Trading-strategy-genetic-algorithm

Trading-strategy-genetic-algorithm

Stock-options-purchase-agreement
Nigeria-forex
Gagak-gagak hitam


Stock-options-disederhanakan Pilihan ip-biner Yang-biner-pilihan-broker-adalah-terbaik Nifty-option-trading-secret Cara menggunakan jepang-candlesticks-in-forex-trading Is-forex-sangat menguntungkan

Ada banyak literatur tentang keberhasilan penerapan algoritma evolusioner secara umum, dan algoritma genetika khususnya, ke pasar keuangan. Namun, saya merasa tidak nyaman saat membaca literatur ini. Algoritma genetika bisa terlalu sesuai dengan data yang ada. Dengan begitu banyak kombinasi, mudah untuk menemukan beberapa peraturan yang bekerja. Ini mungkin tidak kuat dan tidak memiliki penjelasan yang konsisten mengapa peraturan ini berjalan dan peraturan tersebut tidak melampaui argumen belaka (melingkar) sehingga berhasil karena pengujian menunjukkan bahwa hasilnya berhasil. Apa konsensus saat ini tentang penerapan algoritma genetika di bidang keuangan yang diajukan pada 18 Februari 11 jam 9:00 Saya telah bekerja di hedge fund yang memungkinkan strategi yang diturunkan dari GA. Demi keamanan, diperlukan agar semua model diajukan jauh sebelum produksi untuk memastikan bahwa mereka masih bekerja di backtests. Jadi mungkin ada penundaan hingga beberapa bulan sebelum model diizinkan masuk. Its juga membantu untuk memisahkan sampel alam semesta menggunakan setengah acak dari kemungkinan saham untuk analisis GA dan setengah lainnya untuk backtests konfirmasi. Apakah itu proses yang berbeda dari yang akan Anda gunakan sebelum mempercayai strategi perdagangan lainnya (Jika demikian, tidak jelas bagi saya apa yang Anda dapatkan dari membuat model GA menggunakan data ke waktu t, lalu menguji sampai tN sebelum mempercayainya, versus menggunakan data Ke waktu tN, tes dari tN ke t, dan menggunakannya segera.) Ndash Darren Cook 23 Nov 11, 2:08 DarrenCook satu masalah yang saya lihat adalah bahwa jika Anda menguji dari tN ke t dan menemukannya tidak bekerja dengan baik, maka Anda akan pergi Untuk membuat model lain yang diuji pada periode waktu yang sama dengan t (ad infinitum). Yang memperkenalkan kemungkinan overfitting kuotot-kuantum selama proses pembuatan model. Ndash Chan-Ho Suh 22 Jul 15 at 5:24 Mengenai data-mengintip, jika GA diimplementasikan dengan benar, itu seharusnya tidak menjadi perhatian. Fungsi mutasi secara khusus disertakan untuk mencari secara acak melalui ruang masalah, dan menghindari pengintaian data. Dengan kata lain, menemukan tingkat mutasi yang tepat dapat berupa sesuatu dari suatu seni dan jika tingkat mutasinya terlalu rendah, maka fungsi tersebut tidak akan semestinya diterapkan. Ndash BioinformaticsGal 6 Apr 11 at 16:28 BoinformaticsGal Saya tidak mengerti bagaimana masuknya fungsi mutasi memungkinkan kita menghindari pengintaian data. Setelah pencarian, ada fungsi kebugaran yang membuat setiap generasi memiliki data lebih banyak lagi. Atau saya tidak mengerti Anda benar ndash Vishal Belsare 15 September 11 di 18:05 Ada banyak orang di sini berbicara tentang bagaimana GA bersifat empiris, tidak memiliki dasar teoritis, adalah kotak hitam, dan sejenisnya. Saya mohon untuk membedakan Theres keseluruhan cabang ekonomi yang ditujukan untuk melihat pasar dalam hal metafora evolusioner: Ekonomi Evolusioner Saya sangat merekomendasikan buku Dopfer, The Evolutionary Foundations of Economics, sebagai intro. Cambridge.orggbknowledgeisbnitem1158033sitelocaleenGB Jika pandangan filosofis Anda adalah bahwa pasar pada dasarnya adalah kasino raksasa, atau permainan, maka GA hanyalah sebuah