Forex_nn_ind

SnowCron Self-Organizing Maps Mit Self-Organizing Map erstellen Neural Network Trading System. FOREX Technische Analyse mit Auto - Einstufung Kohonen Neural Network. Neural Network Trading mit dem Kohonen Neural Network. In diesem kostenlosen Online-Tutorial finden Sie den vollen Zyklus der Verwendung von Cortex integrierte Self Organizing Maps (SOM, kohonen neuronale Netze) für Forex-Handel (oder Aktienhandel, die Idee ist die gleiche). Sie lernen, wie Sie Eingaben für die Self Organizing Maps wählen. Und wie zu entscheiden, was mit der Ausgabe zu tun. Sie finden ein Beispiel für ein fertiges Skript, das die Optimierung sowohl der Self Organizing Maps (Anzahl der Neuronen) als auch der Handelsparameter (Stop Loss etc.) durchführen kann. Endlich (der Teil, der in den meisten Tutorials nicht vorhanden ist) Erfahren Sie, was als nächstes zu tun. Schließlich kann Cortex Neural Networks Software nicht tun, Echtzeit-Trading, müssen Sie etwas wie Trade Station, MetaStocks oder MetaTrader verwenden. Wie portieren Sie die Self Organizing Maps basierte Forex Trading-Strategie von Cortex auf Ihre bevorzugte Handelsplattform Haben Sie sich mit DLLs, ActiveX-Steuerelemente und Low-Level-Programmierung Die Antwort ist NEIN. Cortex ist mit dem einfach zu bedienenden Feature ausgestattet, mit dem Sie die daraus resultierenden (trainierten) Self Organizing Maps problemlos in die Skriptsprache Ihrer Handelsplattform portieren können. Keine DLLs, DDE, ActiveX oder andere Low-Level-Lösungen - alles ist einfach und einfach. Wichtiger Hinweis: Dies ist NICHT ein wie Tutorial zu handeln. Stattdessen zeigt es Ihnen, wie Sie Cortex verwenden, aber Sie müssen noch Ihr eigenes Handelssystem erfinden. Die, die wir hier verwenden, ist kaum ein Ausgangspunkt und sollte nicht für Forex-Handel verwendet werden, wie ist. Die Idee dieses Textes ist es, Ihnen beizubringen, Self Organizing Maps-basierte Forex Trading-Strategie zu erstellen und sie an die Handelsplattform Ihrer Wahl Port. Das Beispiel ist jedoch vereinfacht und kann nur als Darstellung der Handelsprinzipien verwendet werden. Gleichermaßen funktioniert das MACD-Handelssystem, das in vielen Tutorials zu finden ist, nicht mehr gut (wie sich die Märkte geändert haben), ist aber dennoch ein gutes Beispiel für den Einsatz von Indikatoren für den mechanischen Handel. In zwei Worten: tun Sie Ihre eigene Analyse. Ein weiterer wichtiger Hinweis: Das Tutorial ist mit Beispielen, viele von ihnen. Um Ihr Leben zu erleichtern, habe ich sie alle, nicht nur Fragmente. Allerdings macht es den Text viel länger. Außerdem gehe ich von Anfang an, ungeschickt, Handelssysteme, zu fortgeschritteneren, jedes Mal erklären, was verbessert worden und warum. Seien Sie geduldig oder springen Sie direkt zu dem Abschnitt, den Sie benötigen. Abschließende wichtige Anmerkung: der Code ist nicht etwas, das in Stein gemeißelt wird, es könnte ändern, während dieser Text geschrieben wurde. Die endgültigen Versionen der Skriptdateien sind im Cortex Neural Networks Software Archiv enthalten. Clustering-Daten: Einfacher Test Zunächst einmal versuchen wir einen einfachen Ansatz - lassen Sie unsere Self Organizing Map mit der Sequenz 0 und 1 zu füttern. Dies sollte uns zwei Cluster, die leicht zu unterscheiden ist visuell: Wie wir sehen können, Self Organizing Maps Kann diese Aufgabe leicht erledigen, indem sie zwei Clasters erzeugt: Wenn wir Daten und Siegerneuronen darstellen, können wir sehen, dass das System gut funktioniert - 0 und 1 sind klar getrennt. Clustering Map: Ergebnisse visualisieren Der Ansatz, den wir im vorherigen Beispiel verwendeten, ist ziemlich