نظم التداول الخوارزمية الجينية

أنظمة التداول الخوارزمية الجينية
إنشاء نظام تداول ضمن معمل نظام التداول.
سيقوم نظام نظام التداول بتوليد أنظمة التداول تلقائيا في أي سوق في بضع دقائق باستخدام برنامج كمبيوتر متطور جدا يعرف باسم إيمغب (الحث التلقائي من رمز الجهاز مع البرمجة الوراثية). يتم إنشاء نظام التداول داخل مختبر نظام التداول في 3 خطوات سهلة. أولا، يتم تشغيل ما قبل المعالج بسيط أن استخراج تلقائيا و بريبروسيسس البيانات اللازمة من السوق التي ترغب في العمل معها. تسل يقبل كسي، ميتاستوك، إيق، ترادستاتيون، بيانات الإنترنت مجانا، أسي، تكست، كسف، كومبوتراك، دوجونيس، فوتورسورس، TeleChart2000v3، تكتولس، شمل، ثنائي والإنترنت الجري البيانات. ثانيا، يتم تشغيل مولد نظام التداول (غب) لعدة دقائق، أو أكثر، لتطوير نظام التداول الجديد. يمكنك استخدام البيانات الخاصة بك، وأنماط، والمؤشرات، والعلاقات بين الشركات أو البيانات الأساسية داخل تسل. ثالثا، يتم تنسيق نظام التداول المتطور لإنتاج إشارات نظام التداول الجديدة من داخل تراديستاتيون ™ أو العديد من منصات التداول الأخرى. سوف تسل الكتابة تلقائيا لغة سهلة، جافا، المجمع، رمز C، C # رمز و ويالثلاب لغة البرنامج النصي. ويمكن بعد ذلك تداول نظام التداول يدويا، أو تداوله من خلال وسيط، أو تداوله تلقائيا. يمكنك إنشاء نظام التداول بنفسك أو يمكننا القيام بذلك نيابة عنك. ثم، إما أنت أو الوسيط الخاص بك قد تتاجر النظام إما يدويا أو تلقائيا.
يحتوي البرنامج الجيني مختبر نظام التداول على العديد من الميزات التي تقلل من إمكانية منحنى المناسب، أو إنتاج نظام التداول التي لا تستمر في أداء في المستقبل. أولا، أنظمة التداول تطورت حجمها إلى أسفل إلى أدنى حجم ممكن من خلال ما يسمى بارسيموني الضغط، مستمدة من مفهوم الحد الأدنى لطول الوصف. وبالتالي فإن نظام التداول الناتج هو بسيط قدر الإمكان، ويعتقد عموما أن أبسط نظام التداول هو، كلما كان ذلك أفضل أداء في المستقبل. وثانيا، يتم إدخال العشوائية في العملية التطورية، مما يقلل من إمكانية إيجاد الحلول محليا، ولكن ليس الأمثل على الصعيد العالمي. يتم عرض العشوائية على ليس فقط مجموعات من المواد الوراثية المستخدمة في أنظمة التداول المتطورة، ولكن في الضغط بارسيموني، الطفرة، كروس وغيرها من المعلمات غب مستوى أعلى. يتم إجراء اختبار العينة أثناء التدريب قيد التقدم مع المعلومات الإحصائية المقدمة على حد سواء في عينة وخارج العينة نظام اختبار. يتم عرض سجلات التشغيل للمستخدم للتدريب والتحقق من صحة البيانات من العينة. تصرف جيد من أداء العينة قد يكون مؤشرا على أن نظام التداول يتطور بخصائص قوية. قد يعني التدهور الكبير في الاختبار التلقائي للخروج من العينة مقارنة باختبار العينة أن إنشاء نظام تجاري قوي موضع شك أو أن المحطة الطرفية أو مجموعة الإدخال قد تحتاج إلى تغيير. وأخيرا، يتم اختيار مجموعة الطرفية بعناية بحيث لا تحيز بشكل مفرط اختيار المواد الوراثية الأولية تجاه أي تحيز أو مشاعر معينة في السوق.
