Automatiserte Forex Trading Algoritmer Eksempler

Grunnleggende om Algoritmisk handel: Konsepter og eksempler En algoritme er et spesifikt sett med klart definerte instruksjoner som skal utføre en oppgave eller prosess. Algoritmisk handel (automatisert handel, svart bokhandel eller ganske enkelt algo-trading) er prosessen med å bruke datamaskiner som er programmert til å følge et definert sett med instruksjoner for å sette en handel for å generere fortjeneste med en hastighet og frekvens som er umulig for en menneskelig næringsdrivende. De definerte settene av regler er basert på timing, pris, kvantitet eller hvilken som helst matematisk modell. Bortsett fra profittmuligheter for næringsdrivende, gjør algo-trading markeder mer likvide og gjør handel mer systematisk ved å utelukke følelsesmessige menneskelige konsekvenser for handelsaktiviteter. Anta at en næringsdrivende følger disse enkle handlekriteriene: Kjøp 50 aksjer på en aksje når 50-dagers glidende gjennomsnitt går over 200-dagers glidende gjennomsnitt. Selg aksjer på aksjene når 50-dagers glidende gjennomsnitt går under 200-dagers glidende gjennomsnitt Ved å bruke dette settet med to enkle instruksjoner, er det enkelt å skrive et dataprogram som automatisk overvåker aksjekursen (og de bevegelige gjennomsnittlige indikatorene) og legger kjøps - og salgsordrene når de definerte betingelsene er oppfylt. Trafikken trenger ikke lenger å holde øye med livepriser og grafer, eller legge inn ordrene manuelt. Det algoritmiske handelssystemet gjør det automatisk for ham ved korrekt å identifisere handelsmuligheten. (For mer om å flytte gjennomsnitt, se: Enkle bevegelige gjennomsnittsverdier Gjør utfordringer.) Algo-trading gir følgende fordeler: Handler utført til best mulig pris Øyeblikkelig og nøyaktig handelsordreplassering (derved høye muligheter for utførelse på ønsket nivå) Handler tidsbestemt korrekt og øyeblikkelig for å unngå betydelige prisendringer. Reduserte transaksjonskostnader (se gjennomføringsbristeksemplet nedenfor) Samtidig automatisert kontroll av flere markedsforhold. Redusert risiko for manuelle feil i å plassere bransjene. Teste algoritmen basert på tilgjengelige historiske og sanntidsdata Redusert Mulighet for feil av menneskelige handelsfolk basert på følelsesmessige og psykologiske faktorer Den største delen av dagens algo-trading er HFT (High Frequency Trading), som forsøker å kapitalisere seg på å plassere et stort antall bestillinger med svært høye hastigheter på tvers av flere markeder og flere beslutninger parametere, basert på forhåndsprogrammerte instruksjoner. (For mer om handel med høyfrekvent handel, se: Strategier og hemmeligheter for høyfrekvenshandelsvirksomhet). Algo-trading brukes i mange former for handels - og investeringsaktiviteter, blant annet: Midtre til langsiktige investorer eller kjøpsselskaper (pensjonskasser , fond, forsikringsselskaper) som kjøper i aksjer i store mengder, men ikke vil påvirke aksjekursene med diskrete, store voluminvesteringer. Kortsiktige forhandlere og selger sidedeltakere (markedstakere, spekulanter og arbitragerer) drar nytte av automatisert handelstiltak i tillegg, algo-trading hjelpemidler for å skape tilstrekkelig likviditet for selgere i markedet. Systematiske handelsfolk (trendfølgere, parhandlere, hedgefond etc.) finner det mye mer effektivt å programmere handelsreglene og la programmet handle automatisk. Algoritmisk handel gir en mer systematisk tilnærming til aktiv handel enn metoder basert på en menneskelig handlende intuisjon eller instinkt. Algoritmiske handelsstrategier Enhver strategi for algoritmisk handel krever en identifisert mulighet som er lønnsom når det gjelder bedre inntjening eller kostnadsreduksjon. Følgende er vanlige handelsstrategier som brukes i algo-trading: De vanligste algoritmiske handelsstrategiene følger trender i flytende gjennomsnitt. kanalutbrudd. prisnivåbevegelser og tilhørende tekniske indikatorer. Dette er de enkleste og enkleste strategiene for å implementere gjennom algoritmisk handel fordi disse strategiene ikke innebærer å gjøre noen spådommer eller prisprognoser. Handler er initiert basert på forekomsten av ønskelige trender. som er enkle og enkle