kotak hitam dan tidak memiliki dasar teoritis. Namun, jika filosofi Anda adalah bahwa pasar adalah ekologi survival-of-the-fittest, maka GA memiliki banyak fondasi teoretis, dan sangat masuk akal untuk membahas hal-hal seperti spesiasi perusahaan, ekologi pasar, genom portofolio, iklim perdagangan, dan seperti. Dijawab Apr 5 11 at 15:42 Pada skala waktu singkat itu lebih merupakan kasino. Seperti alam, sebenarnya. Ndash quantdev Apr 5 11 at 20:46 quantdev, masalahnya dengan ini adalah bahwa GA - seperti metode kuantitatif lainnya - hanya bekerja dengan skala waktu singkat, jika saya tidak salah. Jadi jika pasar saham lebih seperti pasar saham, maka GA sama sekali tidak berguna. Ndash Graviton 6 Apr 11 jam 8:56 Graviton. Tidak ada alasan yang melekat mengapa seseorang tidak bisa melakukan GA untuk melakukan analisis pada rentang waktu yang lebih lama. Domain waktu GA diukur dalam generasi, bukan tahun atau hari. Jadi, orang hanya perlu mendefinisikan populasi yang mengandung individu yang generasinya beberapa tahun atau puluhan tahun yang panjang (misalnya korporasi). Sudah pasti ada beberapa pekerjaan yang mendekati penentuan fakta perusahaan oleh proses produksinya. Dalam model seperti itu, seseorang akan mengoptimalkan model bisnis perusahaan yang efisien, mengingat iklim pasar tertentu. Ini bukan model portofolio harga saham. Ndash BioinformaticsGal 6 Apr 11 at 15:12 Dengan asumsi Anda menghindari bias pengintaian data dan semua potensi jebakan menggunakan masa lalu untuk memprediksi masa depan, percayalah algoritma genetika untuk menemukan solusi tepat, hampir banyak kemungkinan bahwa Anda bertaruh saat Anda melakukannya. Secara aktif mengelola portofolio, baik kuantitatif maupun discretionary. Jika Anda percaya pada efisiensi pasar maka biaya transaksi Anda meningkat dari manajemen aktif tidak masuk akal. Jika, bagaimanapun Anda yakin ada pola atau kelemahan psikologis struktural untuk dieksploitasi dan hasilnya layak waktu dan uang untuk meneliti dan menerapkan strategi pilihan logis adalah manajemen aktif. Menjalankan strategi yang diturunkan dari GA adalah taruhan tersirat melawan efisiensi pasar. Anda pada dasarnya mengatakan bahwa saya pikir ada salah penilaian yang terjadi dari beberapa alasan (massa orang-orang irasional, reksa dana bergirang karena insentif yang salah selaras, dll.) Dan menjalankan GA ini dapat mengurutkan data massal ini dengan cara yang lebih cepat daripada yang saya bisa. . Menjawab 18 Feb 11 at 15:49 mengelola portofolio aktif secara manual melibatkan penggunaan semua informasi yang kami miliki dan mendapatkan kesimpulan logis tentang pasar dan kemudian menjalankan strategi untuk melakukannya, ini adalah aktivitas rasional. OTOH, menggunakan GA menggunakan alat kotak hitam, kami dapat menjelaskan hasil yang diperoleh darinya dari prinsip yang berlaku. Saya tidak terlalu yakin apakah keduanya benar-benar sama. Ndash Graviton 18 Feb 11 at 15:57 Graviton Ya tapi pertimbangkan kesamaan antara GA39 dan bagaimana kita belajar tentang pasar, mengembangkan strategi, belajar dari kesalahan, dan beradaptasi dengan perubahan kondisi pasar. Ketika Anda meneliti apa yang menang dan kehilangan saham memiliki kesamaan, atau berapa volume dan pola harga menciptakan perdagangan yang baik, atau model mana yang paling akurat untuk menilai derivatif apa yang Anda lakukan adalah data mining masa lalu dengan cara tertentu. Bila kondisi pasar berubah, Anda bisa menukar strategi baru atau akhirnya gulung tikar. Jika ada tepi yang dapat dieksploitasi di pasar maka satu-satunya perbedaan antara Anda dan GA adalah ndash