تسل لا يبدأ تشغيله مع نظام التداول محددة مسبقا. في الواقع، يتم فقط تعيين مجموعة الإدخال ومجموعة مختارة من وضع دخول السوق أو وسائط، للبحث التلقائي الدخول والتعيين، في البداية. يمكن استخدام سلوك نمط أو مؤشر يمكن اعتباره حالة صعودية أو التخلص منه أو عكسه داخل الممارس العام. لم يتم تعيين أي نمط أو مؤشر مسبقا لأي تحيز معين في حركة السوق. هذا هو خروج جذري عن تطوير نظام التداول ولدت يدويا.
نظام التداول هو مجموعة منطقية من التعليمات التي تخبر التاجر عند شراء أو بيع سوق معينة. نادرا ما تتطلب هذه التعليمات تدخل أحد المتداولين. يمكن تداول أنظمة التداول يدويا، من خلال مراقبة تعليمات التداول على شاشة الكمبيوتر، أو يمكن تداولها من خلال السماح للكمبيوتر بالدخول إلى الصفقات في السوق تلقائيا. كلتا الطريقتين تستخدمان على نطاق واسع اليوم. هناك المزيد من مديري الأموال المهنية التي تعتبر نفسها التجار "النظامية أو الميكانيكية" من أولئك الذين يعتبرون أنفسهم "تقديرية"، وأداء مديري الأموال المنهجية بشكل عام متفوقة على أن من مديري الأموال التقديرية. وقد أظهرت الدراسات أن حسابات التداول عادة تفقد المال في كثير من الأحيان إذا كان العميل لا يستخدم نظام التداول. إن االرتفاع الكبير في أنظمة التداول على مدى السنوات العشر الماضية واضح بشكل خاص في شركات الوساطة السلعية، ولكن شركات وساطة األسهم والسندات أصبحت على وعي متزايد بالفوائد من خالل استخدام أنظمة التداول وبدأ البعض في تقديم أنظمة التداول إلى عملاء التجزئة.
معظم مديري صناديق الاستثمار المشترك يستخدمون بالفعل خوارزميات حاسوبية متطورة لتوجيه قراراتهم بشأن ما هو "الأسهم الساخنة لاختيار" أو ما "دوران القطاع" في صالح. لقد أصبحت الحواسيب والخوارزميات سائدة في الاستثمار، ونتوقع أن يستمر هذا الاتجاه مع استمرار المستثمرين الأصغر سنا في مجال الكمبيوتر في السماح لأجزاء من أموالهم بإدارة أنظمة التداول للحد من المخاطر وزيادة العائدات. إن الخسائر الفادحة التي يعاني منها المستثمرون الذين يشاركون في شراء وحفظ الأسهم وصناديق الاستثمار المشتركة مع ذوبان سوق الأسهم في السنوات الماضية تعزز هذه الحركة نحو اتباع نهج أكثر انضباطا ومنطقيا في الاستثمار في سوق الأوراق المالية. ويدرك المستثمر العادي أنه يسمح حاليا بالعديد من جوانب حياته وحياة أقاربهم في الحفاظ على أو التحكم في الحواسيب مثل السيارات والطائرات التي نستخدمها للنقل، ومعدات التشخيص الطبي التي نستخدمها من أجل الصيانة الصحية، وحدات تحكم التدفئة والتبريد التي نستخدمها للتحكم في درجة الحرارة، والشبكات التي نستخدمها للمعلومات على شبكة الإنترنت، حتى الألعاب التي نلعب للترفيه. لماذا يعتقد بعض المستثمرين في قطاع التجزئة أنه يمكنهم "إطلاق النار من الورك" في قراراتهم بشأن "ما" الأسهم أو صناديق الاستثمار المشتركة لشراء أو بيع ونتوقع لكسب المال؟ وأخيرا، أصبح المستثمر المتوسط ​​حذرا من المشورة والمعلومات التي قدمها وسطاء عديمي الضمير والمحاسبين ومديري الشركات والمستشارين الماليين.