å implementere gjennom algoritmer uten å komme inn i kompleksiteten av prediktiv analyse. Ovennevnte eksempel på 50 og 200 dagers glidende gjennomsnitt er en populær trend-strategi. (For mer om trend trading strategier, se: Enkle strategier for kapitalisering på trender.) Å kjøpe en dobbelt børsnotert aksje til en lavere pris i ett marked og samtidig selge den til en høyere pris i et annet marked, tilbyr prisforskjellen som risikofri gevinst eller arbitrage. Samme operasjon kan replikeres for aksjer kontra futures instrumenter, da prisforskjeller eksisterer fra tid til annen. Implementering av en algoritme for å identifisere slike prisforskjeller og å plassere ordrene gir lønnsomme muligheter på en effektiv måte. Indeksfondene har definert perioder med rebalansering for å bringe sine beholdninger på nivå med sine respektive referanseindekser. Dette skaper lønnsomme muligheter for algoritmiske handelsmenn, som utnytter forventede bransjer som tilbyr 20-80 basispoeng fortjeneste avhengig av antall aksjer i indeksfondet, like før indeksfondets rebalansering. Slike handler initieres via algoritmiske handelssystemer for rettidig utførelse og beste priser. Mange påviste matematiske modeller, som delta-nøytral handelsstrategi, som tillater handel på kombinasjon av opsjoner og underliggende sikkerhet. hvor handler er plassert for å kompensere positive og negative deltakere slik at porteføljens delta blir opprettholdt til null. Gjennomsnittlig reverseringsstrategi er basert på ideen om at høye og lave priser på en eiendel er et midlertidig fenomen som regelmessig vender tilbake til gjennomsnittlig verdi. Identifisere og definere et prisklasse og en implementeringsalgoritme basert på det tillater handel å bli plassert automatisk når prisen på aktivet bryter inn og ut av sitt definerte område. Volumvektet gjennomsnittsprisstrategi bryter opp en stor ordre og frigjør dynamisk bestemte mindre biter av ordren til markedet ved hjelp av aksjespesifikke historiske volumprofiler. Målet er å gjennomføre bestillingen nær Volumvektet Gjennomsnittlig Pris (VWAP), og derved nytte av gjennomsnittsprisen. Tidsvektet gjennomsnittsprisstrategi bryter opp en stor ordre og frigjør dynamisk bestemte mindre biter av ordren til markedet ved å bruke jevnt fordelte tidsluker mellom en start og sluttid. Målet er å gjennomføre bestillingen nær gjennomsnittlig pris mellom start - og sluttider, og dermed minimere markedsvirkningen. Inntil handelsordren er fullstendig, fortsetter denne algoritmen å sende partielle ordrer, i henhold til definert deltakelsesforhold og i henhold til volumet som handles på markedene. Den relaterte trinnstrategien sender ordrer til en brukerdefinert prosentandel av markedsvolumer og øker eller reduserer denne deltakelsesraten når aksjekursen når brukerdefinerte nivåer. Strategien for gjennomføring av mangler har til hensikt å minimere eksekveringsprisen for en ordre ved å avregne realtidsmarkedet, og dermed spare på kostnadene for ordren og dra nytte av mulighetskostnaden ved forsinket utførelse. Strategien vil øke den målrettede deltakelsesraten når aksjekursen beveger seg gunstig og reduserer den når aksjekursen beveger seg negativt. Det er noen spesielle klasser av algoritmer som forsøker å identifisere hendelser på den andre siden. Disse sniffingsalgoritmene, som for eksempel brukes av en selger side markedsfører, har den innebygde intelligensen for å identifisere eksistensen av noen algoritmer på kjøpssiden av en stor ordre. Slik gjenkjenning gjennom algoritmer vil hjelpe markedsmakeren til å identifisere store ordre muligheter og gjøre det mulig for ham å få fordel ved å fylle ordrene til en høyere pris. Dette er noen ganger identifisert som high-tech front-running. (For mer om høyfrekvent handel og bedragerisk praksis, se: Hvis du kjøper aksjer på nettet, er du involvert i HFT.) Tekniske krav til algoritmisk handel Implementering av algoritmen ved hjelp av et dataprogram er den siste delen, klubbbedret med backtesting. Utfordringen er å omdanne den identifiserte strategien til en integrert datastyrt prosess som har tilgang til en handelskonto for å plassere ordrer. Følgende er nødvendige: Programmeringskunnskap