فوركس التنبؤ وراثية خوارزمية

استخدام الخوارزميات الجينية للتنبؤ بالأسواق المالية اقترح بيرتون في كتابه، وهو المشي العشوائي وول ستريت، (1973) أن قرد معصوب العينين يلقي رمي السهام في الصحف صفحات مالية يمكن أن تختار محفظة من شأنها أن تفعل تماما وكذلك واحدة مختارة بعناية من قبل الخبراء. في حين أن التطور قد جعل الإنسان لا أكثر ذكاء في اختيار الأسهم، نظرية تشارلز داروينز فعالة جدا عندما تطبق بشكل مباشر أكثر. (لمساعدتك في اختيار الأسهم، تحقق من كيفية اختيار الأسهم). ما هي الخوارزميات الجينية الخوارزميات الجينية (غاس) هي طرق حل المشاكل (أو الاستدلال) التي تحاكي عملية التطور الطبيعي. على عكس الشبكات العصبية الاصطناعية (أنس)، المصممة لتعمل مثل الخلايا العصبية في الدماغ، وهذه الخوارزميات الاستفادة من مفاهيم الانتقاء الطبيعي لتحديد أفضل حل لمشكلة. ونتيجة لذلك، تستخدم غاس عادة كمحسنين يقومون بضبط المعلمات لتقليل أو زيادة بعض ردود الفعل قياس، والتي يمكن بعد ذلك استخدامها بشكل مستقل أو في بناء آن. في الأسواق المالية. الخوارزميات الجينية هي الأكثر شيوعا للعثور على أفضل القيم مزيج من المعلمات في قاعدة التداول، وأنها يمكن أن تكون مبنية في نماذج آن مصممة لاختيار الأسهم وتحديد الصفقات. وقد أظهرت العديد من الدراسات أن هذه الأساليب يمكن أن تكون فعالة، بما في ذلك الخوارزميات الجينية: تكوين تقييم الأسهم (2004) من قبل راما، وتطبيقات الخوارزميات الجينية في بيانات سوق الأسهم الأمثل التعدين (2004) من قبل لين، تساو وانغ، تشانغ. (لمعرفة المزيد عن أن، انظر الشبكات العصبية: التنبؤ الأرباح) كيف الخوارزميات الجينية العمل الخوارزميات الجينية يتم إنشاؤها رياضيا باستخدام ناقلات، والتي هي الكميات التي لها اتجاه وحجم. وتتمثل المعلمات لكل قاعدة تداول مع متجه أحادي البعد يمكن اعتباره كروموسوم في المصطلحات الوراثية. وفي الوقت نفسه، يمكن اعتبار القيم المستخدمة في كل معلمة من الجينات، والتي يتم تعديلها بعد ذلك باستخدام الانتقاء الطبيعي. على سبيل المثال، قد تنطوي قاعدة التداول على استخدام معلمات مثل المتوسط ​​المتحرك للتقارب-الاختلاف (ماسد). المتوسط ​​المتحرك الأسي (إما) و ستوشاستيك. وعندئذ تقوم الخوارزمية الجينية بإدخال القيم في هذه المعلمات بهدف تحقيق أقصى قدر من صافي الربح. مع مرور الوقت، يتم إدخال تغييرات صغيرة وتلك التي تجعل تأثير مرغوب فيه يتم الاحتفاظ بها للجيل القادم. هناك ثلاثة أنواع من العمليات الجينية التي يمكن بعد ذلك القيام بها: عمليات الانتقال تمثل الاستنساخ و كروس أوفر البيولوجي في علم الأحياء، حيث يأخذ الطفل على خصائص معينة من والديه. وتمثل الطفرات طفرة بيولوجية وتستخدم للحفاظ على التنوع الوراثي من جيل واحد من السكان إلى الجيل التالي من خلال إدخال تغييرات صغيرة عشوائية. الاختيارات هي المرحلة التي يتم فيها اختيار الجينومات الفردية من السكان من أجل التكاثر في وقت لاحق (إعادة التركيب أو كروس أوفر). ثم يتم استخدام هذه الشركات