نفكس الفوركس منصة التداول الشبكة العصبية

ميتاترادر ​​4 - أمثلة استخدام الشبكات العصبية في ميتاتريدر مقدمة العديد منكم ربما نظروا في إمكانية استخدام الشبكات العصبية في إي الخاص بك. وكان هذا الموضوع حار جدا خاصة بعد عام 2007 بطولة التداول الآلي والفوز مذهلة من قبل أفضل مع نظامه على أساس الشبكات العصبية. وقد غمرت العديد من منتديات الإنترنت بموضوعات تتعلق بالشبكات العصبية وتداول العملات الأجنبية. للأسف كتابة تنفيذ MQL4 الأصلي من ن ليست سهلة. فإنه يتطلب بعض مهارات البرمجة والنتيجة لن تكون فعالة جدا خاصة إذا كنت ترغب في اختبار النتيجة النهائية في اختبار على عدد كبير من البيانات. في هذه المقالة سوء تظهر لك كيف يمكنك استخدام متاح بحرية (تحت لغبل)، الشهير الشبكة العصبية الصناعية السريعة مكتبة (فان) في التعليمات البرمجية MQL4 مع تجنب بعض العقبات والقيود. وعلاوة على ذلك أفترض أن القارئ هو على دراية الشبكات العصبية الاصطناعية (آن) والمصطلحات المتعلقة بهذا الموضوع حتى إل يركز على الجوانب العملية لاستخدام تنفيذ معين من آن في MQL4 اللغة. ميزات فان لفهم كامل إمكانيات تنفيذ فان تحتاج المرء إلى التعرف على الوثائق والوظائف الأكثر استخداما. استخدام نموذجي من فان هو إنشاء شبكة فيدفوروارد بسيطة، وتدريبه مع بعض البيانات وتشغيل. ويمكن بعد ذلك حفظ الشبكة التي تم إنشاؤها والمدربة إلى ملف واستعادتها في وقت لاحق لمزيد من الاستخدام. لإنشاء واحد آن يجب استخدام فانكريتستاندارد () الدالة. دعونا نرى بناء الجملة: حيث تمثل نوملايرس العدد الإجمالي للطبقات بما في ذلك المدخلات وطبقة الإخراج. يمثل لنوم والوسائط التالية عدد الخلايا العصبية في كل طبقة بدءا من طبقة الإدخال وتنتهي بطبقة الإخراج. لإنشاء شبكة مع طبقة مخفية واحدة مع 5 الخلايا العصبية، 10 المدخلات و 1 الإخراج واحد يجب أن نسميها على النحو التالي: مرة واحدة يتم إنشاء آن العملية التالية ستكون لتدريب ذلك مع بعض المدخلات والمخرجات البيانات. أبسط طريقة تدريب هو التدريب التدريجي التي يمكن تحقيقها من خلال الدالة التالية: هذه الوظيفة يأخذ المؤشر إلى بنية فان عاد سابقا من قبل فانكريستاندارد () وكل من البيانات المتجه بيانات الإدخال ناقلات الإخراج. المدخلات والمخرجات ناقلات هي مجموعة من نوع فانتيب. هذا النوع هو في الواقع نوع مزدوج أو تطفو، اعتمادا على الطريقة التي يتم تجميعها فان. في هذا التنفيذ فإن ناقلات المدخلات والمخرجات ستكون صفائف مزدوجة. وبمجرد أن يتم تدريب آن ستكون الميزة المطلوبة التالية هي تشغيل تلك الشبكة. وظيفة تنفيذ التي يتم تعريفها على النحو التالي: هذه الدالة يأخذ المؤشر إلى بنية فان تمثل الشبكة التي تم إنشاؤها مسبقا و متجه الإدخال من نوع محدد (مصفوفة مزدوجة). القيمة التي تم إرجاعها هي مجموعة متجه الإخراج. هذه الحقيقة مهمة بالنسبة لشبكة أوتبوت واحدة نحن ألويس الحصول على صفيف عنصر واحد مع قيمة الانتاج بدلا من قيمة الانتاج نفسها. لسوء الحظ، فإن معظم وظائف فان تستخدم مؤشرا على بنية فنية تمثل آن والتي لا يمكن التعامل معها مباشرة بواسطة MQL4 والتي لا تدعم الهياكل كنماذج بيانات. لتجنب هذا الحد علينا أن التفاف ذلك بطريقة أو إخفاء من MQL4. الطريقة الأسهل هي إنشاء مجموعة من مؤشرات الفن الهيكلية التي تحمل القيم الصحيحة والرجوع إليها مع فهرس يمثله متغير إنت. وبهذه الطريقة يمكننا استبدال نوع متغير غير معتمد مع دعم واحد وإنشاء مكتبة المجمع الذي يمكن دمجها بسهولة مع رمز MQL4. التفاف حول فان كما لأفضل معرفتي MQL4 لا يدعم وظائف مع قائمة الحجج المتغيرة لذلك علينا أن نتعامل مع ذلك أيضا. من ناحية أخرى إذا تم استدعاء الدالة C (من طول الوسيطة المتغيرة) مع