Joshua Chance 18 Feb 11 di 16:46 Graviton (dalam pengertian yang sangat luas) adalah bahwa Anda memiliki sebuah narasi, sebuah cerita untuk mengikuti strategi Anda. . Kita manusia berisiko menemukan pola yang tampaknya berulang dan kemudian merasionalisasi dan menciptakan sebuah narasi. Risiko GA sama, hanya model yang berpotensi salah mereka tidak menggunakan kata-kata, mereka menggunakan matematika dan logika. Ndash Joshua Chance 18 Feb 11 jam 16:54 almarhum Thomas Cover. (Kemungkinan teorema Informasi terkemuka dari generasinya), menganggap pendekatan Universal untuk hal-hal seperti kompresi data dan alokasi portofolio sebagai algoritma genetika yang sebenarnya. Evolusi tidak memiliki parameter yang sesuai atau sesuai. Mengapa algoritma genetika benar Pendekatan universal tidak membuat asumsi tentang distribusi data yang mendasarinya. Mereka tidak berusaha untuk memprediksi masa depan dari pola atau hal lainnya. Efektivitas teoritis pendekatan Universal (mereka menyajikan tantangan implementasi yang signifikan melihat pertanyaan terbaru saya: Geometri untuk Portofolio Universal) mengikuti dari mereka melakukan apa yang dibutuhkan evolusi. Yang tercepat, paling cerdas, atau paling kuat jangan bertahan di generasi berikutnya. Evolusi mendukung algoritma gen, organisme, meme, portofolio, atau data kompresi yang diposisikan paling mudah disesuaikan dengan apa pun yang terjadi selanjutnya. Selain itu, karena pendekatan ini tidak membuat asumsi dan beroperasi secara non-parametrik, seseorang dapat mempertimbangkan semua tes, bahkan pada semua data historis, seperti di luar sampel. Tentunya mereka memiliki keterbatasan, pastinya mereka tidak dapat bekerja untuk setiap jenis masalah yang kita hadapi di domain kita, tapi astaga, betapa cara yang menarik untuk memikirkan hal-hal itu. Menjawab 14 Jul 13 jam 15:42 Nah, tujuan algo genetik adalah menemukan solusi terbaik tanpa melalui semua skenario yang mungkin karena akan terlalu lama. Jadi tentu saja itu adalah kurva pas, itulah tujuannya. Jawab Mar 6 11 di 20:40 Tapi ada perbedaan yang signifikan antara overfitting sampel (buruk) dan pas populasi (baik). Itulah sebabnya banyak yang menyarankan Anda untuk memvalidasi algoritma Anda dengan pengujian di luar sampel. Ndash Joshua 17 Jul 13 at 2:34 Jawaban Anda 2017 Stack Exchange, IncCreating Trading System dalam Lab Sistem Trading System Lab secara otomatis akan menghasilkan Sistem Perdagangan di pasar manapun dalam beberapa menit dengan menggunakan program komputer yang sangat canggih yang dikenal dengan AIMGP (Automatic Induksi Kode Mesin dengan Pemrograman Genetik). Pembuatan Sistem Perdagangan dalam Trading System Lab dilakukan dalam 3 langkah mudah. Pertama, preprosesor sederhana dijalankan yang secara otomatis mengekstrak dan memproses data yang diperlukan dari pasar yang ingin Anda tangani. TSL menerima data data CSI, MetaStock, AIQ, TradeStation, Data Internet Gratis, ASCII, TXT, CSV, CompuTrac, DowJones, FutureSource, TeleChart2000v3, TechTools, XML, Biner dan Streaming Internet. Kedua, Sistem Perdagangan Generator (GP) dijalankan selama beberapa menit, atau lebih, untuk mengembangkan Sistem Perdagangan baru. Anda dapat menggunakan data, pola, indikator, hubungan intermarket, atau data fundamental Anda sendiri dalam TSL. Ketiga, Sistem Perdagangan yang berevolusi diformat untuk menghasilkan sinyal Sistem Perdagangan baru dari dalam TradeStation atau banyak platform perdagangan lainnya. TSL secara otomatis akan menulis Easy Language, Java, Assembler, kode C, kode C dan WealthLab Script Language. Sistem Perdagangan kemudian dapat