على مدى السنوات ال 20 الماضية قام علماء الرياضيات ومطوري البرمجيات بالبحث في المؤشرات والأنماط في أسواق الأسهم والسلع التي تبحث عن معلومات قد تشير إلى اتجاه السوق. ويمكن استخدام هذه المعلومات لتعزيز أداء أنظمة التداول. عموما يتم إنجاز عملية الاكتشاف هذه من خلال مزيج من التجربة والخطأ وأكثر تطورا "استخراج البيانات". عادة، فإن المطور يستغرق أسابيع أو أشهر من عدد الطحن من أجل إنتاج نظام التداول المحتمل. في كثير من الأحيان هذا النظام التجاري لن تؤدي بشكل جيد عندما تستخدم فعلا في المستقبل بسبب ما يسمى "منحنى المناسب". على مر السنين كان هناك العديد من أنظمة التداول (وشركات تطوير نظام التداول) التي تأتي وذهب كما فشلت نظمها في التداول المباشر. تطوير أنظمة التداول التي لا تزال تؤدي إلى المستقبل أمر صعب، ولكن ليس من المستحيل إنجاز، على الرغم من عدم وجود المطور الأخلاقي أو مدير المال سيعطي ضمانا غير مشروط أن أي نظام التداول، أو لهذه المسألة أي الأسهم والسندات أو صناديق الاستثمار المشترك، لإنتاج الأرباح في المستقبل إلى الأبد.
ما قد يستغرق أسابيع أو أشهر لمطور نظام التداول لإنتاج في الماضي قد يتم الآن أن تنتج في دقائق من خلال استخدام مختبر نظام التداول. مختبر نظام التداول هو منصة للجيل التلقائي من أنظمة التداول ومؤشرات التداول. تسل يجعل من استخدام عالية السرعة محرك البرمجة الوراثية وسوف تنتج أنظمة التداول بمعدل أكثر من 16 مليون نظام الحانات في الثانية على أساس 56 المدخلات. لاحظ أن عدد قليل فقط من المدخلات سوف تستخدم في الواقع أو ضرورية مما أدى إلى هياكل استراتيجية تطورت بسيطة عموما. مع ما يقرب من 40،000 إلى 200،000 النظم اللازمة للتقارب، والوقت للتقارب لأي مجموعة بيانات يمكن تقريب. نلاحظ أننا لسنا مجرد تشغيل القوة الغاشمة الأمثل من المؤشرات الحالية تبحث عن المعايير المثلى التي لاستخدامها في نظام التداول منظم بالفعل. يبدأ مولد نظام التداول عند نقطة الصفر الأصل دون أي افتراضات حول حركة السوق في المستقبل ثم "يتطور" أنظمة التداول بمعدل مرتفع جدا يجمع بين المعلومات الموجودة في السوق وصياغة مرشحات جديدة والوظائف والشروط والعلاقات كما أنها تتقدم نحو "نظام وراثيا" نظام التداول. والنتيجة هي أنه قد يتم إنشاء نظام تجاري ممتاز في بضع دقائق على 20-30 سنة من بيانات السوق اليومية في أي سوق تقريبا.
على مدى السنوات القليلة الماضية كانت هناك عدة نهج لتحسين نظام التداول التي تستخدم خوارزمية جينية أقل قوة. البرامج الجينية (غب's) متفوقة على الخوارزميات الجينية (غا's) لعدة أسباب. أولا، تتلاقى غب على حل بمعدل هائل (سريع جدا و أسرع) بينما تتقارب الخوارزميات الجينية بمعدل خطي (أبطأ بكثير و لا يحصل على أسرع). ثانيا، غب في الواقع تولد رمز آلة نظام التداول التي تجمع بين المواد الوراثية (المؤشرات والأنماط والبيانات بين السوق) بطرق فريدة من نوعها. قد لا تكون هذه المجموعات الفريدة واضحة حدسي ولا تتطلب تعريفات أولية من قبل مطور النظام. قد تصبح العلاقات الرياضية الفريدة التي تم إنشاؤها مؤشرات جديدة، أو متغيرات في التحليل الفني، لم يتم تطويرها أو اكتشافها بعد. غا، من ناحية أخرى، ببساطة تبحث عن الحلول المثلى لأنها تقدم على نطاق المعلمة. فإنها لا تكتشف علاقات رياضية جديدة ولا تكتب رمز نظام التداول الخاص بها. سيقوم نظام غب بإنشاء رمز نظام التداول بأطوال مختلفة باستخدام جينومات متغيرة الطول لتعديل طول نظام التداول من خلال ما يسمى كروس أوفر غير المتناظر وسوف يتجاهل تماما مؤشرا أو نمطا لا يساهم في كفاءة نظام التداول. غا استخدام فقط كتل التعليمات حجم ثابت، والاستفادة من كروس فقط متجانسة ولا تنتج متغير طول رمز نظام التداول، كما أنها لن تجاهل مؤشر غير فعال أو نمط بسهولة كما غب. وأخيرا، البرامج الوراثية هي التقدم الأخير في مجال التعلم الآلي، في حين تم اكتشاف الخوارزميات الجينية قبل 30 عاما. وتشمل البرامج الوراثية جميع الوظائف الرئيسية للخوارزميات الجينية. كروس، الاستنساخ، الطفرة واللياقة البدنية، ولكن غب وتشمل ميزات أسرع بكثير وقوية، مما يجعل غب أفضل خيار لإنتاج أنظمة التداول. غب المستخدمة في تسل نظام التداول مولد هو أسرع غب المتاحة حاليا وغير متوفرة في أي برامج السوق المالية الأخرى في العالم.