وسيطات كثيرة جدا يحدث خطأ حتى نتمكن من افتراض عدد ثابت ثابت من الوسيطات في الدالة MQL4 تمريرها إلى مكتبة C. سوف تبدو وظيفة التفاف الناتجة كما يلي: قمنا بتغيير فان فان مع f2m (الذي يقف على فان إلى مقل)، استخدام عدد ثابت من الحجج (4 طبقات) وقيمة العودة هي الآن فهرس إلى صفيف داخلي من عقد عقد الهيكل فان المطلوبة من قبل فان لتشغيل. بهذه الطريقة يمكننا بسهولة استدعاء هذه الوظيفة من داخل رمز مقل. وينطبق الشيء نفسه على: وأخيرا وليس آخرا هو حقيقة أنه يجب عليك تدمير الخاص بك مرة واحدة خلق آن من خلال الدعوة إلى: لإطلاق مقابض آن يجب تدمير الشبكات في ترتيب عكسي مما تم إنشاؤها إنشاؤها. بدلا من ذلك يمكنك استخدام: ومع ذلك إم متأكد من أن بعض منكم قد تفضل حفظ شبكة المدربين لاستخدامها لاحقا مع: بالطبع يمكن تحميل الشبكة المحفوظة في وقت لاحق (أو بالأحرى إعادة إنشاء) مع: مرة واحدة ونحن نعرف الوظائف الأساسية التي قد نحاول استخدام ذلك في منطقتنا إي، ولكن أولا نحن بحاجة إلى تثبيت حزمة Fann2MQL. تثبيت Fann2MQL لتسهيل استخدام هذه الحزمة لقد قمت بإنشاء المثبت مسي الذي يحتوي على كافة التعليمات البرمجية المصدر بالإضافة إلى مكتبات بريكومبيلد و Fann2MQL. mqh ملف رأس يعلن كافة وظائف Fann2MQL. إجراء التثبيت هو واضح تماما. أولا كنت على علم بأن Fann2MQL هو تحت رخصة غل: تركيب Fann2MQL، الخطوة 1 ثم اختيار المجلد لتثبيت الحزمة. يمكنك استخدام البرنامج الافتراضي FilesFann2MQL أو تثبيت مباشرة في دليل ميتا تراديركسيرتس الخاص بك. في وقت لاحق وضع جميع الملفات مباشرة إلى أماكنهم وإلا سيكون لديك لنسخها يدويا. تركيب Fann2MQL، الخطوة 2 المثبت يضع الملفات في المجلدات التالية: إذا اخترت تثبيت في مجلد Fann2MQL مخصص، يرجى نسخ محتوى المجلدات الفرعية تشمل والمكتبات في الدليل المناسب ميتا التاجر الخاص بك. يقوم المثبت بتثبيت مكتبة فان أيضا في مجلد مكتبات النظام (Windowssystem32 في معظم الحالات). يحتوي المجلد سرك كافة التعليمات البرمجية المصدر Fann2MQL. يمكنك قراءة التعليمات البرمجية المصدر التي هي الوثائق النهائية إذا كنت بحاجة إلى أي مزيد من المعلومات حول الداخلية. يمكنك أيضا تحسين التعليمات البرمجية وإضافة ميزات إضافية إذا أردت. أنا أشجعك على أن ترسل لي بقع الخاص بك إذا كنت تنفذ أي شيء للاهتمام. استخدام الشبكات العصبية في إي الخاص بك بمجرد تثبيت Fann2MQL يمكنك البدء في كتابة إي الخاص بك أو مؤشر. ثيرس الكثير من الاستخدام المحتمل لل ن. يمكنك استخدامها للتنبؤ تحركات الأسعار في المستقبل ولكن نوعية مثل هذه التوقعات وإمكانية الاستفادة الحقيقية من أنه من المشكوك فيه. يمكنك محاولة كتابة الاستراتيجية الخاصة بك باستخدام تقنيات التعلم التعزيز، ويقول Q - التعلم أو شيء مماثل. قد تحاول استخدام ن كمرشح إشارة ل إي الخاص بك الاستدلالي أو الجمع بين كل هذه التقنيات بالإضافة إلى كل ما تريد حقا. أنت محدودة من خيالك فقط. هنا سوف تظهر لك مثالا على استخدام ن كمرشح بسيط للإشارات التي تم إنشاؤها بواسطة ماسد. من فضلك لا تعتبر ذلك إي قيمة ولكن كمثال تطبيق Fann2MQL. أثناء شرح طريقة المثال إي: NeuroMACD. mq4 يعمل سوء تظهر لك كيف Fann2MQL يمكن استخدامها بشكل فعال في مقل. أول شيء لكل إي هو إعلان المتغيرات العالمية، ويعرف ويتضمن القسم. هنا هو بداية نيوروماسد تحتوي على تلك الأشياء: يقول الأمر تشمل لتحميل ملف رأس Fann2MQL. mqh تحتوي على إعلان جميع وظائف Fann2MQL. بعد ذلك تتوفر كافة وظائف حزمة Fann2MQL للاستخدام في البرنامج النصي. ويحدد ثابت أنباث مسار تخزين الملفات وتحميلها بواسطة شبكات فان مدربة. تحتاج إلى إنشاء هذا المجلد أي C: آن. يحتوي ثابت نيم على