الفوركس التداول خوارزمية الشعبي

أساسيات تجارة الفوركس الخوارزمية منذ ما يقرب من ثلاثين عاما، تميز سوق العملات الأجنبية (الفوركس) من خلال الصفقات التي تتم عن طريق الهاتف، والمستثمرين من المؤسسات. معلومات السعر مبهمة، تمييز واضح بين التداول إنتيردلير وتاجر تاجر والعملاء وتركيز السوق منخفضة. واليوم، أدت التطورات التكنولوجية إلى تحويل السوق. يتم إجراء الصفقات في المقام الأول عن طريق أجهزة الكمبيوتر، مما يسمح للتجار التجزئة لدخول السوق، وأسعار تدفق في الوقت الحقيقي أدت إلى مزيد من الشفافية والتمييز بين المتعاملين وزبائنهم الأكثر تطورا قد اختفت إلى حد كبير. أحد التغييرات الهامة بشكل خاص هو إدخال التداول الخوارزمي. والتي، في حين إجراء تحسينات كبيرة على أداء تداول العملات الأجنبية، كما يطرح عددا من المخاطر. من خلال النظر في أساسيات سوق الفوركس والتداول الحسابي، وسوف نحدد بعض المزايا التداول الخوارزمي جلبت إلى تداول العملات مع الإشارة أيضا إلى بعض المخاطر. أساسيات الفوركس الفوركس هو المكان الافتراضي الذي يتم فيه تداول أزواج العملات بأحجام مختلفة وفقا للأسعار المعلنة حيث يتم إعطاء العملة الأساسية سعرا من حيث عملة الاقتباس. تعمل فوركس على مدار 24 ساعة في اليوم، خمسة أيام في الأسبوع، وتعتبر الفوركس أكبر وأكبر الأسواق المالية السائلة. وحسب بنك التسويات الدولية، كان متوسط ​​حجم التداول اليومي اليومي في نيسان / أبريل 2013 هو 2.0 تريليون دولار. ويتم معظم هذا التداول بالدولار الأمريكي واليورو والين الياباني، ويشمل مجموعة من اللاعبين، بما في ذلك البنوك الخاصة والبنوك المركزية وصناديق المعاشات التقاعدية. والمستثمرين من المؤسسات، والشركات الكبيرة، والشركات المالية وتجار التجزئة الأفراد. على الرغم من أن التداول المضاربي قد يكون الدافع الرئيسي لبعض المستثمرين، فإن السبب الرئيسي لوجود أسواق الفوركس هو أن الناس بحاجة إلى تداول العملات من أجل شراء السلع والخدمات الأجنبية. النشاط في سوق الفوركس يؤثر على أسعار الصرف الحقيقية، وبالتالي يمكن أن تؤثر تأثيرا عميقا على الناتج والعمالة والتضخم وتدفقات رأس المال في أي دولة معينة. ولهذا السبب، فإن لصناع السياسات والجمهور ووسائط الإعلام جميعا مصلحة في ما يجري في سوق الفوركس. أساسيات التداول الحسابي الخوارزمية هي في الأساس مجموعة من القواعد المحددة المصممة لاستكمال مهمة محددة بوضوح. وفي مجال التداول في الأسواق المالية، تقوم الحواسيب بتنفيذ خوارزميات معرفة من قبل المستخدم وتتسم بمجموعة من القواعد التي تتألف من معلمات مثل التوقيت أو السعر أو الكمية التي تنظم الصفقات التي ستجرى. هناك أربعة أنواع أساسية من التداول الخوارزمي داخل الأسواق المالية: الإحصائيات، التحوط التلقائي، استراتيجيات التنفيذ الخوارزمية والوصول المباشر إلى الأسواق. تشير الإحصائية إلى استراتيجية خوارزمية تبحث عن فرص تجارية مربحة استنادا إلى التحليل الإحصائي للبيانات