for å programmere den nødvendige handelsstrategien, innleid programmører eller ferdigstillet handelsprogramvare Nettverkstilkobling og tilgang til handelsplattformer for å plassere ordrene Tilgang til markedsdata feeds som vil bli overvåket av algoritmen for muligheter til plassering ordrer Evnen og infrastrukturen til å sikkerhetskopiere systemet en gang bygget, før den går live på ekte markeder Tilgjengelig historisk data for backtesting, avhengig av kompleksiteten av regler implementert i algoritmen Her er et omfattende eksempel: Royal Dutch Shell (RDS) er notert på Amsterdam Børs (AEX) og London Stock Exchange (LSE). Lar bygge en algoritme for å identifisere arbitrage muligheter. Her er noen interessante observasjoner: AEX handler i euro, mens LSE handler i Sterling Pounds På grunn av en times tidsforskjell åpner AEX en time tidligere enn LSE, etterfulgt av begge børser som handler samtidig for de neste par timene og deretter handler kun i LSE under Den siste timen når AEX lukkes Kan vi undersøke muligheten for arbitragehandel på Royal Dutch Shell-børsen som er oppført på disse to markedene i to forskjellige valutaer. Et dataprogram som kan lese nåværende markedspriser. Prisene fra både LSE og AEX. A forex rate feed for GBP-EUR-vekslingskurs Bestill plasseringskapasitet som kan ordne bestillingen til riktig utveksling Tilbakestillingskapasitet på historiske prisfeeder Dataprogrammet bør utføre følgende: Les innkommende prisfôr av RDS-lager fra begge børser Ved hjelp av tilgjengelige valutakurser . konvertere prisen på en valuta til andre Hvis det eksisterer en stor nok prisavvik (rabatt på meglerkostnadene) som fører til en lønnsom mulighet, legger du kjøpsordren på lavere prissentral og salgsordre på høyere prissentral Hvis ordrene utføres som Ønsket, arbitrage fortjeneste vil følge Simple and Easy Imidlertid er praksis med algoritmisk handel ikke så enkelt å vedlikeholde og utføre. Husk at hvis du kan plassere en algo-generert handel, så kan de andre markedsdeltakere. Følgelig varierer prisene i milli - og til og med mikrosekunder. I eksemplet ovenfor, hva skjer hvis kjøpekjøpet ditt blir henrettet, men selger handel, da selgerprisene endrer seg når bestillingen din treffer markedet. Du vil ende opp med å sitte med en åpen stilling. gjøre arbitrage-strategien din verdiløs. Det er flere risikoer og utfordringer: for eksempel systemfeil, nettverkstilkoblingsfeil, tidsforsinkelse mellom handelsordre og utførelse, og viktigst av alt, ufullkomne algoritmer. Jo mer komplekse en algoritme, desto strengere backtesting er nødvendig før den blir satt i gang. Kvantitativ analyse av en algoritmeprestasjon spiller en viktig rolle og bør undersøkes kritisk. Det er spennende å gå for automatisering hjulpet av datamaskiner med en ide å tjene penger uten problemer. Men man må sørge for at systemet er grundig testet og at det stilles krav om grenser. Analytiske handelsfolk bør vurdere å lære programmerings - og byggesystemer alene, for å være sikre på å implementere de riktige strategiene på idiotsikker måte. Forsiktig bruk og grundig testing av algo-trading kan skape lønnsomme muligheter. Strategier for Forex Algorithmic Trading Som et resultat av nylig kontrovers har Forex-markedet vært under økt kontroll. Fire store banker ble funnet skyldig i å konspirere for å manipulere valutakurser, noe som lovet forhandlere betydelige inntekter med relativt lav risiko. Spesielt samtykket verdens største banker til å manipulere prisen på amerikanske dollar og euro fra 2007 til 2013. Forexmarkedet er bemerkelsesverdig uregulert til tross for å håndtere 5 billioner-verdi for transaksjoner hver dag. Som et resultat, har regulatorer oppfordret til å vedta algoritmisk handel. et system som bruker matematiske modeller i en elektronisk plattform for å utføre handler i finansmarkedet. På grunn av det høye volumet av daglige transaksjoner skaper forexalgoritmisk handel større gjennomsiktighet, effektivitet og eliminerer menneskelig bias. En rekke forskjellige strategier kan forfølges av handelsmenn eller firmaer i forexmarkedet. For eksempel refererer automatisk sikring til bruken av algoritmer for å sikre porteføljens risiko eller å fjerne