اسم إي هذا، والذي يتم استخدامه لاحقا لتحميل ملفات الشبكة وحفظها. معلمات الإدخال واضحة إلى حد ما وتلك التي سيتم شرحها في وقت لاحق من المتسابق، فضلا عن المتغيرات العالمية. ونقطة الدخول في كل إي هي دالة إينيت (): فهي تقوم أولا بالتحقق مما إذا كان يتم تطبيق منطقة العد لتصحيح فترة الإطار الزمني. يحتوي المتغير أننبوتس على عدد من مدخلات الشبكة العصبية. فضلا عن استخدام 3 مجموعات من الحجج المختلفة نريد أن تكون قابلة للقسمة من قبل 3. يتم حساب أنباث لتعكس اسم إي و ماجنومبر. الذي يحسب من سلوما. فاستما و سيغنالما التي تستخدم لاحقا لتشوير مؤشر ماسد. وبمجرد أن يعرف أنباث إي يحاول تحميل الشبكات العصبية باستخدام تحميل () وظيفة الذي مرضى وصف أدناه. ويقصد نصف الشبكات المحملة للتصفية طويلة المدى والنصف الآخر مخصص للسراويل القصيرة. يستخدم المتغير أنسلودد للإشارة إلى حقيقة أن جميع الشبكات تم تهيئة بشكل صحيح. كما كنت قد لاحظت هذا المثال إي تحاول تحميل شبكات متعددة. أشك في ضرورتها حقا في هذا التطبيق بعد أردت أن تظهر لك إمكانات كاملة من Fann2MQL، والذي هو التعامل مع شبكات متعددة في نفس الوقت، ويمكن معالجتها في موازاة الاستفادة من النوى متعددة أو وحدات المعالجة المركزية. لجعله ممكنا Fann2MQL هو الاستفادة من إنتل خيوط كتل بناء التكنولوجيا. يتم استخدام الدالة f2Mparallelinit () لتهيئة تلك الواجهة. هنا هي الطريقة التي اعتدت على تهيئة الشبكات: كما يمكنك معرفة ما إذا كان f2Mcreatefromfile () فشل، والتي يشار إليها قيمة الإرجاع السالبة، يتم إنشاء الشبكة مع الدالة f2Mcreatestandard () مع وسيطات تشير إلى أن الشبكة التي تم إنشاؤها يجب أن يكون 4 طبقات (بما في ذلك المدخلات والمخرجات)، مدخلات أنينبوت، أنينبوت الخلايا العصبية في الطبقة المخفية الأولى، الخلايا العصبية AnnInput21 في 2 طبقة خفية و 1 الخلايا العصبية في طبقة الانتاج. يتم استخدام f2Msetactfunctionhidden () لتعيين وظيفة تنشيط الطبقات المخفية إلى سيغموديسيمتريستيبويس (يرجى الرجوع إلى وثائق فان من فاناكتيفاتيونفونسينوم) ونفس الشيء ينطبق على طبقة الإخراج. ثم هناك دعوة إلى f2mrandomizeweights () الذي يستخدم لتهيئة الأوزان اتصال الخلايا العصبية داخل الشبكة. هنا استخدمت مجموعة من 0.4 لتر 0.4 لتر ولكن يمكنك استخدام أي أخرى اعتمادا على التطبيق الخاص بك. في هذه المرحلة ربما كنت قد لاحظت ديبوغ () وظيفة اعتدت بضع مرات. لها واحدة من أبسط الأساليب لتغيير مستوى مطول من إي الخاص بك. جنبا إلى جنب مع المعلمة المدخلات ديبوجليفيل يمكنك ضبط الطريقة التي التعليمات البرمجية الخاصة بك ينتج إخراج التصحيح. إذا كانت الوسيطة الأولى الدالة تصحيح () مستوى التصحيح أعلى من ديبوجليفيل الدالة لا تنتج أي إخراج. إذا كان أقل من يساوي سلسلة نصية يتم طباعتها. إذا كان مستوى التصحيح 0 خطأ إرور: إلحاق إلى البداية. بهذه الطريقة يمكنك تقسيم التصحيح التي تنتجها التعليمات البرمجية إلى مستويات متعددة. الأكثر أهمية هي على الأرجح الأخطاء بحيث يتم تعيينها إلى مستوى 0. سيتم طباعتها إلا إذا قمت بتخفيض ديبوغليفيل إلى أقل من 0 (الذي لا ينصح). في المستوى 1 سيتم طباعة بعض المعلومات المهمة، مثل تأكيد نجاح تحميل الشبكة أو إنشاءها. في المستوى 2 أو أعلى أهمية المعلومات المطبوعة تتناقص تدريجيا. قبل الشرح المفصل لدالة البدء ()، التي هي طويلة جدا، ولست بحاجة إلى أن تظهر لك بعض المزيد من الوظائف التي تهدف إلى إعداد إدخال الشبكة وتشغيل الشبكات الفعلية: يتم استخدام وظيفة أنبريبارينبوت () لإعداد اسم الإدخال للشبكات (وبالتالي الاسم). والغرض من ذلك هو واضح جدا، ولكن هذه هي النقطة التي يجب أن أذكركم أن البيانات