خوارزمية البرمجة الوراثية، محاكي التداول ومحركات اللياقة البدنية المستخدمة في تسل استغرقت أكثر من 8 سنوات لإنتاج.
نظام مختبر التجارة هو نتيجة سنوات من العمل الشاق من قبل فريق من المهندسين والعلماء والمبرمجين والتجار، ونحن نعتقد يمثل التكنولوجيا الأكثر تقدما المتاحة اليوم لتداول الأسواق.

التداول الكمي.
الاستثمار الكمي والأفكار التجارية، والبحث، والتحليل.
الجمعة، 16 تشرين الأول (أكتوبر) 2015.
برنامج مفتوح المصدر الخوارزمية الجينية (ضيف آخر)
مؤخرا أصدرت جينوتيك - برنامج مفتوح المصدر الذي يمكن إنشاء وإدارة مجموعة من أنظمة التداول. في جوهر جينوتيك يكمن في عيد الغطاس: إذا كان من الممكن إنشاء أي برامج مع عدد قليل من تعليمات المجمع، فإنه ينبغي أن يكون من الممكن إنشاء أي أنظمة التداول مع عدد قليل من تعليمات بسيطة مماثلة. هذه التعليمات البسيطة التي لا معنى لها من تلقاء نفسها تصبح قوية للغاية عند دمجها معا. تعليمات الحق في الترتيب الصحيح يمكن أن تخلق أي نوع من النظام الميكانيكي: الاتجاه التالي، يعني العودة أو حتى على أساس البيانات الأساسية.

نظام تداول الفوركس يعتمد على خوارزمية جينية.
لويس مندس بيدرو جودينهو جوانا دياس المؤلف.
في هذه الورقة، سيتم وصف خوارزمية وراثية تهدف إلى تحسين مجموعة من القواعد التي تشكل نظاما تجاريا لسوق الفوركس. كل فرد من السكان يمثل مجموعة من عشرة قواعد تجارية فنية (خمسة لدخول موقف وخمسة آخرين للخروج). هذه القواعد لديها 31 معلمات في المجموع، والتي تتوافق مع جينات الأفراد. وسيتطور السكان في بيئة معينة تحددها سلسلة زمنية لزوج عمل محدد. تمثل اللياقة البدنية لشخص معين مدى تمكنه من التكيف مع البيئة، ويتم حسابه بتطبيق القواعد المقابلة على السلاسل الزمنية، ومن ثم حساب النسبة بين الربح والحد الأقصى للسحب (نسبة ستيرلنغ) . تم استخدام زوجين من العملات: ور / أوسد و غبب / أوسد. واستخدمت بيانات مختلفة لتطور السكان واختبار أفضل الأفراد. وتناقش النتائج التي حققها النظام. أفضل الأفراد قادرون على تحقيق نتائج جيدة جدا في سلسلة التدريب. في سلسلة الاختبار، وتظهر الاستراتيجيات المتقدمة بعض الصعوبة في تحقيق نتائج إيجابية، إذا كنت تأخذ تكاليف المعاملات في الاعتبار. إذا كنت تجاهل تكاليف المعاملات، والنتائج هي في معظمها إيجابية، تبين أن أفضل الأفراد لديهم بعض القدرة التنبؤ.