diperdagangkan secara manual, diperdagangkan melalui broker, atau diperdagangkan secara otomatis. Anda bisa membuat Sistem Perdagangan itu sendiri atau kita bisa melakukannya untuk Anda. Kemudian, baik Anda atau broker Anda bisa menukar sistem secara manual atau otomatis. Program Labs Labs Genetic Program berisi beberapa fitur yang mengurangi kemungkinan curve fitting, atau memproduksi Trading System yang tidak terus tampil ke depan. Pertama, Sistem Perdagangan yang berevolusi memiliki ukuran yang dipangkas hingga ukuran serendah mungkin melalui apa yang disebut Parsimony Pressure, yang diambil dari konsep deskripsi minimal. Dengan demikian Sistem Perdagangan yang dihasilkan semudah mungkin dan umumnya percaya bahwa Sistem Perdagangan yang lebih sederhana, semakin baik kinerjanya di masa depan. Kedua, keacakan diperkenalkan ke dalam proses evolusi, yang mengurangi kemungkinan menemukan solusi yang bersifat lokal, namun tidak optimal secara global. Keacakan diperkenalkan bukan hanya kombinasi bahan genetik yang digunakan dalam Sistem Perdagangan yang berevolusi, namun juga teknik Parsimony Pressure, Mutasi, Crossover dan parameter GP tingkat tinggi lainnya. Dari pengujian Sampel dilakukan saat pelatihan sedang berlangsung dengan informasi statistik yang disajikan pada pengujian Sampel dan Sampel Perdagangan Sampel. Run log disajikan kepada pengguna untuk data Training, Validation dan Out of Sample. Performa yang baik dari kinerja Sampel mungkin menunjukkan bahwa Sistem Perdagangan berkembang dengan karakteristik yang kuat. Kemunduran substansial dalam pengujian Sampel Sampel otomatis dibandingkan dengan pengujian Sampel mungkin menyiratkan bahwa pembuatan Sistem Perdagangan yang kuat diragukan atau Terminal, atau Input Set mungkin perlu diubah. Akhirnya, Terminal Set dipilih dengan hati-hati agar tidak terlalu bias memilih bahan genetik awal terhadap bias atau sentimen pasar tertentu. TSL tidak dimulai dengan sistem Trading yang telah ditetapkan sebelumnya. Sebenarnya, hanya Input Set dan pilihan mode atau mode masuk pasar, untuk pencarian dan tugas masuk otomatis, pada awalnya dibuat. Perilaku pola atau indikator yang mungkin dianggap sebagai situasi bullish dapat digunakan, dibuang atau dibalik dalam GP. Tidak ada pola atau indikator yang telah ditetapkan sebelumnya terhadap bias pergerakan pasar tertentu. Ini adalah keberangkatan radikal dari pengembangan Sistem Perdagangan yang dihasilkan secara manual. Sistem Trading adalah serangkaian instruksi logis yang memberitahu trader kapan harus membeli atau menjual pasar tertentu. Instruksi ini jarang membutuhkan intervensi oleh pedagang. Sistem Perdagangan dapat diperdagangkan secara manual, dengan mengamati instruksi perdagangan di layar komputer, atau mungkin diperdagangkan dengan membiarkan komputer memasuki perdagangan di pasar secara otomatis. Kedua metode tersebut banyak digunakan saat ini. Ada lebih banyak manajer uang profesional yang menganggap diri mereka sebagai Pedagang Mekanis atau Mekanik daripada mereka yang menganggap dirinya Discretionary, dan kinerja manajer uang sistematis pada umumnya lebih unggul daripada manajer uang Discretionary. Studi telah menunjukkan bahwa akun perdagangan umumnya kehilangan uang lebih sering jika klien tidak menggunakan Sistem Perdagangan. Kenaikan signifikan dalam Sistem Perdagangan selama 10 tahun terakhir terbukti terutama di perusahaan pialang komoditas, namun perusahaan pialang pasar ekuitas dan obligasi menjadi semakin sadar akan manfaatnya melalui penggunaan Sistem Perdagangan dan beberapa telah mulai menawarkan Sistem Perdagangan