التاريخية التسلسل الزمني. التحوط التلقائي هو استراتيجية تولد قواعد للحد من تعرض التجار للخطر. الهدف من استراتيجيات التنفيذ الخوارزمية هو تنفيذ هدف محدد مسبقا، مثل الحد من تأثير السوق أو تنفيذ التجارة بسرعة. وأخيرا، يصف الوصول المباشر إلى الأسواق السرعات المثلى وانخفاض التكاليف التي يمكن للمتداولين الخوارزميين الوصول إليها والتواصل مع منصات التداول المتعددة. واحدة من الفئات الفرعية من التداول الخوارزمية هي تجارة عالية التردد، والتي تتميز عالية التردد للغاية من تنفيذ أوامر التجارة. فالتداول عالي السرعة يمكن أن يعطي مزايا كبيرة للتجار من خلال منحهم القدرة على إجراء صفقات ضمن ميلي ثانية من التغيرات السعرية الإضافية. ولكنها قد تحمل أيضا بعض المخاطر. التداول الخوارزمي في سوق الفوركس كان جزء كبير من النمو في التداول الخوارزمي في أسواق الفوركس على مدى السنوات الماضية يرجع إلى خوارزميات أتمتة بعض العمليات وتقليل الساعات اللازمة لإجراء معاملات الصرف الأجنبي. وتؤدي الكفاءة الناتجة عن التشغيل الآلي إلى انخفاض التكاليف في تنفيذ هذه العمليات. ومن هذه العمليات تنفيذ الأوامر التجارية. أتمتة عملية التداول مع خوارزمية أن الصفقات على أساس معايير محددة سلفا، مثل تنفيذ أوامر على مدى فترة زمنية محددة أو بسعر معين، هو أكثر كفاءة بكثير من التنفيذ اليدوي من قبل البشر. كما استفادت البنوك من الخوارزميات المبرمجة لتحديث أسعار أزواج العملات على منصات التداول الإلكترونية. هذه الخوارزميات تزيد من السرعة التي يمكن أن البنوك اقتبس أسعار السوق في الوقت نفسه تقليل عدد ساعات العمل اليدوي الذي يستغرقه الاقتباس الأسعار. بعض خوارزميات برنامج البنوك للحد من تعرضهم للمخاطر. ويمكن استخدام الخوارزميات لبيع عملة معينة لمطابقة تجارة العملاء التي اشترى فيها البنك المبلغ المعادل من أجل الحفاظ على كمية ثابتة من تلك العملة بالذات. ويسمح ذلك للبنك بالحفاظ على مستوى محدد سلفا من التعرض للمخاطر لعقد تلك العملة. وقد جعلت هذه العمليات أكثر كفاءة من الخوارزميات، مما أدى إلى انخفاض تكاليف المعاملات. ومع ذلك، هذه ليست العوامل الوحيدة التي دفعت النمو في تجارة الفوركس خوارزمية. وقد استخدمت الخوارزميات على نحو متزايد في التداول المضاربي حيث أن الجمع بين التردد العالي وقدرة الخوارزميات على تفسير البيانات وتنفيذ الأوامر سمحت للمتداولين باستغلال فرص المراجحة الناشئة عن الانحرافات الصغيرة في الأسعار بين أزواج العملات. وقد أدت كل هذه المزايا إلى زيادة استخدام الخوارزميات في سوق الفوركس، ولكن يتيح النظر إلى بعض المخاطر التي تصاحب التداول الحسابي. المخاطر التي تنطوي عليها تجارة الفوركس الخوارزمية على الرغم من أن التداول الخوارزمي قد حقق العديد من التحسينات، إلا أن هناك بعض الجوانب السلبية التي قد تهدد استقرار وسيولة سوق الفوركس. ويتعلق أحد هذه السلبيات بعدم التوازن في القوة التجارية للمشاركين في السوق. بعض