ملاحظات.
شكر وتقدير.
ونود أن نشكر الحكام المجهولين الذين ساعدتنا تعليقاتهم في تحسين هذه الورقة.
المراجع.
معلومات حقوق التأليف والنشر.
المؤلفين والانتماءات.
لويس مندس 1 بيدرو غودينهو 2 جوانا دياس 3 أوثر 1. فاكولديد دي إكونوميا ونيفرزيديد دي كويمبرا كويمبرا البرتغال 2. فاكولديد دي إكونوميا و جيمف ونيفرزيديد دي كويمبرا كويمبرا البرتغال 3. فاكولديد دي إكونوميا أند إينيسك-كويمبرا ونيفرزيديد دي كويمبرا كويمبرا البرتغال.
حول هذه المقالة.
توصيات شخصية.
اقتباس المقال.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
مشاركة المقال.
الوصول غير المحدود إلى المقال الكامل التحميل الفوري تشمل ضريبة المبيعات المحلية إن وجدت.
اقتباس المقال.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
مشاركة المقال.
أكثر من 10 مليون وثيقة علمية في متناول يدك.
تبديل الطبعة.
&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.

SnowCron.
مجانا E - فئات البريد.
استخدام الخوارزمية الجينية لخلق استراتيجية تداول الفوركس مربحة. 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، ونحن بحاجة إلى معرفة "الناتج المطلوب".
فمن السهل أن تفعل عندما نفعل وظيفة التقريب، ونحن فقط تأخذ القيمة "الحقيقية" وظيفة، لأننا نعرف ما ينبغي أن يكون.
عندما نقوم بتنبؤ الشبكة العصبية، نحن نستخدم تقنية (وصفها في المقالات السابقة) لتدريس الشبكة العصبية في التاريخ، مرة أخرى، إذا توقعنا، مثلا، سعر الصرف، ونحن نعرف (أثناء التدريب) ما هو التنبؤ الصحيح هو .
ومع ذلك، عندما نقوم ببناء نظام التداول، ليس لدينا أي فكرة عن قرار التداول الصحيح، حتى لو كنا نعرف سعر الصرف! كما هو الأمر في الواقع، لدينا العديد من استراتيجيات تداول العملات الأجنبية يمكننا استخدامها في أي لحظة من الزمن، ونحن بحاجة إلى العثور على واحد جيد - كيف؟ ماذا يجب أن نطعم كمخرجات مطلوبة من الشبكة العصبية لدينا؟
إذا كنت قد اتبعت مقالنا السابق، 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 بأنها "العثور على أفضل إشارات التداول".
في هذه المقالة نحن ذاهبون لاستخدام اللحاء العصبية الشبكات البرمجيات لإنشاء مثل هذا البرنامج.
استخدام الخوارزمية الجينية.
الخوارزميات 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 برامج الشبكات العصبية اللحاء، يمكننا إنشاء شبكة العصبية التي تأخذ بعض المدخلات، ويقول، قيم مؤشر، وتنتج بعض الإخراج، ويقول، إشارات التداول (شراء وبيع وعقد). وقف الخسارة / أخذ مستويات الربح للوظائف ليتم فتحه.
وبطبيعة الحال، إذا كنا البذور هذه الأوزان الشبكة العصبية لاعبالزبون عشوائيا، وسوف تكون نتائج التداول الرهيبة. 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، دعونا نضيف بعض نويس عشوائي لأوزان التنازل.
في الجيل الثاني، لدينا لدينا الجيل الأول الفائز وانها ناقصة (تحور) نسخ. دعونا نفعل 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 يجب أن يكون عليه نظام التداول (الخوارزمية الجينية).
الخوارزمية الجينية للشبكة العصبية: مثال 0.