posisjoner effektivt. I tillegg til automatisk sikring omfatter algoritmiske strategier statistisk handel, algoritmisk gjennomføring, direkte markedsadgang og høyfrekvent handel, som alle kan brukes på valutatransaksjoner. Automatisk sikring Ved investering er sikring en enkel måte å beskytte dine eiendeler mot betydelige tap ved å redusere beløpet du kan tape hvis noe uventet oppstår. Ved algoritmisk handel kan sikring automatiseres for å redusere en eksponent for eksponering for risiko. Disse automatisk genererte sikringsordrene følger bestemte modeller for å styre og overvåke risikonivået i en portefølje. Innenfor valutamarkedet er de primære metodene for sikringsbransjen gjennom spotkontrakter og valutaalternativer. Spotkontrakter er kjøp eller salg av utenlandsk valuta med umiddelbar levering. Fprex spotmarkedet har vokst betydelig fra begynnelsen av 2000-tallet på grunn av tilstrømningen av algoritmiske plattformer. Spesielt gir den raske spredningen av informasjon, som reflektert i markedsprisene, mulighet for arbitrage å oppstå. Arbitrage muligheter oppstår når valutaprisene blir feiljustert. Triangulær arbitrage. som det er kjent i forexmarkedet, er prosessen med å konvertere en valuta tilbake til seg selv gjennom flere forskjellige valutaer. Algoritmiske og høyfrekvente forhandlere kan bare identifisere disse mulighetene ved hjelp av automatiserte programmer. Som et derivat. Forex opsjoner opererer på lignende måte som et alternativ på andre typer verdipapirer. Valutaprisene gir kjøperen rett til å kjøpe eller selge valutaparet til en bestemt valutakurs på et eller annet tidspunkt i fremtiden. Dataprogrammer har automatiserte binære alternativer som en alternativ måte å sikre valutahandel på. Binære alternativer er en type alternativ hvor utbetalinger tar ett av to utfall: enten handler avregningen til null eller til en forutbestemt strykpris. Statistisk analyse Innen finansindustrien er statistisk analyse fortsatt et viktig verktøy for å måle prisbevegelser av sikkerhet over tid. I forexmarkedet brukes tekniske indikatorer til å identifisere mønstre som kan bidra til å forutsi fremtidige prisbevegelser. Prinsippet om at historien gjentar seg, er grunnleggende for teknisk analyse. Siden valutamarkedet opererer 24 timer i døgnet øker den sterke mengden informasjon dermed statistikkverdien av prognosene. På grunn av den økende raffinement av dataprogrammer, har algoritmer blitt generert i henhold til tekniske indikatorer, inkludert flytende gjennomsnittlig konvergensdivergens (MACD) og relativ styrkeindeks (RSI). Algoritmiske programmer foreslår bestemte tider hvor valutaer skal kjøpes eller selges. Algoritmisk utførelse Algoritmisk handel krever en eksekverbar strategi som fondforvaltere kan bruke til å kjøpe eller selge store mengder eiendeler. Handelssystemer følger et forhåndsdefinert sett med regler og er programmert til å utføre en ordre under visse priser, risikoer og investeringshorisonter. I forexmarkedet gir direkte markedsadgang kjøpersidehandlere til å gjennomføre forex-ordrer direkte til markedet. Direkte markedsadgang skjer via elektroniske plattformer, som ofte senker kostnader og handelsfeil. Vanligvis er handel på markedet begrenset til meglere og markedsførere. Men direkte markedsadgang gir kjøpsselskaper tilgang til salgssideinfrastruktur, og gir kunder større kontroll over handelen. På grunn av arten av algoritmisk handel og valutamarkedene er ordreutførelse ekstremt rask, slik at handelsmenn kan gripe til kortvarige handelsmuligheter. High Frequency Trading Som den vanligste delmengden av algoritmisk handel har høyfrekvent handel blitt stadig mer populær i forexmarkedet. Basert på komplekse algoritmer er høyfrekvenshandel utførelsen av et stort antall transaksjoner med svært høye hastigheter. Etter hvert som finansmarkedet fortsetter å utvikle seg, gir raskere utførelseshastigheter handelsmenn muligheten til å utnytte lønnsomme muligheter i valutamarkedet. En rekke høyfrekvente handelsstrategier er utformet for å gjenkjenne lønnsomme arbitrage - og likviditetssituasjoner. Forutsatt at bestillinger utføres raskt, kan handelsmenn utnytte arbitrage for å låse i risikofri profitt. På grunn