciais serão terríveis No entanto, vamos dizer que criamos uma dúzia de tais NNs Então podemos testar o desempenho de cada um deles, e escolher o melhor, o vencedor. Esta foi a primeira geração de NNs Para continuar A segunda geração, temos de permitir que o nosso vencedor para procriar, mas para evitar a obtenção de cópias idênticas, vamos somar alguns ruídos aleatórios para ele descentants pesos s. Na segunda geração, temos o nosso vencedor de primeira geração e é imperfeito mutação cópias Vamos fazer o teste novamente Teremos outro vencedor, que é melhor que qualquer outra Rede Neural na geração. E assim por diante Nós simplesmente permitir que os vencedores se reproduzam e eliminar perdedores, assim como na evolução da vida real, e nós vamos ter o nosso melhor - trading Rede Neural sem qualquer conhecimento prévio sobre o que o sistema de negociação algoritmo genético deve ser like. Neural Network Genetic Algoritmo Exemplo 0.This é o primeiro algoritmo genético exemplo e um muito simples Vamos caminhar por ele passo a passo, para Aprender N todos os truques que os exemplos a seguir usará. O código tem comentários inline, então vamos focar apenas em moments. First chave, criamos uma rede neural está usando pesos aleatórios, e ainda não foi teached. Then, no ciclo, nós Fazer 14 cópias dele, usando MUTATIONNN fumtion Esta função faz uma cópia de uma fonte Neural Network adicionando valores aleatórios de 0 para no nosso caso 0 1 para todos os pesos. Mantemos alças para 15 NNs resultante em uma matriz, podemos fazê-lo, Como identificador é apenas um número inteiro. O motivo que usamos 15 NNs não tem nada a ver com a negociação Cortex Neural Networks Software pode plotar até 15 linhas em um gráfico simultaneamente. Nós podemos usar diferentes abordagens para o teste Primeiro, podemos usar a aprendizagem Conjunto, tudo de uma vez Segundo, podemos testar, digamos, 12000 resords de 100000, e percorrer o conjunto de aprendizagem, do começo ao fim Isso tornará learnigs diferentes, como vamos procurar Rede Neural s que são Rentável em qualquer dado dado, não apenas no conjunto inteiro. O segundo Abordagem pode nos dar problemas, se os dados mudam, desde o início até o fim Então a rede vai evoluir, obtendo a capacidade de comércio no final do conjunto de dados, e perder a capacidade de comércio no seu início. Para resolver esse problema, estamos indo Para tirar aleatório 12000 registros fragmentos de dados, e alimentá-lo para a Rede Neural. É simplesmente um ciclo infinito, como 100000 ciclos nunca será alcançado em nossa velocidade. Agora vamos adicionar uma criança para cada rede, com pesos ligeiramente diferentes Note, que 0 1 para a mutação tange não é a única escolha, como a matéria de fato, mesmo este parâmetro pode ser otimizado usando algoritmo genético. NNs recentemente criados são adicionados após 15 existentes. Desta forma, temos 30 NNs em uma matriz, 15 velhos e 15 Então vamos fazer o próximo ciclo de testes e matar perdedores, de ambas as gerações. Para fazer testes, aplicamos a Rede Neural aos nossos dados, para produzir saídas, e depois chamamos a função de Teste, que usa essas saídas para simular Negociação Os resultados da negociação são usados para deside, Que NNs são melhores. Nós usamos um intervalo de registros nLearn, de nStart para nStart nLearn, onde nStart é um ponto aleatório dentro de aprendizagem set. The código abaixo é um truque A razão pela qual usá-lo é para ilustrar o fato de que o algoritmo genético pode Criar algoritmo genético, mas não será necessariamente o melhor, e também, para sugerir, que podemos melhorar o resultado, se implicarmos algumas limitações para o processo de aprendizagem. É possível, que o nosso sistema de comércio funciona muito bem em longos comércios , E muito pobre em curto, ou vice-versa Se, digamos, longos comércios são muito bons, este algoritmo genético pode ganhar, mesmo com grandes perdas em trocas curtas. Para evitá-lo, atribuímos mais peso para longos comércios em curtas e curtas Negociações em ciclos pares Este é apenas um exemplo, não há garantia, que vai melhorar algo Mais sobre ele abaixo, em discussão sobre correções Tecnicamente, você não tem que fazê-lo, ou pode torná-lo de forma diferente. Array Retorna uma posição de inserção, então usamos t Sua posição para adicionar rede Neural identificador, aprendendo e testando