الثلاث في عملية من خمس خطوات: تهيئة السكان العشوائية، حيث كل كروموسوم هو n - طول، مع ن عدد المعلمات. وهذا يعني أنه يتم تحديد عدد عشوائي من المعلمات مع العناصر n لكل منهما. حدد الكروموسومات، أو المعلمات، التي تزيد من النتائج المرغوبة (صافي الربح المفترض). تطبيق طفرة أو مشغلي كروس إلى الآباء المختارين وتوليد نسل. ريكومبين ذرية والسكان الحاليين لتشكيل السكان الجدد مع المشغل اختيار. كرر الخطوات من 2 إلى 4. مع مرور الوقت، هذه العملية سوف يؤدي إلى الكروموسومات مواتية على نحو متزايد (أو، المعلمات) لاستخدامها في قاعدة التداول. ثم يتم إنهاء العملية عند استيفاء معايير التوقف، والتي يمكن أن تشمل وقت التشغيل، واللياقة البدنية، وعدد الأجيال أو معايير أخرى. (لمزيد من المعلومات عن ماسد، اقرأ تجارة ماكد الاختلاف). باستخدام الخوارزميات الوراثية في التداول في حين تستخدم الخوارزميات الجينية في المقام الأول من قبل التجار الكمي المؤسسي. يمكن للتجار الأفراد تسخير قوة الخوارزميات الجينية - دون درجة في الرياضيات المتقدمة - باستخدام العديد من حزم البرمجيات في السوق. وتتراوح هذه الحلول من حزم برامج مستقلة موجهة نحو الأسواق المالية إلى إضافات ميكروسوفت إكسيل التي يمكن أن تسهل المزيد من التحليل العملي. عند استخدام هذه التطبيقات، يمكن للتجار تعريف مجموعة من المعلمات التي يتم تحسينها بعد ذلك باستخدام خوارزمية جينية ومجموعة من البيانات التاريخية. يمكن لبعض التطبيقات تحسين المعلمات التي تستخدم والقيم بالنسبة لهم، في حين أن البعض الآخر يركز في المقام الأول على مجرد تحسين القيم لمجموعة معينة من المعلمات. (لمعرفة المزيد عن هذه الاستراتيجيات المستمدة من البرنامج، انظر قوة برنامج الصفقات.) نصائح التحسين الهامة والخدع منحنى المناسب (أكثر من المناسب)، وتصميم نظام التداول حول البيانات التاريخية بدلا من تحديد السلوك القابل للتكرار، يمثل خطرا محتملا للتجار باستخدام الخوارزميات الجينية. أي نظام تداول باستخدام غاس يجب أن يتم اختباره مسبقا على الورق قبل الاستخدام المباشر. اختيار المعلمات هو جزء مهم من العملية، ويجب على التجار البحث عن المعلمات التي ترتبط بالتغيرات في سعر الأمن معين. على سبيل المثال، جرب مؤشرات مختلفة ومعرفة ما إذا كان أي من هذه العوامل يبدو مرتبطا بتحولات السوق الرئيسية. الخوارزميات الجينية الخيطية هي طرق فريدة لحل المشاكل المعقدة عن طريق تسخير قوة الطبيعة. من خلال تطبيق هذه الأساليب لتوقع أسعار الأوراق المالية، يمكن للمتداولين تحسين قواعد التداول من خلال تحديد أفضل القيم لاستخدامها لكل معلمة لأمن معين. ومع ذلك، فإن هذه الخوارزميات ليست الكأس المقدسة، ويجب أن يكون التجار حذرين لاختيار المعلمات الصحيحة وليس منحنى تناسب (أكثر مناسبا). (لقراءة المزيد عن السوق، تحقق من الاستماع إلى السوق، وليس لها النقود.) وهناك مجموعة كبيرة من الأدب على نجاح تطبيق خوارزميات التطور بشكل عام، والخوارزمية الجينية على وجه الخصوص، إلى الأسواق المالية . ومع ذلك، أشعر بعدم الارتياح عند قراءة هذا الأدب. الخوارزميات الجينية يمكن أن تتناسب مع البيانات الموجودة. مع العديد من تركيبات، فمن السهل أن يأتي مع عدد قليل من القواعد التي تعمل. قد لا يكون قويا وليس لديها تفسير ثابت لماذا تعمل هذه القاعدة وهذه القواعد لا تتجاوز مجرد حجة (دائرية) أنه يعمل لأن الاختبار يظهر أنه يعمل. ما هو توافق الآراء الحالي على تطبيق الخوارزمية الجينية في التمويل طلب فب 18 11 في 9:00 عملت إيف في صندوق التحوط الذي سمح للاستراتيجيات المشتقة من غا. من أجل السلامة، فإنه يتطلب تقديم جميع النماذج قبل الإنتاج بوقت طويل للتأكد من أنها لا تزال تعمل في باكتيستس. لذلك يمكن أن يكون هناك تأخير لمدة تصل إلى عدة أشهر قبل أن يسمح نموذج لتشغيل. كما أنها مفيدة لفصل الكون عينة استخدام نصف عشوائي من الأسهم المحتملة لتحليل غا والنصف الآخر لتأكيد باكتيستس. هل هذه عملية مختلفة عن تلك التي ستستخدمها قبل الوثوق بأي استراتيجية تداول أخرى (إذا كان الأمر كذلك، فليس من الواضح بالنسبة لي ما تكسبه من استخدام نموذج غا باستخدام البيانات إلى الوقت t، ثم الاختبار حتى تن قبل الوثوق به، مقابل استخدام البيانات إلى الوقت تن، والاختبار من تن إلى t، واستخدامه على الفور.) نداش دارين كوك 23 نوفمبر في 2:08 دارينكوك قضية واحدة أرى أنه إذا كنت اختبار من تن إلى t والعثور عليه لا تعمل بشكل جيد، ثم you39re الذهاب لإنشاء نموذج آخر الذي يتم اختباره في نفس الفترة الزمنية تن إلى t (إعلان اللانهائي). ويدخل ذلك احتمالية إزاحة الكتلة أثناء عملية إنشاء النموذج. نداش تشان-هو سوه 22 يوليو في 5:24 فيما يتعلق بالتلصص البيانات، إذا تم تنفيذ غا بشكل صحيح، وهذا ينبغي أن يكون مصدر قلق. يتم تضمين وظائف طفرة على وجه التحديد للبحث عشوائيا من خلال مساحة المشكلة، وتجنب التطفل البيانات. أن يقال، العثور على مستويات طفرة الحق يمكن أن يكون شيئا من الفن وإذا كانت مستويات طفرة منخفضة جدا، ثم it39s كما لو كانت وظيفة wast39t تنفيذها في المقام الأول. نداش بيوانفورماتيكشغال أبر 6 11 في 16:28 بوينفورماتيكشغال I don39t فهم كيف أن إدراج وظائف طفرة يسمح لنا لتجنب البيانات التطفل. بعد البحث، هناك 39 وظيفة اللياقة البدنية مما يجعل كل جيل 39fit39 البيانات أكثر من أي وقت مضى. أو أنا لا أفهم لكم بشكل صحيح ندش فيشال بلزار 15 سبتمبر 11 في 18:05 ثيريس الكثير من الناس هنا نتحدث عن كيفية غاس التجريبية، لا تملك الأسس النظرية، هي صناديق سوداء، وما شابه ذلك. أتوسل إلى أن تختلف ثيرس فرع كامل من الاقتصاد مكرسة للنظر في الأسواق من حيث الاستعارات التطورية: الاقتصاد التطوري أنا أوصي كتاب دوبر، والأسس التطورية للاقتصاد، كمقدمة. cambridge. orggbknowledgeisbnitem1158033sitelocaleenGB إذا كان رأيك الفلسفي هو أن السوق هو في الأساس كازينو عملاق، أو لعبة، ثم غا هو ببساطة مربع أسود وليس لديها أي أساس نظري. ومع ذلك، إذا كانت فلسفتك هي أن السوق هو البقاء للأصلح البيئة، ثم غاس لديها