av hastigheten på høyfrekvent handel kan arbitrage også gjøres på tvers av spot - og fremtidige priser på de samme valutaparene. Advokater for høyfrekvent handel i valutamarkedet fremhever sin rolle i å skape høy grad av likviditet og åpenhet i bransjer og priser. Likviditeten har en tendens til å være kontinuerlig og konsentrert, da det er et begrenset antall produkter i forhold til aksjer. I forexmarkedet har likviditetsstrategier som mål å oppdage bestillingsobalanser og prisforskjeller mellom et bestemt valutapar. En ordens ubalanse oppstår når det foreligger et overskytende antall kjøps - eller salgsordrer for en bestemt eiendel eller valuta. I dette tilfellet fungerer høyfrekvente handlende som likviditetsleverandører, og tjener spredningen ved å arbitrage forskjellen mellom kjøps - og salgsprisen. Bunnlinjen Mange krever større regulering og åpenhet i valutamarkedet i lys av de siste skandalene. Den voksende adopsjonen av forex-algoritmiske handelssystemer kan effektivt øke gjennomsiktigheten i valutamarkedet. Foruten åpenhet er det viktig at forexmarkedet forblir flytende med lav prisvolatilitet. Algoritmiske handelsstrategier, som automatisk sikring, statistisk analyse, algoritmisk gjennomføring, direkte markedsadgang og høyfrekvent handel, kan avsløre prisinnstøtninger som gir lønnsomme muligheter for handelsfolk. SnowCron Genetic Algorithm i Forex Trading Systems ved hjelp av genetisk algoritme for å skape lønnsom Forex Trading Strategi. Genetisk algoritme i Cortex Neural Networks Software Feedforward Backpropagation Neural Network Application for genetisk beregninger basert Forex trading. Dette eksemplet bruker konsepter og ideer fra den forrige artikkelen, så vær så snill å lese Neural Network Genetic Algorithm i Forex Trading Systems først, selv om det ikke er obligatorisk. Om denne teksten Først og fremst, vennligst les ansvarsfraskrivelsen. Dette er et eksempel på bruk av Cortex Neural Networks Software-genetisk algoritmefunksjonalitet, ikke et eksempel på hvordan man kan gjøre lønnsom handel. Jeg er ikke din guru, heller ikke skal jeg være ansvarlig for tapene dine. Cortex Neural Networks Software har nevrale nettverk i det, og FFBP vi diskuterte før er bare en måte å velge en forex trading strategier. Det er en god teknikk, kraftig og når det brukes riktig, veldig lovende. Det har imidlertid et problem - å undervise i Neural Network. Vi trenger å vite ønsket utgang. Det er ganske enkelt å gjøre når vi fungerer tilnærming, vi tar bare den virkelige verdien av en funksjon, fordi vi vet hva det skal være. Når vi foretar neurale nettverksprognoser. Vi bruker teknikken (beskrevet i tidligere artikler) til å undervise det neurale nettverket i historien, igjen, hvis vi forutsier, sier en valutakurs, vet vi (under treningen) hva riktig prediksjon er. Men når vi bygger et handelssystem, har vi ingen anelse om hva den riktige handelsbeslutningen er, selv om vi vet valutakursen. Faktisk har vi mange Forex trading strategier vi kan bruke når som helst, og vi må finne en god en - hvordan skal vi mate som ønsket utgang fra vårt nevrale nettverk Hvis du fulgte vår tidligere artikkel, vet du at vi har lurt å håndtere dette problemet. Vi lærte det neurale nettverket å gjøre valutakurs (eller valutakursbasert indikator) prediksjon, og brukte deretter denne forutsigelsen til å gjøre handel. Da, utenfor Neural Network delen av programmet, tok vi en beslutning om hvilket Neural Network er den beste. Genetiske algoritmer kan håndtere dette problemet direkte, de kan løse problemet som er oppgitt som å finne de beste handelssignalene. I denne artikkelen skal vi bruke Cortex Neural Networks Software til å lage et slikt program. Bruk av genetisk algoritme Genetiske algoritmer er veldig godt utviklet og svært variert. Hvis du vil lære alt om dem, foreslår jeg at du bruker Wikipedia, da denne artikkelen bare handler om hva Cortex Neural Networks Software kan gjøre. Å ha Cortex Neural Networks Software. vi kan opprette et neuralt nettverk som tar litt innspill, si, verdier av en indikator, og produserer noe output, sier handelssignaler (kjøp, selg, hold.) og stopper tap ta fortjeneste for stillinger som skal åpnes. Selvfølgelig, hvis