المشاركين لديهم وسائل للحصول على التكنولوجيا المتطورة التي تسمح لهم للحصول على المعلومات وتنفيذ أوامر بسرعة أسرع بكثير من غيرها. وقد يؤدي هذا الخلل بين الذين يملكون والذين لا يملكون من حيث التكنولوجيا الأكثر تعقيدا للخوارزمية إلى التجزؤ داخل السوق مما قد يؤدي إلى نقص السيولة بمرور الوقت. وعلاوة على ذلك، في حين أن هناك اختلافات جوهرية بين أسواق الأسهم وسوق الفوركس، وهناك بعض الذين يخشون من أن ارتفاع وتيرة التداول التي تفاقمت انهيار سوق الأسهم فلاش يوم 6 مايو 2010 يمكن أن تؤثر بالمثل على سوق الفوركس. كما خوارزميات مبرمجة لسيناريوهات السوق محددة، فإنها قد لا تستجيب بسرعة كافية إذا كان السوق لتغيير جذري. من أجل تجنب هذا السيناريو قد تحتاج الأسواق إلى رصد وتداول الخوارزمية معلقة أثناء الاضطرابات السوق. ومع ذلك، في مثل هذه السيناريوهات المتطرفة، يمكن أن يؤدي التعليق المتزامن للتداول الحسابي من قبل العديد من المشاركين في السوق إلى تقلبات عالية وتخفيض كبير في سيولة السوق. الخلاصة على الرغم من أن التداول الخوارزمي كان قادرا على زيادة الكفاءة، وبالتالي خفض تكاليف تداول العملات، فإنه يأتي أيضا مع بعض المخاطر المضافة. للعملات بشكل صحيح، يجب أن تكون مخازن مستقرة نوعا ما من القيمة وتكون عالية السيولة. وبالتالي، من المهم أن يبقى سوق الفوركس سائدا مع تقلبات أسعار منخفضة. كما هو الحال مع جميع مجالات الحياة، والتكنولوجيا الجديدة يقدم العديد من الفوائد، ولكنه يأتي أيضا مع مخاطر جديدة. والتحدي لمستقبل تداول العملات الأجنبية الخوارزمية سيكون كيفية إحداث تغييرات تعظيم الفوائد مع الحد من المخاطر. خوارزمية نوكرون الجينية في فوريكس أنظمة التداول باستخدام خوارزمية جينية لخلق مربحة الفوركس استراتيجية التداول. الخوارزمية الجينية في اللحاء الشبكات العصبية البرمجيات فيدفوروارد باكبروباغاتيون الشبكة العصبية تطبيق الحسابات الجينية على أساس تداول العملات الأجنبية. يستخدم هذا المثال مفاهيم وأفكار المقالة السابقة، لذا يرجى قراءة الخوارزمية الجينية للشبكة العصبية في فوريكس ترادينغ سيستمز أولا، على الرغم من أنها ليست إلزامية. حول هذا النص أولا وقبل كل شيء، يرجى قراءة إخلاء المسؤولية. هذا هو مثال على استخدام اللحاء الشبكات العصبية وظائف البرمجيات الخوارزمية الجينية، وليس مثالا على كيفية القيام التداول المربح. أنا لست المعلم الخاص بك، لا ينبغي أن أكون مسؤولا عن الخسائر الخاصة بك. كورتيكس نيورال نيتوركس البرامج لديها شبكات عصبية في ذلك، و ففب ناقشنا من قبل هو طريقة واحدة فقط لاختيار استراتيجيات تداول العملات الأجنبية. بل هو تقنية جيدة وقوية وعند تطبيقها بشكل صحيح، واعد جدا. ومع ذلك، فإنه لديه مشكلة - لتعليم شبكة العصبية تن. نحن بحاجة إلى معرفة الناتج المطلوب. فمن السهل أن تفعل عندما نفعل وظيفة تقريب، ونحن فقط تأخذ القيمة الحقيقية وظيفة، لأننا نعرف ما ينبغي أن يكون. عندما نفعل