lucros para arranjos não ordenados Agora temos dados para atual Rede Neural no mesmo índice de matriz como seu lucro. A idéia é chegar a uma matriz de NNs, classificados por rentabilidade Como matriz é Classifica por lucro, para remover 1 2 de redes, que são menos rentáveis, só precisamos remover NNs 0 a 14.Trading decisões são baseadas no valor do sinal de rede neural, a partir deste ponto de vista o programa é idêntico a exemplos de anteriores Artigo. FOREX Estratégia de negociação Discutir o exemplo 0.Primeiro de tudo, vamos dar uma olhada em gráficos O primeiro gráfico de lucro durante a primeira iteração não é bom em tudo, como seria de esperar, a rede neural perde dinheiro imagem copiada após a primeira iteração A partir de imagens folder. The imagem de lucro no ciclo 15 é melhor, às vezes, algoritmo genético pode aprender muito rápido. No entanto, observe a saturação em uma curva de lucro. É interessante também olhar para a forma como os lucros individuais mudam, tendo em mente, Que número de curva, digamos, 3 nem sempre é para a mesma Rede Neural como eles estão sendo nascidos e terminou o tempo todo. Também observe, que pouco forex automatizado sistema de negociação executa pobre em negócios curtos, e muito melhor em longas, o que pode Ou pode não estar relacionado com o fato de que o dólar estava caindo em relação ao euro durante esse período também pode ter algo a ver com os parâmetros do nosso indicador talvez, precisamos período diferente para shorts ou a escolha de indicadores. Aqui está a história depois 92 e 248 ciclos. Para nossa surpresa, o algoritmo genético falhou completamente Vamos tentar descobrir por que, e como ajudar a situação. Primeiro de tudo, não é cada geração suposto ser melhor do que o previuos A resposta é não, em Pelo menos não dentro do modelo que usamos Se tomássemos a aprendizagem inteira de uma vez, e a usássemos repetidamente para ensinar NNs, então sim, eles melhorarão em cada geração Mas em vez disso, pegamos fragmentos aleatórios 12000 registros no tempo e os usamos. Duas perguntas por que o sistema Falhou em fragmentos aleatórios do conjunto de aprendizagem, e por que haven t nós usamos todo o conjunto de aprendizagem Bem Para responder à segunda pergunta, eu fiz NNs realizada muito - no conjunto de aprendizagem E eles falharam no conjunto de testes, pela mesma razão falha quando usamos FFPB aprendizagem Para colocá-lo de forma diferente, nossos NNs tem overspecialized, eles aprenderam a sobreviver no ambiente que eles estão acostumados, mas não fora dela. Isso acontece muito na natureza. A abordagem que tomamos em vez disso foi destinado a compensar isso, forçando NNs a Executar bom em qualquer fragmento aleatório do conjunto de dados, de modo que, esperamos, eles também poderiam executar em um conjunto de testes desconhecidos Em vez disso, eles falharam tanto em testes e em set. Imagine aprendizagem animais, vivendo em um deserto Um monte de sol, Tudo isso é um metafor para rizing mercado, como para os nossos dados NNs desempenhar o papel do ambiente Animais aprendi a viver em um deserto. Imaginar os animais, que vivem em um clima frio Neve e sem sol em tudo Bem, eles ajustaram. No entanto, em Nossa experiência, nós aleatoriamente Colocou nossos NNs em um deserto, na neve, na água, nas árvores, apresentando-os com diferentes fragmentos de dados aleatoriamente aumentando, caindo, Flat Animals mortos. Or, para colocá-lo de forma diferente, selecionamos a melhor Rede Neural para dados aleatórios Então, nós apresentamos, para os vencedores e seus filhos, uma queda dos dados do mercado NNs executado mal, tomamos o melhor dos artistas pobres, talvez, um dos filhos mutantes, que perdeu a capacidade de O comércio no mercado em ascensão, mas tem alguma capacidade de lidar com a queda one. Then voltamos a mesa novamente, e novamente, temos melhor performer - mas melhor entre os artistas pobres Nós simplesmente didn t dar nossas NNs quaisquer chances de se tornar universal. Técnicas permitindo que o algoritmo genético para aprender novas informações sem perder o desempenho em informações antigas, afinal, os animais podem viver no verão e no inverno, à direita Assim, a evolução é capaz de lidar com as mudanças repetidas Podemos discutir essas técnicas mais tarde, embora este artigo é mais abo Ut usando Cortex Neural Networks Software do que sobre