المدخلات يجب أن تطبيع بشكل صحيح. ليس هناك تطبيع متطورة في هذه الحالة، أنا ببساطة استخدام ماكد الرئيسية وقيم الإشارة التي لا تتجاوز أبدا النطاق المطلوب على البيانات المحسوبة. في المثال الحقيقي ربما يجب أن تولي المزيد من الاهتمام لهذه المشكلة. كما ربما كنت قد تشك في اختيار الحجج المدخلات الصحيحة لإدخال الشبكة، ترميز ذلك، والتحلل والتطبيع هي واحدة من أهم العوامل في معالجة الشبكة العصبية. كما ذكرت قبل Fann2MQL لديه القدرة على توسيع وظائف طبيعية من ميتاترادر، وهذا هو موازية معالجة متعددة الشبكات العصبية. الحجة العالمية باراليل تسيطر على هذا السلوك. الدالة رونانز () تشغيل جميع الشبكات تهيئة ويحصل على مخرجات منها ومخازن في مجموعة أنوتبوت. وظيفة أنسرونباراليل هي المسؤولة عن التعامل مع وظيفة في طريقة مؤشرات الترابط. وهو يطلق على f2mrunparallel () الذي يأخذ كحجة أولى عدد الشبكات التي يجب معالجتها، أما الوسيطة الثانية فهي مصفوفة تحتوي على مقابض على جميع الشبكات التي ترغب في تشغيلها توفر متجه الإدخال كوسيطة ثالثة. يجب تشغيل جميع الشبكات على نفس بيانات المدخلات. يتم الحصول على الإخراج من الشبكة عن طريق مكالمات متعددة إلى f2mgetoutput (). الآن دعونا نرى بداية () وظيفة: سوء وصف ذلك لفترة وجيزة كما هو علق بشكل جيد جدا. و تريدالويد () يتحقق ما إذا كان مسموحا للتجارة. في الأساس يتحقق المتغير أنسلودد مشيرا إلى أن جميع السنوات تم تهيئة بشكل صحيح، ثم يتحقق من الحد الأدنى من الإطار الزمني الصحيح رصيد الحساب الحد الأدنى وفي نهاية المطاف يسمح للتداول فقط على القراد الأول من شريط جديد. تم وصف اثنين من الدالة التالية التي تستخدم لإعداد مدخلات الشبكة وتشغيل معالجة الشبكة فقط بضعة أسطر أعلاه. بعد ذلك نحسب ونضع في المتغيرات لمعالجة في وقت لاحق قيم ماسد من إشارة والخط الرئيسي لآخر تراكم بار والسابقة. يتم حذف الشريط الحالي لأنه لم يتم بناء حتى الآن، وربما سيتم إعادة رسم. يتم حساب سيلسينال و بيسينال وفقا لذلك لإشارة ماسد والخط الرئيسي كروس أوفر. ويستخدم كل من الإشارات لمعالجة طويلة وقصيرة الموقف التي هي متناظرة جدا إل وصف فقط حالة لمدة طويلة. متغير لونغتيكيت يحمل رقم التذكرة للموقف المفتوح حاليا. إذا كان يساوي -1 لا يوجد موقف فتح حتى إذا تم تعيين بيسيغنال التي قد تشير إلى فرصة جيدة لفتح موقف طويل. إذا لم يتم تعيين نيوروفيلتر متغير يتم فتح موقف طويل وهذا هو الحال دون تصفية الشبكة العصبية من الإشارات - يتم إرسال النظام للشراء. عند هذه النقطة المتغير لونجينبوت هو المقصود أن نتذكر إنبوتفيكتور التي أعدتها أنبريبارينبوت () لاستخدامها لاحقا. إذا كان متغير لونغتيسكت يحمل رقم تذكرة صالحة يتحقق إي ما إذا كان لا يزال فتح أو تم إغلاقه من قبل ستوبلوس أو تاكيبروفيت. إذا لم يتم إغلاق النظام لا يحدث شيء، ولكن إذا تم إغلاق الأمر ناقلات ترينوتوتوت، التي لديها واحد فقط إتبوت، يتم احتسابها لعقد قيمة -1 إذا كان النظام مغلق مع فقدان أو 1 إذا كان النظام مغلق مع الربح . ثم يتم تمرير هذه القيمة إلى أنترين () وظيفة ويتم تدريب جميع الشبكات المسؤولة عن التعامل مع الموقف الطويل معها. كما متجه الإدخال المتغير لونجينبوت يستخدم، الذي عقد إنبوتفيكتور في لحظة فتح الموقف. وبهذه الطريقة يتم تدريس الشبكة التي إشارة جلب الأرباح وأي واحد ليس كذلك. مرة واحدة لديك شبكة المدربين تبديل نيوروفيلتر إلى صحيح يتحول تصفية الشبكة. و أنويسلونغ () يستخدم الشبكة العصبية الحكيمة محسوبة كمتوسط ​​للقيم التي تعيدها جميع الشبكات يعني للتعامل مع الموقف الطويل. وتستخدم معلمة الدلتا كقيمة عتبة تشير إلى أن الإشارة المصفاة صالحة أو لا. كما العديد من القيم