vi frøker dette nettverket til nettverket, vil handelsresultater bli forferdelige. La oss imidlertid si at vi opprettet et dusin slike NN. Så kan vi teste ytelsen til hver av dem, og velge den beste, vinneren. Dette var den første generasjonen av NN. For å fortsette til andre generasjon, må vi tillate vår vinner å vokse, men for å unngå å få identiske kopier, kan vi legge til noen tilfeldig noice til dens nedstigningsvekter. I andre generasjon har vi vår første generasjons vinner og dens ufullkomne (muterte) kopier. Lar oss prøve igjen. Vi vil ha en annen vinner, som er bedre enn noen andre neurale nettverk i generasjonen. Og så videre. Vi tillater bare vinnerne å avle, og eliminere tapere, akkurat som i virkelighetsevolusjonen, og vi vil få vårt best-trading Neural Network. uten tidligere kunnskap om hva handelssystemet (genetisk algoritme) skal være. Neural Network Genetic Algorithm: Eksempel 0 Dette er det første genetiske algoritmen eksempel. og en veldig enkel en. Vi skal gå gjennom det trinn for trinn for å lære alle triksene som følgende eksempler vil bruke. Koden har inline kommentarer, så vi kan bare fokusere på viktige øyeblikk. Først har vi opprettet et neuralt nettverk. Det bruker tilfeldige vekter, og ble ennå ikke lært. Da, i syklus, lagrer vi 14 kopier av det ved bruk av MUTATIONNN-fumning. Denne funksjonen gjør en kopi av et kilde Neural Network. legger tilfeldige verdier fra 0 til (i vårt tilfelle) 0,1 til alle vekter. Vi holder håndtak til resulterende 15 NN i en matrise, vi kan gjøre det, da håndtaket er bare et heltall. Grunnen til at vi bruker 15 NN har ingenting å gjøre med handel: Cortex Neural Networks Software kan plotte opptil 15 linjer på et diagram samtidig. Vi kan bruke forskjellige tilnærminger til testingen. Først kan vi bruke læringssettet, alt sammen på en gang. For det andre kan vi teste på, si 12000 registre (ut av 100000), og gå gjennom læringssettet, fra begynnelse til slutt. Det vil gjøre learningigs annerledes, da vi vil se etter Neural Network s som er lønnsomme på en gitt del av data, ikke bare på hele settet. Den andre tilnærmingen kan gi oss problemer, hvis data endres, fra begynnelse til slutt. Da vil nettverket utvikle seg, skaffe seg mulighet til å handle i slutten av datasettet, og miste evnen til å handle i begynnelsen. For å løse dette problemet, skal vi ta tilfeldige 12000 arkivfragmenter fra data, og mate den til Neural Network. er rett og slett en endeløs syklus, da 100000 sykluser aldri blir nådd på vår fart. Nedenfor legger vi til ett barn for hvert nettverk, med litt forskjellige vekter. Merk at 0,1 for mutasjonstang ikke er det eneste valget, faktisk, selv denne parameteren kan optimaliseres ved hjelp av genetisk algoritme. Nyopprettede NNs legges til etter 15 eksisterende. På denne måten har vi 30 NN i en gruppe, 15 gamle og 15 nye. Så skal vi gjøre neste testsyklus, og drepe losere, fra begge generasjoner. For å gjøre testing, bruker vi Neural Network til våre data, for å produsere utdata, og deretter ringe Test-funksjon, som bruker disse utgangene for å simulere handel. Resultater av handel brukes til å deside, hvilke NN er best. Vi bruker et intervall av nLearn-poster, fra nStart til nStart nLearn, hvor nStart er et tilfeldig punkt i læringssettet. Koden under er et triks. Grunnen til at vi bruker det er å illustrere faktum at den genetiske algoritmen kan skape genetisk algoritme. men det vil ikke nødvendigvis være det beste, og også for å foreslå at vi kan forbedre resultatet, hvis vi innebærer noen begrensninger for læringsprosessen. Det er mulig at vårt handelssystem fungerer veldig bra på lange handler, og svært dårlig på kort, eller omvendt. Hvis du sier at lange handler er veldig gode, kan denne genetiske algoritmen vinne, selv med store tap på korte handler. For å unngå det, tilordner vi mer vekt til lange handler i merkelige og korte handler i jevne sykluser. Dette er bare et eksempel, det er ingen garanti for at det vil forbedre noe. Mer om det nedenfor, i diskusjon om korrigeringer. Teknisk sett trenger du ikke å gjøre det, eller kan gjøre det annerledes. Legg til overskudd til en sortert matrise. Den returnerer en innføringsposisjon, og