kepada mereka. Klien ritel Sebagian besar manajer reksadana telah menggunakan algoritma komputer yang canggih untuk memandu keputusan mereka mengenai opsi panas apa yang akan dipilih atau rotasi sektor apa yang disukai. Komputer dan algoritma telah menjadi mainstream dalam investasi dan kami berharap tren ini terus berlanjut seiring dengan semakin muda, investor komputer yang lebih cerdas terus membiarkan sebagian dari uang mereka dikelola oleh Trading Systems untuk mengurangi risiko dan tingkat pengembalian yang meningkat. Kerugian besar yang dialami oleh investor yang berpartisipasi dalam membeli dan menahan saham dan reksadana karena pasar saham meleleh di tahun-tahun sebelumnya adalah melanjutkan pergerakan ini menuju pendekatan yang lebih disiplin dan logis terhadap investasi pasar saham. Investor rata-rata menyadari bahwa saat ini dia membiarkan banyak aspek kehidupan mereka dan kehidupan orang-orang yang mereka cintai dipelihara atau dikendalikan oleh komputer seperti mobil dan pesawat terbang yang kami gunakan untuk transportasi, peralatan diagnostik medis yang kami gunakan untuk perawatan kesehatan, Pengendali pemanas dan pendinginan yang kami gunakan untuk pengendalian suhu, jaringan yang kami gunakan untuk informasi berbasis internet, bahkan permainan yang kami mainkan untuk hiburan. Mengapa kemudian beberapa investor ritel percaya bahwa mereka dapat mengambil keputusan dari keputusan mereka mengenai berapa saham atau reksa dana yang akan dibeli atau dijual dan diharapkan menghasilkan uang. Akhirnya, investor rata-rata telah mewaspadai nasehat dan informasi yang diteruskan oleh calo yang tidak bermoral. , Akuntan, kepala perusahaan dan penasihat keuangan. Selama 20 tahun terakhir matematikawan dan pengembang perangkat lunak telah mencari indikator dan pola di pasar saham dan komoditas mencari informasi yang mungkin mengarah ke arah pasar. Informasi ini dapat digunakan untuk meningkatkan kinerja Sistem Perdagangan. Umumnya proses penemuan ini dilakukan melalui kombinasi trial and error dan Data Mining yang lebih canggih. Biasanya, pengembang akan mengambil hitungan angka selama beberapa minggu atau bulan untuk menghasilkan Sistem Perdagangan potensial. Seringkali Sistem Perdagangan ini tidak akan berjalan dengan baik saat benar-benar digunakan di masa depan karena apa yang disebut curve fitting. Selama bertahun-tahun telah ada banyak Sistem Perdagangan (dan perusahaan pengembangan Sistem Perdagangan) yang telah datang dan pergi karena sistem mereka telah gagal dalam perdagangan langsung. Mengembangkan Sistem Perdagangan yang terus berlanjut ke masa depan memang sulit, namun tidak mustahil tercapai, walaupun tidak ada pengembang etis atau manajer keuangan yang akan memberikan jaminan tanpa syarat bahwa setiap Sistem Perdagangan, atau dalam hal apapun saham, obligasi atau reksa dana, akan berlanjut Untuk menghasilkan keuntungan ke masa depan selamanya. Apa yang membutuhkan waktu berminggu-minggu atau berbulan-bulan agar pengembang Sistem Perdagangan dapat memproduksi di masa lalu sekarang dapat diproduksi dalam hitungan menit melalui penggunaan Lab Sistem Perdagangan. Lab Sistem Perdagangan adalah platform untuk pembuatan otomatis Sistem Perdagangan dan Indikator Perdagangan. TSL menggunakan Mesin Pemrograman Genetika berkecepatan tinggi dan akan menghasilkan Sistem Perdagangan dengan kecepatan lebih dari 16 juta bar sistem per detik berdasarkan 56 masukan. Perhatikan bahwa hanya beberapa masukan yang benar-benar akan digunakan atau dibutuhkan sehingga menghasilkan struktur strategi yang berkembang secara sederhana. Dengan