الأخرى التي تم الحصول عليها من خلال عملية التحسين. الآن بمجرد أن نعرف كيف يعمل سوء تظهر لك كيف يمكن استخدامها. زوج الاختبار هو بالطبع اليورو مقابل الدولار الأميركي. لقد استخدمت البيانات من ألباري. تحويلها إلى الإطار الزمني M5. لقد استخدمت الفترة من 2007.12.31 إلى 2009.01.01 لتفعيل التدريب و 2009.01.01-2009.03.22 لأغراض الاختبار. في المدى الأول جدا حاولت الحصول على القيم الأكثر ربحية ل ستوبلوس، تاكيبروفيت، سلوما، فاستما وسيغنالما الوسيطة، والتي أنا ثم مشفرة في ملف NeuroMACD. mq4. تم إيقاف نيورفيلتر فضلا عن سافيان. تم تعيين أنسنومبر إلى 0 لتجنب المعالجة العصبية. لقد استخدمت الخوارزمية الوراثية لعملية التحسين. وبمجرد الحصول على القيم، كان التقرير الناتج كما يلي: تقرير عن بيانات التدريب بعد تحسين المعلمة الأساسية. كما ترون لقد قمت بتشغيل هذا إي على حساب مصغرة مع حجم الكثير من 0.01 والتوازن الأولي من 200. ومع ذلك يمكنك ضبط هذه المعلمات وفقا لذلك إلى إعدادات حسابك أو تفضيلات. عند هذه النقطة لدينا ما يكفي من الصفقات مربحة وخسارة حتى نتمكن من تشغيل سافان وتعيين أنسنومبر إلى 30. بمجرد القيام بذلك أنا تشغيل اختبار مرة أخرى. وكانت النتيجة هي نفسها تماما مع ما عدا حقيقة أن العملية كانت أبطأ بكثير (نتيجة للمعالجة العصبية) والمجلد C: تم ملء آن مع الشبكات المدربة كما هو مبين في الصورة أدناه. تأكد من وجود مجلد C: آن قبل تشغيل هذا المجلد C: آن. مرة واحدة لدينا شبكات المدربين وقتها لاختبار كيف يتصرف. أولا جيدا محاولة على بيانات التدريب. تغيير نيوروفيلتر إلى صحيح و سافان إلى كاذبة وبدء اختبار. والنتيجة التي حصلت عليها هو مبين أدناه. لاحظ أنه قد تختلف قليلا بالنسبة لك حالة كما أن هناك بعض العشوائية داخل الشبكات في الأوزان اتصال الخلايا العصبية المقدمة في عملية تهيئة الشبكة (في هذا المثال استخدمت دعوة صريحة إلى f2Mrandomizeweights () داخل تحميل ()). النتيجة التي تم الحصول عليها على بيانات التدريب مع إشارة تصفية العصبية تحولت على. صافي الربح هو أكبر قليلا (20.03 مقابل 16.92)، ومع ذلك فإن عامل الربح هو أعلى بكثير (1.25 مقابل 1.1). عدد الصفقات هو أقل بكثير (83 مقابل 1188) ومتوسط ​​عدد الخسائر المتتالية انخفض من 7 إلى 2. ومع ذلك فإنه يظهر فقط أن تصفية الإشارات العصبية تعمل لكنها لا تقول شيئا عن كيفية تشغيلها على البيانات التي لم تستخدم ل خلال التدريب. والنتيجة التي حصلت عليها من فترة الاختبار (2009.01.01 - 2009.30.28) هي مبينة أدناه: النتيجة التي تم الحصول عليها من بيانات الاختبار مع تصفية العصبية قيد التشغيل. عدد الصفقات التي أجريت منخفضة جدا ومن الصعب معرفة نوعية هذه الاستراتيجية، ولكنني لن أشرح لك كيفية كتابة أفضل إي مربحة ولكن لشرح كيف يمكن استخدام الشبكات العصبية في رمز MQL4 الخاص بك. التأثير الحقيقي لاستخدام الشبكات العصبية في هذه الحالة يمكن أن ينظر إليه فقط عند مقارنة نتائج إي على بيانات الاختبار مع نيوروفيلتر تشغيل وإيقاف. وفيما يلي النتيجة التي تم الحصول عليها من فترة بيانات الاختبار دون تصفية الإشارات العصبية: نتائج من اختبار البيانات دون تصفية العصبية. الفرق واضح تماما. كما ترون تحول تصفية الإشارات العصبية خسر إي إلى مربحة واحدة خاتمة آمل أن تكون قد تعلمت من هذه المقالة كيفية استخدام الشبكات العصبية في ميتاترادر. مع مساعدة من حزمة بسيطة وحرة ومفتوحة المصدر Fann2MQL يمكنك بسهولة إضافة طبقة الشبكة العصبية إلى أي خبير مستشار تقريبا أو البدء في كتابة واحدة خاصة بك والتي تعتمد كليا أو جزئيا على الشبكات العصبية. القدرة على تعدد العلامات فريدة من نوعها يمكن تسريع المعالجة الخاصة بك