vi bruker denne posisjonen til å legge til Neural Network håndtak, lære og teste profitt til ikke-sorterte arrays. Nå har vi data for nåværende Neural Network på samme array indeks som sin fortjeneste. Tanken er å komme til utvalg av NN, sortert etter lønnsomhet. Som array er sorterer etter fortjeneste, for å fjerne 12 nettverk, som er mindre lønnsomme, trenger vi bare å fjerne NNs 0 til 14 Handelsbeslutninger er basert på verdien av Neural Network-signalet. Fra dette synspunktet er programmet identisk med eksempler fra forrige artikkel. Forex Trading Strategy: Diskutere eksempel 0 Først av alt, kan vi se på diagrammer. Det første diagrammet for fortjeneste under den første iterasjonen er ikke bra i det hele tatt, som det forventes, det neurale nettverket mister penger (bildet evolution00gen0.png kopiert etter første iterasjon fra bildemappen): Bildet for fortjeneste på syklus 15 er bedre, noen ganger , genetisk algoritme kan lære seg veldig fort: Merk imidlertid metningen på en profittkurve. Det er også interessant å se på hvordan individuelle fortjeneste endrer seg, og husk at kurvenummeret sier 3, ikke alltid for det samme nevrale nettverket. som de blir født og avsluttet hele tiden: Vær også oppmerksom på at lite forex-automatisert handelssystem utfører dårlig på korte handler, og mye bedre i lang tid, noe som kanskje eller ikke er relatert til det faktum at dollaren falt sammenliknet med euro i den perioden. Det kan også ha noe å gjøre med parametere av indikatoren vår (kanskje vi trenger annen periode for shorts) eller valg av indikatorer. Her er historien etter 92 og 248 sykluser: Til vår overraskelse mislyktes den genetiske algoritmen helt. Lar prøve å finne ut hvorfor, og hvordan å hjelpe situasjonen. Først av alt, er ikke hver generasjon ment å være bedre enn den tidligere. Svaret er nei, i hvert fall ikke innenfor modellen vi brukte. Hvis vi tok ALLTRE læring sett på en gang, og brukte det gjentatte ganger for å lære våre NNs, så ja, de vil forbedre seg på hver generasjon. Men i stedet tok vi tilfeldige fragmenter (12000 poster i tid), og brukte dem. To spørsmål: hvorfor systemet mislyktes på tilfeldige fragmenter av læringssett, og hvorfor har vi ikke brukt hele læringssettet Vel. For å svare på det andre spørsmålet, gjorde jeg det. NNs utførte seg sterkt - på læringssett. Og de mislyktes på å teste sett, av samme grunn det mislykkes når vi brukte FFPB læring. For å si det annerledes, ble våre NNs overspecialized, de lærte å overleve i miljøet de er vant til, men ikke utenfor det. Dette skjer mye i naturen. Tilnærmingen vi tok i stedet var ment å kompensere for det ved å tvinge NNs til å utføre seg godt på et tilfeldig fragment av datasettet, slik at de forhåpentligvis også kunne utføre på et ukjent testsett. I stedet mislyktes de både på testing og på læringssett. Tenk deg dyr, som bor i en ørken. Mye sol, ingen snø i det hele tatt. Dette er en metafor for rising markedet, som for våre NNs data spiller rollen som miljø. Dyr lærte å leve i en ørken. Forestill deg dyr som lever i et kaldt klima. Snø og ingen sol i det hele tatt. Vel, de justerte. Men i vårt eksperiment plasserte vi tilfeldigvis våre NN i en ørken, i snø, i vannet, på trærne. ved å presentere dem med forskjellige fragmenter av data (tilfeldig stigende, fallende, flatt.). Dyr døde. Eller, for å si det annerledes, valgte vi det beste Neural Network for tilfeldig datasett 1, som for eksempel var for stigende marked. Deretter presenterte vi vinnerne og deres barn en fallende markedsdata. NNs utførte dårlig, vi tok best av fattige artister, kanskje en av de mutante barna, som mistet evnen til å handle på stigende marked, men fikk litt evne til å håndtere fallende. Da snudde vi bordet igjen, og igjen fikk vi best utøver - men best blant fattige artister. Vi ga rett og slett ikke våre NNs muligheter til å bli universelle. Det finnes teknikker som tillater genetisk algoritme å lære ny informasjon uten å miste resultatene på gammel informasjon (dyr kan i hvert fall leve om sommeren og om vinteren, slik at evolusjonen er i stand til å håndtere gjentatte endringer). Vi kan diskutere disse teknikkene senere, selv om denne artikkelen handler