ungeschickt - wir haben die Anzahl der Gewinner-Neuronen aufgetragen. Dies ist nicht sehr informativ, und wenn wir diese Informationen nutzen wollen, zum Beispiel als eine Eingabe von neuronalen Netzwerk-Software - nicht sehr nützlich. Der Grund dafür ist - die Zahl eines Neurons ist innerhalb einer 0 - Größe eines Matrixbereichs, und Neural Network muss eine komplexe Beziehung zwischen ihm und einem Cluster - Neuron zu finden. Auch auf einem Diagramm, gibt es uns eine nicht offensichtliche Linie. In einem SOM können wir ein Neuron durch seine Koordinaten (X, Y) und ein Signal, das es erzeugt, durch Addition einer Z-Koordinate eindeutig identifizieren. Außerdem wird eine Farbe in einer Computergrafik gewöhnlich durch einen (Rot-, Grün-, Blau-) Vektor dargestellt, so dass hier ein Trick ist: Lassen Sie uns bitten, dass unser System nicht die Neuronenzahlen, sondern die entsprechenden Farben erzeugt. Wir verwenden die folgenden Formeln in C-Sprache: Lets Walk durch den Code, diesmal werden wir eine SIN (X) - Funktion verwenden. Wie Sie sehen können, ist das Klassifizieren von Mustern in SIN (x) gut gemacht. Auch auf einem glatten Farbendiagramm ist es leicht zu sehen, dass Farben zu ähnlichen Trendteilen eines Diagramms korrekt zugeordnet sind. Forex-Signale: Verwenden von echten Zitaten Jetzt können wir echte Zitate verwenden und sehen, ob unsere selbstorganisierende Karte in der Lage sein wird, dieselbe Weise zu behandeln, wie sie SIN (x) behandelt hat. Wie Sie aus dem Diagramm sehen können, funktionierte die SOM, aber. Die Klassifizierung ist nicht sehr nützlich. Das Problem ist, wie man erwarten würde, in der Tatsache, dass die Tabelle (CLOSE-Anführungszeichen für EURUSD) steigt, so dass das gleiche Muster am Anfang eines Diagramms und an seinem Ende betrachtet wird (durch selbstorganisierende Karte) als Zwei völlig unterschiedliche Muster. Forex Trading-Strategie: Mit NOC-Indikator NOC (Normalize On Condition) Indikator wurde erstellt und verwendet in einem der vorherigen Artikel zu behandeln die Anforderung der NN - es müssen normalisierte Daten zu arbeiten. Wir werden NOC mit selbstorganisierender Karte verwenden, um die Trends der CLOSE-Anführungszeichen zu klassifizieren. Hinweis. Dass ich persönlich nicht denken, dass NOC ist ein perfekter Indikator für die Verwendung mit SOM. Eine Art von Claster-Indikator, zeigt Geldfluss zwischen verschiedenen Währungen, wird höchstwahrscheinlich eine viel bessere Arbeit zu tun. Also, betrachten Sie dies als ein Beispiel, und bauen Sie Ihre eigenen Handelssystem. Um unser System zum Absturz zu bringen, können Sie die im Cortex-Archiv enthaltene eurusdh1long. txt-Zitatdatei zusammen mit der kürzeren eurusdh1.txt verwenden. Wenn Sie es verwenden (indem Sie die kurze im Code), können Sie sehen, unsere Systemverhalten in der aus Probe-Test, auf die Daten, die es nie gesehen. In diesem Test fällt NOC nicht aus, scheint aber auch nicht. Außerdem verwenden wir Zyklen, um schönere Parameter zu finden. Oben ist ein kleines Fragment eines resultierenden Diagramms. Beachten Sie, dass es sehr schwer zu sagen, was verwenden können wir für diese Art von einer Klassifizierung, aber a) vielleicht, FFBP Neural Network kann Sence out of it und b) es ist nur ein Beispiel. Wir können auch täglich Diagramme verwenden. Unten ist der fast identische Code für MSFT Aktienkurs. FOREX Handelsstrategie ohne Kohonen SOM Mit dem Diagramm haben wir im oben genannten Kapitel, ist es schwer, ein Devisenhandelssystem zu schaffen. Es gibt eine Klassifizierung, in Ordnung. Aber es sieht nicht aus wie trend up - green, trent down - red. So können wir ein FFBP