عدة مرات، اعتمادا على عدد من النوى وحدة المعالجة المركزية الخاصة بك، وخصوصا عند تحسين بعض المعلمات. في حالة واحدة تقصير الاستفادة المثلى من بلدي التعزيز التعلم القائم على معالجة إي من حوالي 4 أيام إلى 28 ساعة فقط على وحدة المعالجة المركزية إنتل الأساسية 4. خلال كتابة هذه المقالة لقد قررت وضع Fann2MQL على موقعها على الانترنت: fann2mql. wordpress. يمكنك أن تجد هناك أحدث نسخة من Fann2MQL وربما جميع الإصدارات المستقبلية، فضلا عن وثائق جميع الوظائف. وأعد للحفاظ على هذا البرنامج تحت رخصة غل لجميع الإصدارات حتى إذا كنت ترسل لي أي تعليقات أو طلبات ميزة أو بقع أنني سوف تجد مثيرة للاهتمام تأكد من العثور عليه الإصدارات القادمة. يرجى ملاحظة أن هذه المقالة تظهر فقط الاستخدام الأساسي جدا من Fann2MQL. كما أن هذه الحزمة ليست أكثر بكثير من فان يمكنك استخدام جميع الأدوات المصممة لإدارة شبكات فان، مثل: و ثيريز أكثر من ذلك بكثير عن فان على مكتبة الشبكة العصبية الصناعية السريعة الصفحة الرئيسية: leenissen. dkfann بوست سكريبتم بعد كتابة هذه المقالة لقد وجدت خطأ ضئيل في NeuroMACD. mq4. تم تغذية الدالة أوردركلوس () للوضع القصير مع رقم تذكرة الموضع الطويل. وأدى ذلك إلى استراتيجية المنحرفة التي كان من المرجح أن تعقد السراويل وأغلق قريبة: في النسخة الصحيحة من البرنامج النصي لقد قمت بإصلاح هذا الخطأ وإزالة استراتيجية أوردركلوس () على الإطلاق. وهذا لم يغير الصورة العامة لتأثير الترشيح العصبي على منطقة العد، ولكن شكل منحنى التوازن كان مختلفا تماما. يمكنك العثور على كلا الإصدارين من هذا إي تعلق على هذه المقالة. تجارة مع الاستخبارات باستخدام ترادينغسولوتيونس ترادينغسولوتيونس يجمع بين التحليل الفني مع الذكاء الاصطناعي (أي) التكنولوجيات باستخدام الشبكات العصبية والخوارزميات الجينية لتعلم أنماط من البيانات التاريخية وتحسين معلمات النظام. هذا البرنامج التداول يعمل مع الأسهم والعقود الآجلة والعملات (الفوركس) والعديد من الأدوات المالية الأخرى. ويمكن أيضا أن تبني أنظمة للأسواق الأمريكية والدولية. أكثر من 300 من المؤشرات الفنية الأكثر شعبية. ثبت العينة وأداء العملاء. دعم البيانات الرائدة في الصناعة من إسيغنال. وسطاء التفاعلية وغيرها الكثير الملكية الأمثل إشارة التكنولوجيا. الدعم الفني مجانا. 100 أنظمة مجانية ونماذج الشبكة العصبية قبل بناؤها. استخدمت بنجاح في أكثر من 66 بلدا في جميع أنحاء العالم. 30 يوم ضمان استعادة الاموال. الشبكات العصبية: التنبؤ التوقعات الشبكات العصبية هي للدولة من بين الفن، خوارزميات قابلة للتدريب التي تحاكي بعض الجوانب الرئيسية في عمل الدماغ البشري. وهذا يعطيهم قدرة فريدة على التدريب الذاتي، والقدرة على إضفاء الطابع الرسمي على المعلومات غير المصنفة، والأهم من ذلك، القدرة على جعل التنبؤات استنادا إلى المعلومات التاريخية لديهم تحت تصرفهم. وقد استخدمت الشبكات العصبية بشكل متزايد في مجموعة متنوعة من التطبيقات التجارية، بما في ذلك التنبؤ وتسويق حلول البحث. في بعض المجالات، مثل كشف الاحتيال أو تقييم المخاطر. هم قادة لا جدال فيه. المجالات الرئيسية التي وجدت الشبكات العصبية التطبيق هي العمليات المالية، وتخطيط المشاريع، والتجارة، وتحليلات الأعمال وصيانة المنتجات. الشبكات العصبية يمكن تطبيقها بكفاءة من قبل جميع أنواع التجار، لذلك إذا كنت تاجر وكنت قد تم إدخالها بعد إلى الشبكات العصبية، وأيضا يأخذك من خلال هذا الأسلوب من التحليل الفني وتظهر لك كيفية تطبيقه على أسلوب التداول الخاص بك. الأوهام الشائعة معظم الناس لم يسمعوا أبدا من الشبكات العصبية، وإذا كانوا التجار أرينت، فإنها ربما لا تحتاج إلى