التنبؤ الشبكة العصبية. ونحن نستخدم تقنية (وصفها في المواد السابقة) لتعليم الشبكة العصبية على التاريخ، مرة أخرى، إذا كنا نتوقع، ويقول، سعر الصرف، ونحن نعلم (أثناء التدريب) ما هو التنبؤ الصحيح. ومع ذلك، عندما نقوم ببناء نظام التداول، ليس لدينا أي فكرة عن قرار التداول الصحيح، حتى لو كنا نعرف سعر الصرف كما في الواقع، لدينا العديد من استراتيجيات تداول العملات الأجنبية يمكننا استخدامها في أي وقت من الأوقات، و ونحن بحاجة إلى العثور على واحد جيد - كيف ماذا يجب أن تغذية كما المخرج المطلوب من الشبكة العصبية لدينا إذا كنت اتبعت المادة السابقة، كما تعلمون، أننا قد خدع للتعامل مع هذه المشكلة. علمنا الشبكة العصبية للقيام سعر الصرف (أو مؤشر سعر الصرف القائم) التنبؤ، ثم استخدم هذا التنبؤ للقيام التداول. ثم، خارج الشبكة العصبية جزء من البرنامج، اتخذنا قرارا على الشبكة العصبية هي أفضل واحد. الخوارزميات الجينية يمكن التعامل مع هذه المشكلة مباشرة، فإنها يمكن حل المشكلة المذكورة كما تجد أفضل إشارات التداول. في هذه المقالة نحن ذاهبون لاستخدام اللحاء العصبية الشبكات البرمجيات لإنشاء مثل هذا البرنامج. استخدام الخوارزميات الوراثية الخوارزمية الجينية هي متطورة جدا، ومتنوعة جدا. إذا كنت تريد أن تتعلم كل شيء عنهم، وأنا أقترح عليك استخدام ويكيبيديا، وهذه المقالة هي فقط حول ما اللحاء الشبكات العصبية البرمجيات يمكن القيام به. وجود اللحاء الشبكات العصبية البرمجيات. يمكننا إنشاء شبكة عصبية تأخذ بعض المدخلات، مثلا، قيم مؤشر، وتنتج بعض الإخراج، مثلا، إشارات التداول (شراء، بيع، عقد). وقف الخسارة تأخذ مستويات الربح للوظائف التي سيتم فتحها. وبطبيعة الحال، إذا كنا البذور هذه الأوزان شبكة العصبية عشوائيا، فإن نتائج التداول تكون رهيبة. ومع ذلك، دعونا نقول نحن خلق عشرات من هذه الشبكات الوطنية. ثم يمكننا اختبار أداء كل منهم، واختيار أفضل واحد، والفائز. كان هذا هو الجيل الأول من ن. للاستمرار في الجيل الثاني، نحن بحاجة إلى السماح للفائز لدينا الإنجاب، ولكن لتجنب الحصول على نسخ متطابقة، يتيح إضافة بعض نويس عشوائي إلى الأوزان النسبية. في الجيل الثاني، لدينا لدينا الجيل الأول الفائز والنسخ ناقصة (متحور). يتيح إجراء الاختبار مرة أخرى. سيكون لدينا الفائز آخر، وهو أفضل ثم أي شبكة العصبية الأخرى في الجيل. وما إلى ذلك وهلم جرا. نحن ببساطة نسمح للفائزين بالتكاثر، والقضاء على الخاسرين، تماما كما هو الحال في تطور الحياة الحقيقية، وسوف نحصل على أفضل شبكة تداولنا العصبية. دون أي معرفة مسبقة حول ما ينبغي أن يكون نظام التداول (الخوارزمية الجينية) مثل. الخوارزمية الجينية للشبكة العصبية: مثال 0 هذا هو أول مثال خوارزمي جيني. و بسيطة جدا. نحن ذاهبون إلى المشي من خلال ذلك خطوة بخطوة، لتعلم كل الحيل أن الأمثلة التالية سوف تستخدم. يحتوي الرمز على تعليقات مضمنة، لذلك يتيح التركيز فقط على اللحظات