الكثير من الأسس النظرية، ومن المعقول تماما لمناقشة أشياء مثل الشركات الاختلافات، وبيئات السوق، جينوم المحفظة، والمناخ التجاري، و مثل. أجاب أبريل 5 11 في 15:42 في وقت قصير المقاييس هو أكثر كازينو. مثل الطبيعة، في الواقع. نداش كوانتديف أبريل 5 11 في 20:46 كوانتديف، المشكلة مع هذا هو أن GA-- مثل أي أساليب كمية أخرى - يعمل فقط مع نطاق زمني قصير، إذا I39m ليس مخطئا. لذلك إذا كان سوق الأسهم هو أشبه سوق الأسهم، ثم غا سيكون عديم الجدوى تماما. نداش غرافيتون أبر 6 11 في 8:56 غرافيتون. ليس هناك سبب ملازم لعدم قدرة أحدهم على برمجة برنامج غا للقيام بتحليل في فترات زمنية أطول. يتم قياس النطاق الزمني لجمعية عامة في أجيال وليس سنوات أو أيام. لذلك، يحتاج المرء ببساطة إلى تعريف السكان الذين يحتويون على أجيالهم سنوات أو عقود طويلة (أي الشركات). كان هناك بالتأكيد بعض العمل الذي يقترب من تعريف 39genomes الشركات من خلال عمليات الإنتاج الخاصة بهم. وفي مثل هذا النموذج، يمكن للمرء أن يستفيد من نموذج أعمال مؤسسي يتسم بالكفاءة، نظرا لمناخ سوقي معين. ومع ذلك، فإنه ليس نموذج محفظة سعر السهم. نداش بيوانفورماتيكشغال أبريل 6 11 في 15:12 على افتراض تجنب التحيز البيانات التطفل وجميع المخاطرة المحتملة لاستخدام الماضي للتنبؤ بالمستقبل، والثقة الخوارزميات الجينية للعثور على الحل الصحيح يتجلى إلى حد كبير إلى نفس الرهان تقوم بها عندما كنت إدارة فعالة للمحفظة، سواء كمي أو تقديرية. إذا كنت تعتقد في كفاءة السوق ثم زيادة تكاليف المعاملات الخاصة بك من الإدارة النشطة غير منطقية. إذا كنت تعتقد أن هناك أنماط أمبير البنيوية النفسية أو العيوب التي يمكن استغلالها والمكافأة يستحق الوقت والمال للبحث وتنفيذ استراتيجية الخيار المنطقي هو الإدارة النشطة. إن تشغيل إستراتيجية مشتقة من غا هو رهان ضمني ضد كفاءة السوق. كنت تقول أساسا أعتقد أن هناك تقييمات سيئة التي تحدث من سبب ما (كتل من الناس غير عقلاني، صناديق الرعي المتبادل بسبب الحوافز سوء الانحياز، وما إلى ذلك) وتشغيل هذا غا يمكن فرز هذه الكتلة من البيانات بطريقة أسرع من ما أستطيع . أجاب 18 فبراير 11 في 15:49 يدويا إدارة محفظة نشطة ينطوي على استخدام جميع المعلومات لدينا واستخلاص استنتاج منطقي حول السوق ومن ثم تنفيذ استراتيجيات على ذلك هو نشاط عقلاني. أوتوه، باستخدام غا يستخدم أداة مربع أسود يمكننا 39t شرح النتيجة المستمدة منه من أي مبادئ مقبولة. I39m ليس متأكدا جدا ما إذا كانت هذه هي حقا نفس الشيء. نداش غرافيتون 18 فبراير 11 في 15:57 غرافيتون نعم ولكن النظر في أوجه التشابه بين GA39s وكيف لنا البشر يتعلمون عن الأسواق، ووضع استراتيجيات والتعلم من الأخطاء، والتكيف مع ظروف السوق المتغيرة. عندما تبحث ما هي الأسهم الفائزة والخاسرة المشتركة، أو ما هي أنماط الحجم والسعر التي تخلق صفقات جيدة، أو النموذج الذي هو الأكثر دقة لتقييم المشتقات ما تقومون به هو استخراج البيانات الماضي بطريقة. عندما تتغير ظروف السوق يمكنك