معرفة ما هي عليه. ولكن ما يثير الدهشة حقا هو حقيقة أن عددا كبيرا من أولئك الذين يمكن أن تستفيد غنية من التكنولوجيا الشبكة العصبية لم يسمع حتى من ذلك، أعتبر لفكرة علمية نبيلة أو التفكير في ذلك اعتبارا من وسيلة للتحايل التسويق البقعة. وهناك أيضا أولئك الذين يعلقون كل آمالهم على الشبكات العصبية، أسد الشباك بعد بعض الخبرة الإيجابية معهم، وفيما يتعلق بها كمحل رصاصة فضية لأي نوع من المشاكل. ومع ذلك، مثل أي استراتيجية التداول. الشبكات العصبية ليست سريعة الإصلاح التي سوف تسمح لك لضربها الغنية عن طريق النقر على زر أو اثنين. في الواقع، والفهم الصحيح للشبكات العصبية والغرض منها أمر حيوي لتطبيقها الناجح. فيما يتعلق بالتداول، الشبكات العصبية هي طريقة جديدة وفريدة من نوعها للتحليل الفني، وتهدف لأولئك الذين يأخذون نهج التفكير في أعمالهم، وعلى استعداد للمساهمة بعض الوقت والجهد لجعل هذه الطريقة العمل بالنسبة لهم. أفضل للجميع، عندما تطبق بشكل صحيح، الشبكات العصبية يمكن تحقيق الربح على أساس منتظم. استخدام الشبكات العصبية للكشف عن الفرص هناك اعتقاد خاطىء كبير بأن العديد من التجار يخطئون الشبكات العصبية لأداة التنبؤ التي يمكن أن تقدم المشورة بشأن كيفية التصرف في حالة سوق معينة. الشبكات العصبية لا تجعل أي توقعات. وبدلا من ذلك، تقوم بتحليل بيانات الأسعار وكشف الفرص. باستخدام الشبكة العصبية، يمكنك اتخاذ قرار التجارة استنادا إلى بيانات تحليلها بدقة، وهو ليس بالضرورة الحال عند استخدام أساليب التحليل الفني التقليدية. بالنسبة للتاجر الجاد والتفكير، فإن الشبكات العصبية هي أداة من الجيل التالي ذات إمكانات كبيرة يمكنها الكشف عن الترابطات الخطي غير الخطية والأنماط التي لا تستطيع أساليب التحليل الفني الكشف عنها. أفضل شبكات مثل أي نوع من منتج كبير أو التكنولوجيا، بدأت الشبكات العصبية جذب كل أولئك الذين يبحثون عن سوق في مهدها. وقد أغرقت السيول من الإعلانات حول برنامج الجيل التالي من السوق - الإعلانات تحتفل أقوى من جميع خوارزميات الشبكة العصبية التي تم إنشاؤها من أي وقت مضى. حتى في تلك الحالات النادرة عندما تشبه الدعاوى الاعلانية الحقيقة، نضع في اعتبارنا أن زيادة 10 في الكفاءة هي على الارجح الاكثر سوف تحصل من أي وقت مضى من الشبكة العصبية. وبعبارة أخرى، فإنه لا ينتج عوائد خارقة وبغض النظر عن مدى نجاحه في حالة معينة، وسوف يكون هناك بعض مجموعات البيانات وفئات المهام التي الخوارزميات المستخدمة سابقا لا تزال متفوقة. تذكر هذا: ليس الخوارزمية التي لا خدعة. وتعد معلومات المدخلات المعدة جيدا عن المؤشر المستهدف أهم عنصر في نجاحك مع الشبكات العصبية. هو أسرع التقارب أفضل كثير من أولئك الذين يستخدمون بالفعل الشبكات العصبية يعتقدون خطأ أن أسرع صافي نتائجها، كان ذلك أفضل. ومع ذلك، هذا هو الوهم. لا يتم تحديد شبكة جيدة بالمعدل الذي ينتج عنه النتائج ويجب على المستخدمين معرفة كيفية إيجاد أفضل توازن بين السرعة التي تدرب فيها الشبكة وجودة النتائج التي تنتجها. التطبيق الصحيح للشبكات العصبية يطبق العديد من التجار الشبكات العصبية بشكل غير صحيح لأنهم يضعون قدرا كبيرا من الثقة في البرنامج الذي يستخدمونه جميعا دون أن يتم تزويدهم بالتعليمات المناسبة حول كيفية استخدامه بشكل صحيح. لاستخدام الشبكة العصبية بالطريقة الصحيحة، وبالتالي، مكسب، تاجر يجب أن تولي اهتماما لجميع مراحل دورة إعداد الشبكة. هو التاجر وليس شبكته التي هي المسؤولة عن ابتكار فكرة وإضفاء الطابع الرسمي على هذه الفكرة واختبارها وتحسينها، وأخيرا، اختيار اللحظة المناسبة للتخلص منها عندما لم تعد مفيدة. دعونا ننظر في مراحل هذه العملية الحاسمة بمزيد من التفصيل: 1. إيجاد فكرة تجارية وإضفاء الطابع الرسمي عليها يجب على المتداول أن يفهم تماما أن الشبكة العصبية لا تهدف إلى ابتكار أفكار ومفاهيم تجارية ناجحة. الغرض منه هو توفير المعلومات الأكثر موثوقية ودقيقة ممكنة حول مدى فعالية فكرة التداول الخاص بك أو مفهوم. لذلك، يجب أن تأتي مع فكرة التداول الأصلي وتحديد واضح الغرض من هذه الفكرة وما كنت تتوقع تحقيقه من خلال توظيفه. هذه هي المرحلة الأكثر أهمية في دورة إعداد الشبكة. (للحصول على قراءة ذات صلة، انظر الدروس من مذكرات التجار.) 