a construção de um forex bem sucedido sistema de negociação automatizado. Neural Network Algoritmo Genético Exemplo 1.Now é hora de falar sobre correções Um algoritmo genético simples que criamos durante a etapa anterior tem duas falhas principais Primeiro, ele falhou O comércio com o lucro É ok, podemos tentar usar o sistema parcialmente treinado foi rentável no início A segunda falha é mais grave não temos controle sobre as coisas, que este sistema faz Por exemplo, pode aprender a ser rentável, mas com É um fato bem conhecido, que na vida real, a evolução pode otimizar mais de um parâmetro simultaneamente Por exemplo, podemos obter um animal, que pode correr rápido E ser resistente ao frio Por que não tentar fazer o mesmo em nosso Forex automatizado trading system. That s quando usamos as correções, que não são nada, mas o conjunto de punições adicionais Diga, o nosso sistema de negociação com drawdown 0 5, enquanto queremos confirmá-lo para 0 - 0 3 intervalo Para dizer o syste M que cometeu um erro, diminuímos o seu lucro um usado para determinar, qual algoritmo genético ganhou ao grau, que é proporcional ao tamanho de DD Então, o algoritmo de evolução cuida do rest. There são mais alguns fatores, que Queremos ter em consideração que podemos querer ter mais ou menos igual número de operações de compra e venda, queremos ter mais de operações lucrativas, depois de falhas, podemos querer que o gráfico de lucro seja linear e assim por diante. Implementar um conjunto simples de correções Primeiro de tudo, usamos algum grande número para um valor de correção inicial Nós multiplicá-lo para um pequeno geralmente, entre 0 e 1 valores, dependendo da punição que queremos aplicar Então, multiplicar o nosso lucro para esta correção Como resultado, o lucro é corrigido, para refletir o quanto o algoritmo genético corresponde aos nossos outros critérios Então usamos o resultado para encontrar um vencedor Neural Network. FOREX Trading Estratégia Discutir o exemplo 1.Exemplo 1 funciona muito melhor do que o exemplo 0 Durante a primeira 100 ciclos, ele aprendeu muito, e os gráficos de lucro parecem tranquilizadores No entanto, como no exemplo 0, longos comércios são muito mais rentáveis, o que provavelmente significa que há um problema em nossa abordagem No entanto, o sistema encontrou um equilíbrio entre dois contraditórios As condições iniciais. Há alguma dinâmica positiva tanto no conjunto de aprendizagem e, mais importante, no conjunto de testes. Quanto ao aprendizado, no ciclo 278 podemos ver, que o nosso sistema ficou overtrained Significa, ainda temos progresso no conjunto de aprendizagem. Teste conjunto mostra fraqueza. Este é um problema comum com NNs quando ensiná-lo no conjunto de aprendizagem, ele aprende a lidar com ele, e às vezes, ele aprende muito bem - ao grau, quando perde o desempenho no conjunto de testes. Para lidar com Esse problema, uma solução tradicional é usada nós continuamos procurando a Rede Neural que executa melhor em conjunto de testes e salvá-lo, sobrescrevendo o anterior melhor, cada vez que um novo pico é alcançado Esta é a mesma abordagem, nós usamos em treinamento FFBP, exceto , desta vez Temos de fazê-lo nós mesmos adicionando código, que procura uma melhor rede neural em um conjunto de testes, e chamando SAVENN, ou exportando pesos de Rede Neural para um arquivo Desta forma, quando você parar o seu treinamento, você terá o melhor desempenho ON TESTING SET salvos e esperando por você. Note também, que não é o lucro máximo que você está depois, mas o desempenho ideal, então considere usar correções, ao procurar um melhor desempenho em um conjunto de testes. Algoritmo genético para FOREX Análise Técnica Onde agora . Depois de ter obtido o seu vencedor Neural Network você pode seguir os passos, descritos no artigo anterior, para exportar pesos dessa Rede Neural e, em seguida, para usá-los em sua plataforma de negociação em tempo real, como Meta Trader, Trade Station e assim por diante. Alternativamente, Você pode se concentrar em outras formas de otimizar a rede Neural ao contrário do algoritmo FFBP, aqui você pode obter avay de usar aprendizagem e testes conjuntos e mover seqüencial learning. Download Cortex Ordem Cortex Ver lista de preços. Visibilidade é muito importante Para este site Se você gosta, por favor, ligue a este URL.
No comments:
Post a Comment