إما التجارة استراتيجيات جديدة أو في نهاية المطاف الخروج من العمل. إذا كان هناك حواف قابلة للاستغلال في السوق ثم الفرق الوحيد بينك وبين غا هو نداش جوشوا فرصة فبراير 18 11 في 16:46 غرافيتون (بمعنى واسع جدا) هو أن لديك سرد، قصة للذهاب مع الاستراتيجية الخاصة بك . نحن البشر خطر العثور على نمط يبدو متكررة ومن ثم ترشيد ذلك وخلق السرد. GA39s خطر نفس الشيء، إلا أن نموذجهم كاذبة محتملة لا تستخدم الكلمات، فإنها تستخدم الرياضيات والمنطق. نداش جوشوا فرصة فبراير 18 11 في 16:54 أواخر توماس الغلاف. (على الأرجح أبرز نظريات المعلومات في جيله)، ونظرت في النهج العالمية لأشياء مثل ضغط البيانات ومخصصات المحفظة والخوارزميات الجينية الحقيقية. التطور ليس لديه معلمات لتناسب أو تدريب. لماذا يجب أن الخوارزميات الجينية الحقيقية لا تضع النهج الشاملة أي افتراضات حول التوزيع الأساسي للبيانات. أنها لا تبذل أي محاولة للتنبؤ بالمستقبل من أنماط أو أي شيء آخر. الفعالية النظرية للنهج العالمية (أنها تواجه تحديات كبيرة في التنفيذ انظر السؤال الأخير: هندسة للمحافظ الشاملة) متابعة منهم يفعل ما يتطلب التطور. أسرع وأذكى، أو أقوى لا البقاء على قيد الحياة بالضرورة في الجيل القادم. تطور تفضل أن الجينات، والكائن الحي، ميمي، محفظة، أو خوارزمية ضغط البيانات المتمركزة إلى الأكثر سهولة التكيف مع ما يحدث بعد ذلك. أيضا، لأن هذه النهج تجعل لا توجد افتراضات وتشغيل غير بارامتريكالي، يمكن للمرء أن تنظر في جميع الاختبارات، حتى على جميع البيانات التاريخية، خارج العينة. بالتأكيد لديهم قيود، بالتأكيد أنها لا يمكن أن تعمل لكل نوع مشكلة نواجهها في مجالنا، ولكن جي، ما هي طريقة مثيرة للاهتمام للتفكير في الأشياء. أجاب 14 يوليو 13 في 15:42 حسنا، الهدف من ألغو الجينية هو العثور على أفضل حل دون المرور في جميع السيناريوهات المحتملة لأنه سيكون طويلا جدا. لذلك بالطبع هو منحنى المناسب، هذا هو الهدف. أجاب 6 مارس 11 في 20:40 ولكن هناك فرق كبير بين الإفراط في تجهيز العينة (سيئة) وتركيب السكان (جيد). وهذا هو السبب في أن الكثيرين يقترحون عليك التحقق من صحة خوارزمية مع اختبار خارج العينة. نداش جوشوا 17 يوليو 13 في 02:34 إجابتك 2017 كومة الصرف، إنسنوكرون الخوارزمية 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 تكون مسؤولة 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 بشأن الشبكة العصبية هو 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 السماح للفائزين على السلالة، والقضاء على الخاسرين، تماما كما هو الحال في تطور الحياة الحقيقية، وسوف نحصل على أفضل شبكة التداول لدينا 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، الحرف 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 إلى 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، فشل 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 أوزان 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