2. تحسين معلمات النموذج الخاص بك المقبل، يجب أن تحاول تحسين الجودة الشاملة للنموذج عن طريق تعديل مجموعة البيانات المستخدمة وتعديل المعلمات المختلفة. الشكل 1: تحديد خوارزمية التحسين وخصائصه 3. التخلص من النموذج عندما يصبح عفا عليها الزمن كل نموذج على الشبكة العصبية على أساس العمر الافتراضي، ولا يمكن استخدامها إلى أجل غير مسمى. طول العمر من نماذج العمر الافتراضي يعتمد على الوضع في السوق وعلى مدى الترابط في السوق ينعكس في أنه لا يزال موضعي. ومع ذلك، عاجلا أو آجلا يصبح أي نموذج عفا عليها الزمن. عند حدوث ذلك، يمكنك إما إعادة تدريب النموذج باستخدام بيانات جديدة تماما (أي استبدال جميع البيانات التي تم استخدامها)، وإضافة بعض البيانات الجديدة إلى مجموعة البيانات الحالية وتدريب النموذج مرة أخرى، أو ببساطة سحب النموذج تماما. العديد من التجار يجعلون خطأ اتباع أبسط مسار - أنها تعتمد بشكل كبير على واستخدام النهج الذي برامجها يوفر وظيفة سهلة الاستخدام والأكثر سهولة. هذا أبسط النهج هو التنبؤ سعر بعض الحانات المقبلة واستنادا نظام التداول الخاص بك على هذه التوقعات. ويتوقع المتداولون الآخرون تغير الأسعار أو النسبة المئوية لتغير الأسعار. نادرا ما ينتج عن هذا النهج نتائج أفضل من التنبؤ بالسعر مباشرة. ويخفق النهجان التبسيطان في الكشف عن معظم الترابطات الهامة الطويلة الأجل واستغلالها بأكبر قدر من الأرباح، ونتيجة لذلك يصبح النموذج عفا عليه الزمن بسرعة مع تغير القوى الدافعة العالمية. النهج الأمثل الأمثل لاستخدام الشبكات العصبية سيركز المتداول الناجح ويقضي وقتا طويلا في اختيار عناصر الإدخال الحاكمة لشبكته العصبية وضبط معلماته. وسوف ينفق من (على الأقل) عدة أسابيع - وأحيانا تصل إلى عدة أشهر - نشر الشبكة. وسيعمل المتداول الناجح أيضا على تعديل شبكته إلى الظروف المتغيرة طوال فترة حياته. لأن كل شبكة عصبية يمكن أن تغطي فقط جانبا صغير نسبيا من السوق، وينبغي أيضا أن تستخدم الشبكات العصبية في لجنة. استخدام العديد من الشبكات العصبية حسب الاقتضاء - القدرة على توظيف عدة في وقت واحد هو فائدة أخرى من هذه الاستراتيجية. وبهذه الطريقة، كل من هذه الشبكات متعددة يمكن أن تكون مسؤولة عن بعض جوانب محددة من السوق، مما يتيح لك ميزة كبيرة في جميع المجالات. ومع ذلك، فمن المستحسن أن تبقي على عدد من الشبكات التي تستخدمها في نطاق من خمسة إلى 10. وأخيرا، ينبغي الجمع بين الشبكات العصبية مع واحدة من النهج الكلاسيكية. هذا سوف يسمح لك لتحسين الاستفادة من النتائج التي تحققت وفقا لتفضيلات التداول الخاصة بك. الاستنتاج سوف تواجه نجاحا حقيقيا مع الشبكات العصبية فقط عند التوقف عن البحث عن أفضل صافي. بعد كل شيء، مفتاح نجاحك مع الشبكات العصبية يكمن ليس في الشبكة نفسها، ولكن في استراتيجية التداول الخاصة بك. لذلك، لإيجاد استراتيجية مربحة التي تعمل بالنسبة لك، يجب عليك تطوير فكرة قوية حول كيفية إنشاء لجنة من الشبكات العصبية واستخدامها في تركيبة مع المرشحات الكلاسيكية وقواعد إدارة الأموال. للقراءة ذات الصلة، وتحقق من التداول العصبي: مفاتيح البيولوجية للربح ونظم التداول الترميز التعليمي.