الرئيسية. أولا، أنشأنا شبكة عصبية. ويستخدم الأوزان العشوائية، ولم يتم تعليمه بعد. ثم، في دورة، ونحن جعل 14 نسخة منه، وذلك باستخدام موتاتيون فومكتيون. هذه الوظيفة يجعل نسخة من شبكة العصبية المصدر. مضيفا قيم عشوائية من 0 إلى (في حالتنا) 0.1 لجميع الأوزان. نحن نحافظ على مقابض ل 15 نونس الناتجة في صفيف، يمكننا أن نفعل ذلك، والمقبض هو مجرد عدد صحيح. السبب في أننا نستخدم 15 ننس لا علاقة له مع التداول: اللحاء الشبكات العصبية البرمجيات يمكن رسم ما يصل إلى 15 خطوط على الرسم البياني في وقت واحد. يمكننا استخدام نهج مختلفة للاختبار. أولا، يمكننا استخدام مجموعة التعلم، كل ذلك في وقت واحد. ثانيا، يمكننا اختبار على سبيل المثال، 12000 ريسوردس (من أصل 100000)، والمشي من خلال مجموعة التعلم، من البداية إلى النهاية. وهذا سيجعل ليرنيغس مختلفة، ونحن سوف ننظر للشبكة العصبية ق التي هي مربحة على أي جزء معين من البيانات، وليس فقط على مجموعة كاملة. النهج الثاني يمكن أن يعطينا مشاكل، إذا تغير البيانات، من البداية إلى النهاية. ثم ستتطور الشبكة، وستحصل على القدرة على التداول في نهاية مجموعة البيانات، وفقدان القدرة على التجارة في بدايتها. لحل هذه المشكلة، ونحن في طريقنا لاتخاذ عشوائي 12000 سجلات شظايا من البيانات، وإطعامه إلى الشبكة العصبية. هو مجرد دورة لا نهاية لها، كما 100000 دورات لن يتم الوصول إليها في سرعة لدينا. نضيف أدناه طفل واحد لكل شبكة، مع أوزان مختلفة قليلا. ملاحظة، أن 0.1 للطفرة تانج ليس الخيار الوحيد، كما هو الأمر الواقع، حتى هذه المعلمة يمكن أن يكون الأمثل باستخدام الخوارزمية الجينية. تضاف ننس التي تم إنشاؤها حديثا بعد 15 منها القائمة. بهذه الطريقة لدينا 30 ننس في صفيف، 15 القديمة و 15 جديدة. ثم سنقوم بالقيام بالدورة التالية من الاختبار، وقتل الخاسرين، من كلا الأجيال. للقيام الاختبار، ونحن نطبق الشبكة العصبية لبياناتنا، لإنتاج المخرجات، ومن ثم استدعاء وظيفة الاختبار، التي تستخدم هذه النواتج لمحاكاة التداول. يتم استخدام نتائج التداول للتنازل، والتي هي الأفضل. نحن نستخدم الفاصل الزمني لسجلات نلارن، من نستارت إلى نستارت نلارن، حيث نستارت هو نقطة عشوائية ضمن مجموعة التعلم. الرمز أدناه هو خدعة. والسبب الذي نستخدمه هو توضيح الحقيقة، أن الخوارزمية الجينية يمكن أن تخلق خوارزمية جينية. ولكن لن يكون بالضرورة أفضل واحد، وأيضا، لاقتراح، أن نتمكن من تحسين النتيجة، إذا كنا نعني بعض القيود على عملية التعلم. فمن الممكن، أن نظام التداول لدينا يعمل بشكل جيد جدا على الصفقات الطويلة، والفقراء جدا على القصير، أو العكس بالعكس. إذا، على سبيل المثال، الصفقات الطويلة جيدة جدا، هذه الخوارزمية الجينية قد يفوز، حتى مع خسائر كبيرة على الصفقات قصيرة. لتجنب ذلك، ونحن تعيين المزيد من الوزن إلى الصفقات الطويلة في التداولات الفردية والقصيرة في دورات حتى. هذا هو مجرد مثال، ليس هناك ما يضمن، أنه