هذا هو أول مثال على الخوارزمية الجينية، وهو مثال بسيط جدا. نحن ذاهبون إلى المشي من خلال ذلك خطوة بخطوة، لتعلم كل الحيل أن الأمثلة التالية سوف تستخدم.
تحتوي الشفرة على تعليقات مضمنة، لذلك دعونا نركز 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 MUTATION_NN التبخير. هذه الوظيفة يجعل نسخة من شبكة العصبية المصدر، إضافة 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 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.
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 مخرجات، ومن ثم استدعاء وظيفة الاختبار، التي تستخدم هذه النواتج لمحاكاة التداول. يتم استخدام نتائج التداول للتنازل، والتي هي الأفضل.
نحن نستخدم فاصلا من سجلات نلارن، من نستارت إلى نستارت + نلارن، حيث نستارت هو نقطة عشوائية ضمن مجموعة التعلم.
الرمز أدناه هو خدعة. السبب الذي نستخدمه هو توضيح الحقيقة، أن الخوارزمية الجينية يمكن أن تخلق خوارزمية جينية، ولكنها لن تكون بالضرورة أفضل واحد، وأيضا، لاقتراح، أنه يمكننا تحسين النتيجة، إذا كنا نعني بعض القيود على التعلم معالجة.
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 1/2 من الشبكات، التي هي أقل ربحية، ونحن بحاجة فقط لإزالة ننس 0 إلى 14.
وتستند قرارات التداول على قيمة إشارة الشبكة العصبية، من وجهة النظر هذه البرنامج هو مطابق لأمثلة من المادة السابقة.
استراتيجية التداول الفوركس: مناقشة المثال 0.
أولا وقبل كل شيء، دعونا نلقي نظرة على الرسوم البيانية. الرسم البياني الأول للربح خلال التكرار الأول ليس جيدا على الإطلاق، كما ينبغي أن يتوقع، الشبكة العصبية يفقد المال (image_00_gen_0.png صورة نسخ بعد التكرار الأول من "الصور" مجلد):
صورة للربح على دورة 15 هو أفضل، وأحيانا، يمكن الخوارزمية الجينية تعلم 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 يجري ولدت وإنهاء كل الوقت:
ونلاحظ أيضا أن القليل من نظام التداول الآلي في الفوركس يؤدي إلى ضعف في الصفقات القصيرة، وأفضل بكثير على الأطوال، التي قد تكون أو لا تكون ذات صلة بالحقيقة، أن الدولار يتراجع مقارنة باليورو 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:
لمفاجأة لدينا، 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 ليس، 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 لم نستخدم مجموعة التعلم بأكمله؟ 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 السوق 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 نعطي لدينا الوطنية 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 الشتاء، أليس كذلك؟ لذلك التطور هو قادرة على التعامل مع التغييرات المتكررة). قد نناقش هذه التقنيات في وقت لاحق، على الرغم من أن هذه المقالة هي أكثر حول استخدام اللحاء الشبكات العصبية البرمجيات، من حول بناء نظام التداول الآلي الفوركس ناجحة.
الخوارزمية الوراثية للشبكة العصبية: 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، التي 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. ل "أخبر" النظام الذي ارتكب خطأ، ونحن خفض أرباحها (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 تطور_01.تسك نقوم بتنفيذ مجموعة بسيطة من التصحيحات. أولا وقبل كل شيء، نستخدم بعض العدد الكبير لقيمة تصحيح أولية. ونحن نضاعف ذلك إلى القيم الصغيرة (عادة، بين 0 و 1)، اعتمادا على "العقاب" نريد تطبيق. 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 تداول الفوركس: مناقشة المثال 1.
المثال 1 يعمل بشكل 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. وهذا يعني، ما زلنا نحرز تقدما في مجموعة التعلم:
ولكن مجموعة الاختبار تظهر الضعف:
هذه مشكلة شائعة مع ننس: عندما نعلمها على مجموعة التعلم، فإنه يتعلم التعامل معها، وأحيانا، فإنه يتعلم جيدا - إلى درجة، عندما يفقد الأداء على مجموعة الاختبار.
للتعامل مع هذه المشكلة، يتم استخدام الحل "التقليدي": نحن 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، والدعوة SAVE_NN، 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 لتحليل الفوركس 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.