neuronales Netzwerk zu mak sence aus ihm heraus. Um es besser zu machen, können sowohl Self-Organizing Map-Ausgang und NOC als FFBP NN-Eingänge. Wir werden das Skript aus dem Artikel über Neural Networks FOREX Trading verwenden. Dass, wie ich vermute, Sie bereits gelesen haben. Zunächst können Sie die ursprüngliche, SOM-freie, Skript erneut und finden Sie die optimale Menge von NN-Parameter. Hier können wir einen Gewinner auswählen. Beachten Sie, dass das Schlagen des Marktes nicht unser Ziel hier ist, was wir tun wollen, ist es, mehr oder weniger arbeiten FFBP-System zu nehmen und zu sehen, ob seine Leistung kann durch die Bereitstellung von zusätzlichen Eingaben von SOM verbessert werden. Gewerben: 27 (Kaufen: 27, Verkauf: 0) NocInterval: 12, Reichweite: 0.004, Ma: 3 Lag: 2, Neuronen: 5 Haltestelle: 0.0200, Tp: 0.0000, Anhalten: 0.600000, Buy: 0.170, Sell: 0.900 Drawdown: 0.299 Profit: 6174.000000 (lang: 6174.000000, kurz: 0.000000) Diese Grafik sieht gut aus. Im nächsten Kapitel werden wir zusätzlich zu NOC die Self-Organizing Map-Ausgabe verwenden. Mit Kohonen Neural Network und FFBP Neural Network zusammen Wir werden Zyklen aus dem vorherigen Beispiel zu entfernen, und eine selbstorganisierende Karte, um es hinzuzufügen. Die Kohonen SOM wurde von som04.tsc erstellt, beachten Sie, dass Sie dieses Skript zuerst ausführen müssen. Also, zuerst som04.tsc laufen lassen und die resultierende Selbstorganisierende Karte zu som04winner. kh umbenennen. Das folgende Skript verwendet das bestehende Kohonen-SOM und versucht, optimale Parameter für FFBP NN zu finden, das neben NOC auch seine Ausgabe als Eingabe verwendet. Gewerben: 29 (Kaufen: 29, Verkauf: 0) NocInterval: 12, Reichweite: 0.000, Ma: 3 Lag: 2, Neuronen: 7 Stop: 0.0200, Tp: 0.0000, Anhalten: 0.500000, Buy: 0.140, Sell: 0.900 Drawdown: 0.557 Gewinn: 6677.000000 (long: 6677.000000, short: 0.000000) Wie Sie sehen können, ist mindestens ein Chart besser, als es ohne SOM war, obwohl es nur ein Beispiel ist und für ein echtes Handelssystem, NOC Ist, wahrscheinlich, nicht die beste Wahl der Eingabe für Kohonen SOM (es ist sehr gut für FFBP NN, jedoch). Entfernen von Zyklen aus FFBP Neural Network Trading System Jetzt können wir unser Handelssystem zu einer echten Handelsplattform Port. Schließlich kann Cortex Neural Networks Software nicht online handeln, also müssen wir MetaTrader, TradStation oder etwas anderes verwenden. Wir erstellen hier ein Skript für den MetaTrader-Experten, der sowohl unsere FFBP NN als auch SOM verwendet. Wir tun es in zwei Schritten. Zunächst werden wir die Schritte aus Neural Networks FOREX Handel Artikel, für unsere Gewinner FFBP wiederholen. Dann fügen wir SOM hinzu. Um es zu tun, entfernen wir Zyklen aus dem som05.tsc-Code, verlässt es uns mit einem Code, der eine einzige gewinnende NN verwendet. Dann fügen wir Code zu diesem Skript, DRUCKEN Gewichte von Neuronen. Wir formatieren diese Ausgabe, um es mit MetaTradern (oder anderen Handelsplattform, es ist bis zu Ihnen) Syntax entsprechen. Als Ergebnis haben wir ein großes Array mit NN-Gewichten, die wir in den Expertenindikatorcode einer Handelsplattform Ihrer Wahl einfügen können. Für jetzt können wir alle unnötigen Zyklen von som5.tsc entfernen, damit wir das Skript haben, das mit einem Gewinner NN arbeitet. Da wir existng gewinnende NN verwenden, müssen wir es irgendwo erhalten. Der Cortex kommt mit som05winner1.nn (erstellt in som05.tsc und dann umbenannt). Beachten Sie, dass der Code immer noch Zyklen - nur so vertraut wie möglich - aber diese Zyklen nur einmal durchgeführt werden. Auch einige Parameter für den Noc und das Netzwerk sind hartcodiert: som06.tsc, FFBP, noch keine SOM Exportieren von Gewichten der Neuronalen Netze Im nächsten Schritt werden die Gewichte des Neuronalen Netzes in die Skriptsprache einer Handelsplattform unserer Wahl exportiert. Hier sind wir nur die Wiederholung der Neural Networks Forex Trading. Um es zu tun, fügen wir einige PRINT-Anweisungen an die som06.tsc, und es wird die notwendige Ausgabe zu produzieren. Fügen Sie einfach den folgenden Code in die som06.tsc: Hinweis, dass die Logik dahinter wurde in Neural Networks Forex Trading Artikel bereits diskutiert. Kurz gesagt, wird die Ausgabe dieses Skripts so formatiert, dass es mit dem Skriptmodul MQ4, MetaTraders kompatibel ist. MetaTrader ist eine Handelsplattform, die wir verwenden, wenn Sie etwas anderes wollen, zB TradeStation, müssen Sie den Code entsprechend seiner Syntax ändern. Dann werden wir in den folgenden Kapiteln diesen Code in das MetaTraders-Kennzeichen einfügen und es für den Handel verwenden. Emulation APPLYNN Der nächste Schritt ist nicht wirklich erforderlich, aber es ist etwas, das nützlich sein kann, um Fehler im Code zu finden und zu beheben. Wir werden eine Version von som06.tsc erstellen, aber dieses Mal verwenden wir SLANG (Cortex integrierte Skriptsprache), um die APPLYNN-Funktion zu emulieren. Der Grund dafür ist, dass wir im nächsten Kapitel den Port auf die Skriptsprache einer MetaTrader-Handelsplattform portieren, also ist es eine gute Idee, sicherzustellen, dass alles funktioniert. Portierung FFBP Neural Network auf Handelsplattform Der folgende Code ist von Neural Networks Forex Trading Artikel genommen. Es ist ein gebrauchsfertiges Indikatorpaar und ein Experte, der diesen Indikator verwendet. Keine kohonen neuronalen Netzwerk-Code noch nicht. Wie üblich, denken Sie daran, dass es nur ein Beispiel ist, das nicht unbedingt immer rentabel sein wird. Da auch ein Teil unseres MetaTrader-Codes für alle Experten und Indikatoren gleich ist, haben wir ihn in eine separate Bibliotheksdatei verschoben. MetaTrader-Bibliotheken sind nichts als einschließbare Dateien. Diese Bibliothek kümmert sich um die Synhronisierung, wenn zwei oder mehr Experten versuchen, in der gleichen Zeit, sowie von wenigen anderen Dingen laufen. Wenn Sie MetaTrader verwenden, wird es Ihnen helfen, robuste Experten zu schaffen, in jedem Fall ist die MQL-Sprache einfach zu verstehen. Mylib. mql, eine Helfer-Bibliothek Kohone Neural Network FFBP Neuronales Netzwerk, keine Zyklen Wir sind mit einem Devisenhandelssystem, das nur FFBP-Netze verwendet, getan. Jetzt werden wir die gleiche Arbeit mit einer Forex Trading-Strategie zu tun. Das FFBP und Kohonen SOM zusammen verwendet. Zuerst, lass uns som07.tsc wieder, und führen Sie es, um die besten FFBP-Netzwerk auswählen. Beachten Sie, dass die Kohonen-Cluster-Map für dieses Skript früher (in som04) erstellt und als som07winer. kh gespeichert wurde, so dass wir es nicht neu erstellen müssen. Gewerben: 52 (Kaufen: 52, Verkauf: 0) NocInterval: 12, Reichweite: 0.004, Ma: 3 Lag: 2, Neuronen: 3 Stop: 0.0200, Tp: 0.0000, Stop aufstocken: 0.600000, Buy: 0.170, Sell: 0.900 Drawdown: 0.981 Profit: 6820.000000 (lang: 6820.000000, kurz: 0.000000) Dann können Sie Zyklen von som07.tsc entfernen, um das Skript zu erhalten, das wir portieren möchten: Exportieren von Gewichten der selbstorganisierenden Karte Fügen Sie den Code zum Drucken von Neural hinzu Netzwerkparameter, sowohl für FFBP Neural Network als auch für selbstorganisierende Maps. Wir tun es durch Hinzufügen der folgenden zu som10.tsc: Emulation APPLYSOM-Funktion Der nächste Schritt ist, fügen Sie den Code, der Apply-Funktion emuliert, mit