سيحسن شيئا. المزيد عن ذلك أدناه، في مناقشة حول التصحيحات. من الناحية الفنية، لم يكن لديك للقيام بذلك، أو يمكن أن تجعل من مختلف. إضافة الربح إلى صفيف فرزها. فإنه يعود موضع الإدراج، ثم نستخدم هذا الموقف لإضافة مقبض الشبكة العصبية والتعلم واختبار الأرباح إلى صفائف غير فرزها. الآن لدينا بيانات للشبكة العصبية الحالية في نفس مؤشر مجموعة أرباحها. والفكرة هي الوصول إلى مجموعة من الشبكات الوطنية، مرتبة حسب الربحية. كما صفيف هو الفرز حسب الربح، لإزالة 12 من الشبكات، التي هي أقل ربحية، ونحن بحاجة فقط لإزالة ننس 0-14 تستند قرارات التداول على قيمة إشارة الشبكة العصبية، من وجهة النظر هذا البرنامج هو مطابق لأمثلة من المقال السابق. استراتيجية التداول الفوركس: مناقشة المثال 0 أولا وقبل كل شيء، يتيح إلقاء نظرة على الرسوم البيانية. الرسم البياني الأول للربح خلال التكرار الأول ليس جيدا على الإطلاق، كما ينبغي أن يتوقع، الشبكة العصبية يفقد المال (صورة تطور 00000.png نسخها بعد التكرار الأول من مجلد الصور): صورة للربح على دورة 15 هو أفضل، وأحيانا ، الخوارزمية الجينية يمكن أن تتعلم سريع حقا: ومع ذلك، لاحظ التشبع على منحنى الربح. ومن المثير للاهتمام أيضا أن ننظر في طريقة تغير الأرباح الفردية، مع الأخذ في الاعتبار، أن عدد منحنى، ويقول، 3 ليس دائما لنفس الشبكة العصبية. كما أنها ولدت وتنتهي في كل وقت: نلاحظ أيضا، أن القليل من النقد الأجنبي نظام التداول الآلي يؤدي الفقراء على الصفقات قصيرة، وأفضل بكثير على الأطوال، والتي قد تكون أو لا تكون ذات صلة للحقيقة، أن الدولار كان ينخفض ​​مقارنة مع اليورو خلال تلك الفترة. كما قد يكون لها علاقة مع معلمات مؤشرنا (ربما، نحن بحاجة إلى فترة مختلفة للسراويل القصيرة) أو اختيار المؤشرات. هنا هو التاريخ بعد 92 و 248 دورات: لدهشتنا، خوارزمية وراثية فشلت تماما. دعونا نحاول معرفة السبب، وكيفية مساعدة الوضع. أولا وقبل كل شيء، ليس كل جيل من المفترض أن يكون أفضل من بريفيوس واحد الجواب هو لا، على الأقل ليس ضمن النموذج الذي استخدمناه. إذا أخذنا التعلم الكامل مجموعة في وقت واحد، واستخدامها مرارا وتكرارا لتعليم لدينا ننس، ثم نعم، فإنها سوف تتحسن على كل جيل. ولكن بدلا من ذلك، أخذنا شظايا عشوائية (12000 السجلات في الوقت المناسب)، واستخدامها. سؤالان: لماذا فشل النظام على شظايا عشوائية من مجموعة التعلم، ولماذا استخدمنا مجموعة تعليمية كاملة حسنا. للإجابة على السؤال الثاني، فعلت. أداء ننس بشكل كبير - على مجموعة التعلم. وفشلت في اختبار مجموعة، لنفس السبب أنه فشل عندما استخدمنا التعلم فب. لوضعها بشكل مختلف، حصلت لدينا نونس أوفرسبيسياليزد، تعلموا كيفية البقاء على قيد الحياة في البيئة التي تستخدم ل، ولكن ليس خارج ذلك. هذا يحدث الكثير في الطبيعة. كان القصد من النهج الذي أخذنا بدلا من ذلك للتعويض عن ذلك، من خلال إجبار ننس لأداء جيدة على أي جزء عشوائي من مجموعة