om å bruke Cortex Neural Networks Software. enn om å bygge et vellykket forex-automatisert handelssystem. Neural Network Genetic Algorithm: Eksempel 1 Nå er det på tide å snakke om korreksjoner. En enkel genetisk algoritme som vi opprettet i løpet av forrige trinn, har to store feil. For det første klarte det ikke å handle med fortjeneste. Det er ok, vi kan prøve å bruke delvis opplært system (det var lønnsomt i begynnelsen). Den andre feilen er mer alvorlig: Vi har ingen kontroll over ting, som dette systemet gjør. For eksempel kan det lære å være lønnsomt, men med store drawdowns. Det er et velkjent faktum at evolusjonen i virkeligheten kan optimalisere mer enn én parameter samtidig. For eksempel kan vi få et dyr som kan løpe fort og være motstandsdyktig mot kulde. Hvorfor ikke prøve å gjøre det samme i vårt forex-automatiserte handelssystem. Det er da vi bruker rettelser, noe som er noe annet enn settet av ytterligere straffer. Si, vårt system handler med drawdown 0.5, mens vi vil bekrefte det til 0 - 0.3 intervall. For å fortelle systemet at det gjorde en feil, reduserer vi fortjenesten (en brukt til å bestemme hvilken genetisk algoritme vant) i den grad som er proporsjonal med størrelsen på DD. Deretter tar evolusjonsalgoritmen seg av resten. Det er få flere faktorer som vi ønsker å ta i betraktning: Vi vil kanskje ha mer eller mindre like mange kjøp og salg, vi vil ha mer lønnsom drift, da av feil, vil vi kanskje ha fortjenestediagrammet til være lineær og så videre. I evolution01.tsc implementerer vi et enkelt sett med korrigeringer. Først av alt bruker vi et stort antall for en første korreksjonsverdi. Vi multipliserer den til en liten (vanligvis mellom 0 og 1) verdier, avhengig av straffen vi vil bruke. Da vi multipliserer vår fortjeneste til denne korreksjonen. Resultatet blir derfor korrigert for å reflektere hvor mye den genetiske algoritmen tilsvarer våre andre kriterier. Deretter bruker vi resultatet til å finne en vinner Neural Network. Forex Trading Strategy: Diskusjon av eksempel 1 Eksempel 1 fungerer mye bedre enn eksempel 0. I løpet av de første 100 syklusene lærte det mye, og fortjenestediagrammer ser beroligende ut. However, as in example 0, long trades are much more profitable, which most likely means that there is a problem in our approach. Nevertheless, the system found a balance between couple of contradictory initial conditions: There is some positive dynamics both in learning set and, more important, in testing set. As for further learning, at cycle 278 we can see, that our system got overtrained. It means, we still have progress on learning set: But testing set shows weakness: This is a common problem with NNs: when we teach it on learning set, it learns to deal with it, and sometimes, it learns too well - to the degree, when it looses performance on testing set. To deal with that problem, a traditional solution is used: we keep looking for the Neural Network . that performs best on testing set, and save it, overwriting previous best one, every time new peak is reached. This is the same approach, we used in FFBP training, except, this time we have to do it ourselves (adding code, that looks for a best Neural Network on a testing set, and calling SAVENN, or exporting weights of Neural Network to a file). This way, when you stop your training, youll have the best performer ON TESTING SET saved and waiting for you. Note also, that it is not the max. profit you are after, but optimal performance, so consider using corrections, when looking for a best performer on a testing set. Genetic Algorithm for FOREX Technical Analysis: Where now After you got your winner Neural Network . you can follow the steps, described in previous article, to export weights of that Neural Network . and then to use them in your real time trading platform, like Meta Trader, Trade Station and so on. Alternatively, you can focus on other ways of optimizing the Neural Network . unlike with FFBP algorithm, here you can get avay from using learning and testing sets, and move sequential learning. Download Cortex Order Cortex View Price List Visibility is very important for this site. If you like it please link to this URL