sekitar 40.000 sampai 200.000 sistem yang dibutuhkan untuk konvergensi, waktu untuk konvergensi untuk kumpulan data dapat diperkirakan. Perhatikan bahwa kita tidak hanya menjalankan optimasi brute force dari indikator yang ada yang mencari parameter optimum untuk digunakan dalam Sistem Perdagangan yang sudah terstruktur. Generator Sistem Perdagangan dimulai pada titik nol yang tidak membuat asumsi tentang pergerakan pasar di masa depan dan kemudian mengembangkan Sistem Perdagangan pada tingkat yang sangat tinggi yang menggabungkan informasi yang ada di pasar dan merumuskan filter, fungsi, kondisi dan hubungan baru seperti itu. Berkembang menuju Sistem Perdagangan yang direkayasa secara genetika. Hasilnya adalah Sistem Perdagangan yang bagus dapat dihasilkan dalam beberapa menit pada 20-30 tahun data pasar harian di hampir semua pasar. Selama beberapa tahun terakhir telah terjadi beberapa pendekatan terhadap pengoptimalan Sistem Perdagangan yang menggunakan Algoritma Genetika yang kurang kuat. Program Genetik (GP) lebih unggul dari Algoritma Genetika (GAs) karena beberapa alasan. Pertama, GP berkumpul pada solusi dengan tingkat eksponensial (sangat cepat dan semakin cepat) sedangkan Algoritma Genetika berkumpul pada tingkat linier (jauh lebih lambat dan tidak semakin cepat). Kedua, GP sebenarnya menghasilkan kode mesin Trading System yang menggabungkan materi genetik (indikator, pola, data antar pasar) dengan cara yang unik. Kombinasi unik ini mungkin tidak secara intuitif jelas dan tidak memerlukan definisi awal oleh pengembang sistem. Hubungan matematis yang unik yang diciptakan dapat menjadi indikator baru, atau varian dalam Analisis Teknis, belum dikembangkan atau ditemukan. GAs, di sisi lain, cukup mencari solusi optimal saat mereka mengalami kemajuan dalam rentang parameter sehingga mereka tidak menemukan hubungan matematis baru dan tidak menulis kode Sistem Perdagangan mereka sendiri. GP membuat kode Trading System dengan berbagai panjang, menggunakan genom panjang variabel, akan memodifikasi panjang Sistem Perdagangan melalui apa yang disebut crossover non-homolog dan benar-benar akan membuang indikator atau pola yang tidak berkontribusi terhadap efisiensi Sistem Perdagangan. GA hanya menggunakan blok instruksi ukuran tetap, hanya menggunakan crossover homolog dan tidak menghasilkan kode Sistem Perdagangan Panjang variabel, juga tidak akan membuang indikator atau pola yang tidak efisien semudah GP. Akhirnya, Genetic Programs adalah kemajuan terbaru dalam domain pembelajaran mesin, sedangkan Algoritma Genetika ditemukan 30 tahun yang lalu. Program Genetika mencakup semua fungsi utama dari crossover Algoritma Genetika, reproduksi, mutasi dan kebugaran, namun GP mencakup fitur yang jauh lebih cepat dan kuat, menjadikan GP sebagai pilihan terbaik untuk memproduksi Sistem Perdagangan. GP yang bekerja di TSLs Trading System Generator adalah GP tercepat yang saat ini tersedia dan tidak tersedia dalam perangkat lunak pasar keuangan lainnya di dunia. Algoritma Pemrograman Genetik, Simulator Perdagangan dan Mesin Kebugaran yang digunakan dalam TSL membutuhkan waktu lebih dari 8 tahun untuk diproduksi. Lab Sistem Perdagangan adalah hasil kerja keras bertahun-tahun oleh tim insinyur, ilmuwan, pemrogram dan pedagang, dan kami percaya merupakan teknologi paling mutakhir yang ada saat ini untuk memperdagangkan pasar. Algoritma Genetika Terbaru dalam Sistem Perdagangan FOREX Menggunakan Algoritma Genetika untuk menciptakan Strategi Trading 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 tautkan ke perangkat lunak perdagangan