البيانات، بحيث نأمل، فإنها يمكن أن تؤدي أيضا على مجموعة اختبار غير مألوف. بدلا من ذلك، فشلت كل من الاختبار وعلى مجموعة التعلم. تخيل الحيوانات، الذين يعيشون في الصحراء. وهناك الكثير من الشمس، لا الثلوج على الإطلاق. هذا هو ميتافور للسوق ريج، كما لدينا بيانات ننس تلعب دور البيئة. الحيوانات تعلمت أن تعيش في الصحراء. تخيل الحيوانات التي تعيش في مناخ بارد. الثلج ولا أشعة الشمس على الإطلاق. حسنا، تم تعديلها. ومع ذلك، في تجربتنا، وضعنا عشوائيا لدينا ن في الصحراء، في الثلج، في الماء، على الأشجار. من خلال تقديم لهم شظايا مختلفة من البيانات (ارتفاع عشوائيا، السقوط، شقة). ماتت الحيوانات. أو، لوضعها بشكل مختلف، اخترنا أفضل شبكة العصبية لمجموعة البيانات العشوائية 1، والتي، على سبيل المثال، كان لارتفاع السوق. ثم قدمنا، إلى الفائزين وأطفالهم، بيانات الأسواق المتساقطة. كان أداء الشبكات الوطنية ضعيفا، أخذنا أفضل أداء ضعيف، ربما، أحد الأطفال المتحولين، الذي فقد القدرة على التجارة في الأسواق الصاعدة، ولكن حصلنا على بعض القدرة على التعامل مع هبوط واحد. ثم تحولنا الجدول مرة أخرى، ومرة ​​أخرى، حصلنا على أفضل أداء - ولكن أفضل بين الفقراء الأداء. نحن ببساطة لم نعط لدينا ننس أي فرص لتصبح عالمية. هناك تقنيات تسمح الخوارزمية الجينية لتعلم معلومات جديدة دون فقدان الأداء على المعلومات القديمة (بعد كل شيء، يمكن للحيوانات أن تعيش في الصيف وفي فصل الشتاء، والحق لذلك تطور قادر على التعامل مع التغييرات المتكررة). قد نناقش هذه التقنيات في وقت لاحق، على الرغم من أن هذه المقالة هي أكثر حول استخدام اللحاء الشبكات الشبكات العصبية البرمجيات. أكثر من بناء نظام تداول آلي فوريكس ناجح. الشبكة العصبية الخوارزمية الجينية: مثال 1 الآن حان الوقت للحديث عن التصحيحات. وهناك خوارزمية وراثية بسيطة أنشأناها خلال الخطوة السابقة لها عيوب رئيسية. أولا، فشلت في التجارة مع الربح. على ما يرام، يمكننا أن نحاول استخدام نظام مدربين جزئيا (كان مربحا في البداية). العيب الثاني هو أكثر خطورة: ليس لدينا السيطرة على الأشياء، أن هذا النظام لا. على سبيل المثال، قد تتعلم أن تكون مربحة، ولكن مع سحب ضخمة. بل هو حقيقة معروفة، أنه في واقع الحياة، يمكن للتطور تحسين أكثر من معلمة واحدة في وقت واحد. على سبيل المثال، يمكننا الحصول على حيوان، التي يمكن تشغيلها بسرعة وتكون مقاومة للبرد. لماذا لا تحاول أن تفعل الشيء نفسه في نظام التداول الآلي الفوركس لدينا. هذا عندما نستخدم التصحيحات، والتي ليست سوى مجموعة من العقوبات إضافية. قل، يتداول نظامنا مع سحب 0.5، في حين نريد أن نؤكد ذلك إلى 0 - 0.3 الفاصل الزمني. ولإخبار النظام بأنه ارتكب خطأ، فإننا نقلل أرباحه (واحدة تستخدم لتحديد، والتي فازت الخوارزمية الجينية) إلى درجة، وهذا يتناسب مع حجم د. ثم، خوارزمية التطور يعتني بقية. هناك عدد قليل من العوامل التي نريد أن نأخذها في الاعتبار: قد نرغب في الحصول على عدد متساو تقريبا من عمليات الشراء والبيع، ونحن نريد أن يكون لدينا المزيد من العمليات المربحة، ثم الإخفاقات، قد نرغب في رسم بياني للربح تكون خطية وهلم جرا. في تطور01.tsc نقوم بتنفيذ مجموعة بسيطة من التصحيحات. أولا وقبل كل شيء، نستخدم بعض العدد الكبير لقيمة تصحيح أولية. نحن نضاعف ذلك إلى القيم الصغيرة (عادة، بين 0 و 1)، اعتمادا على العقوبة التي نريد تطبيقها. ثم نقوم بضرب أرباحنا لهذا التصحيح. ونتيجة لذلك، يتم تصحيح الربح، لتعكس مدى توافق الخوارزمية الجينية مع معاييرنا الأخرى. ثم نستخدم النتيجة للعثور على الشبكة العصبية الفائز. استراتيجية التداول الفوركس: مناقشة المثال 1 المثال 1 يعمل أفضل بكثير، من المثال 0. خلال أول 100 دورة، تعلم الكثير، والرسوم البيانية الربح تبدو مطمئنة. ومع ذلك، كما هو الحال في المثال 0، الصفقات الطويلة هي أكثر ربحية بكثير، وهو ما يعني على الأرجح أن هناك مشكلة في نهجنا. ومع ذلك، وجد النظام وجود توازن بين زوجين من الظروف الأولية المتناقضة: هناك بعض الديناميات الإيجابية سواء في مجموعة التعلم، والأهم من ذلك، في مجموعة الاختبار. أما بالنسبة لمزيد من التعلم، في دورة 278 يمكننا أن نرى، أن نظامنا حصلت أوفيرترايند. وهو ما يعني أننا ما زلنا نحرز تقدما في مجموعة التعلم: لكن مجموعة الاختبارات تظهر ضعف: هذه مشكلة شائعة مع ننس: عندما نعلمها على مجموعة التعلم، فإنها تتعلم التعامل معها، وأحيانا تتعلم جيدا - درجة، عندما يفقد الأداء على مجموعة الاختبار. للتعامل مع هذه المشكلة، يتم استخدام حل تقليدي: نبقي تبحث عن الشبكة العصبية. أن أداء أفضل على مجموعة اختبار، وحفظه، الكتابة فوق أفضل واحد سابق، في كل مرة يتم التوصل إلى ذروة جديدة. هذا هو نفس النهج، استخدمنا في التدريب ففب، إلا، وهذه المرة علينا أن نفعل ذلك أنفسنا (إضافة رمز، التي تبحث عن أفضل شبكة العصبية على مجموعة اختبار، ودعوة سافن، أو تصدير الأوزان من الشبكة العصبية إلى ملف). بهذه الطريقة، عند إيقاف التدريب الخاص بك، سيكون لديك أفضل أداء على اختبار مجموعة حفظ وانتظاركم. لاحظ أيضا أنه ليس الحد الأقصى. الربح كنت بعد، ولكن الأداء الأمثل، لذلك النظر في استخدام التصحيحات، عند البحث عن أفضل أداء على مجموعة اختبار. الخوارزمية الجينية فوركس التحليل الفني: أين الآن بعد أن حصلت على الشبكة العصبية الفائز الخاص بك. يمكنك اتباع الخطوات، وصفها في المادة السابقة، لتصدير الأوزان من تلك الشبكة العصبية. ومن ثم استخدامها في منصة التداول في الوقت الحقيقي الخاص بك، مثل ميتا التاجر، محطة التجارة وهلم جرا. بدلا من ذلك، يمكنك التركيز على طرق أخرى لتحسين الشبكة العصبية. على عكس خوارزمية ففب، هنا يمكنك الحصول على أفاي من استخدام التعلم واختبار مجموعات، ونقل التعلم المتسلسل. تحميل اللحاء ترتيب اللحاء عرض قائمة الأسعار الرؤية مهمة جدا لهذا الموقع. إذا كنت ترغب في ذلك يرجى ربط هذا العنوان