generischen Scripting-Sprache anstelle von Cortex-spezifische Aufrufe. Da wir bereits diesen Code für FFBP NN haben, können wir uns nur auf SOM konzentrieren. Porting Self-Organizing Map Forex Trading System basiert auf MT Der letzte Schritt ist es, unser Skript an MetaTrader Port, so dass es für echte Trading verwendet werden kann. Wir werden den gleichen Experten wie in der FFBP nur Beispiel oben verwenden, aber das Kennzeichen enthält sowohl FFBP und SOM-Code. Beachten Sie, dass zusätzlich mylib. mq4 verwendet wird, sein Code ist der gleiche wie in FFBP nur Beispiel. Der Indikatorencode wurde basierend auf nur FFBP-Beispiel erstellt, indem der SOM-Code hinzugefügt wurde, portiert von som12.tsc: Final notes That is it. Sie können nun Cortex Neural Network Software-Skript, das SOM-Ausgang als seine Eingänge, unter anderen Eingaben, optimieren, um Handel zu tun und es an die Handelsplattform Ihrer Wahl Port. Beachten Sie, dass dies nicht Ihre einzige Option ist - Sie können diese Methode verwenden, um zum Beispiel FFBP NN zu erstellen, das mehr als ein Kennzeichen plus eine andere FFBP NN-Ausgabe als Eingabe verwendet, und so weiter. Download Cortex Order Cortex Preisliste ansehen Die Sichtbarkeit ist für diese Seite sehr wichtig. Wenn Sie möchten, wenden Sie sich bitte Link zu diesem URLHow, um eine NN-EA in MT4 Diese KOHONENN v15 ist mit verschiedenen Logik mit Training. Tigerwong hat guten Beitrag auf der vorherigen Seite: Haben Sie eine Funktion, um seine eigenen Tick-Daten zu sammeln. Diese EA muss ein zusätzliches Tool: script, um die Daten für NS2-32.dll zu sammeln. Ich werde es post, wenn ich diese Seite lesen in diesem russischen Link. Weil dieses KOHONENN v15 von Modulen erstellt wurde: Modul, um die Daten für NS2-32.dll zu sammeln. Modul für die Ausbildung. Ich lese diese russische Webseite und werde die Post etwas was ich davon verstehe. Newdigital: Dieser KOHONENN v15 hat eine andere Logik mit Training. Tigerwong hat einen guten Beitrag auf der vorherigen Seite: Diese EA muss ein zusätzliches Tool: script, um die Daten für NS2-32.dll zu sammeln. Ich werde es post, wenn ich diese Seite lesen in diesem russischen Link. Weil dieses KOHONENN v15 von Modulen erstellt wurde: Modul, um die Daten für NS2-32.dll zu sammeln. Modul für die Ausbildung. Ich lese diese russische Webseite und werde die Post etwas was ich davon verstehe. Teldon: Ich fand diese Indikator und Experte irgendwo, Kann jemand die Codes und helfen, testen bitte. Ich sah diesen Code aus Endteil von Neural Networks und Stock Forex Trading. Es ist eine Art ea beziehen sich auf forexnn Indikator, um die Entscheidung zu entscheiden. Das Gewicht wird exportiert aus dem NN erstellt und unterrichtet mit Cortex-Software eingefügt in forexnn Indikator. Ich weiß auch nicht, warum die ea läuft (execute order). Die Logik ist einfach, es wird kaufen, wenn der Indikator knapp über 0,21 von previos Bar und Ort verkaufen, wenn der Indikator knapp unter 0,9 von previos bar. Haben Sie schon die EA bei Eur Usd mit TF 1H Tigerwong: Hallo Ruparaw, haben Sie bereits die EA bei Eur Usd mit TF 1H ja ich habe es letzte Nacht zurück Vorlauf Test bei Eur Usd mit TF 1H. Nichts ausgelöst, aber kein Fehler. Tigerwong: Als ich den Indikator angebracht, sah es nicht gleich mit Ihrem Bild. Die gelbe Kurve wurde Linie. Neben, meiner Meinung nach, sollte der Indikator einen Wert geben. Aber dieser Indikator zeigt 2 Zeile, so dass die eine ist der richtige Wert Das Bild i beigefügt war nicht von meinem Testlauf, ich gerade Link es von der Neural Networks und Stock Forex Trading Notizen. Mein Testlauf sieht auch genauso aus wie bei Ihnen.