URLAdvanced ini: analisis teknis dan jaringan syaraf Optimalisasi Strategi Tingkat Tinggi Tingkatkan Gagasan Perdagangan yang Menguntungkan Anda Optimalisasi adalah proses melakukan beberapa tes sambil memodifikasi parameter yang digunakan dalam peraturan atau indikator strategi. Tujuan pengoptimalan adalah untuk menemukan pengaturan terbaik dan paling menguntungkan untuk indikator atau pola harga tertentu yang diperdagangkan pada keamanan tertentu. Pengoptimalan dapat sangat meningkatkan pengetahuan Anda tentang setiap strategi dan kompetensi Anda tentang apa yang bekerja di berbagai jenis pasar. Ini memungkinkan Anda untuk bereksperimen dengan parameter strategi Anda tanpa mengubah fungsi utamanya. Ketika Harus Optimalisasi Digunakan Banyak pedagang salah menggunakan pengoptimalan untuk memaksakan strategi yang belum selesai menuju penyelesaian. Namun, jika pengoptimalan digunakan dengan benar, ini bisa menjadi langkah kunci dalam mempersiapkan strategi trading riil Anda. Pengoptimalan hanya boleh dimulai setelah Anda menguji strategi dan memastikannya menguntungkan. Strategy Optimization Wizard Anda dapat mengoptimalkan strategi untuk berbagai periode waktu dan pasar, mempertahankan kinerja puncaknya. Wizard Optimalisasi Strategi akan memberikan panduan langkah-demi-langkah untuk proses optimasi. Menemukan Parameter Optimal Anda dapat menggunakan pengoptimalan untuk memastikan bahwa Anda menggunakan parameter optimal untuk indikator yang diterapkan pada strategi dan kondisi entryexit Anda. Pengujian Tradisi Berjalan Otomatis Forward-Forward melakukan pengujian berjalan otomatis. Pengujian semacam ini penting karena membantu Anda memastikan bahwa Anda berhasil melakukan trading dengan menggunakan strategi optimal Anda. Kemampuan pengujian berjalan memungkinkan Anda menentukan rentang tanggal uji, sehingga memberi Anda kekuatan untuk memilih komponen stok yang akan digunakan untuk pengujian optimalisasi dan pengujian di luar sampel. Menentukan Rentang dan Langkah Selain itu, Anda perlu menentukan kisaran (minimum, maksimum) dan langkah (kenaikan) untuk setiap variabel pengoptimalan. Perlu diketahui, bahwa semakin banyak variabel pengoptimalan yang Anda miliki, dan semakin banyak yang diuji untuk setiap variabel, semakin lama proses pengoptimalan akan dilakukan. Menerapkan Algoritma yang Sesuai dengan Anda Yang Terbaik Proses pengoptimalan bisa memakan waktu beberapa detik, beberapa menit atau jam, tergantung pada jumlah simulasi yang dijalankan. Untuk mengurangi waktu yang dibutuhkan untuk pengoptimalan, Anda dapat mengurangi jumlah parameter pengoptimalan, atau menggunakan Algoritma Genetika untuk pengoptimalan. Dalam kasus tersebut, bila Anda memiliki beberapa variabel pengoptimalan dan rentang pencarian yang luas, Algoritma Genetika bekerja lebih cepat daripada pencarian yang melelahkan, namun tetap sangat kuat. Algoritma genetika adalah algoritma pencarian berdasarkan mekanisme seleksi alam dan genetika alami. Mereka menggabungkan survival of the fittest rule dengan pertukaran informasi terstruktur namun acak. Algoritma genetika memiliki karakteristik terbaik dari metode pengoptimalan lainnya, seperti ketahanan dan konvergensi cepat, yang tidak bergantung pada salah satu kriteria pengoptimalan (misalnya, pada kelancaran). Exhaustive Search memverifikasi semua kemungkinan kombinasi parameter yang optimal, sehingga memastikan bahwa solusi terbaik akan ditemukan. Namun, waktu yang dibutuhkan untuk melakukan pencarian menyeluruh meningkat secara dramatis saat jumlah parameter meningkat.
Jp-morgan-bank-forex
Pilihan-trading-malaysia