Forex Vooruitskatting Genetiese Algoritme

'N forex stelsel wat gebaseer is op 'n genetiese algoritme Eerste Online: 4 April 2012 ontvang: 20 April 2010 aanvaar: 21 Maart 2012 Haal hierdie artikel as: Mendes, L. Godinho, P. Dias, J. J Heuristiek (2012) 18: 627 . doi: 10,1007 / s10732-012-9201-y 5 aanhalings 843 Views Abstract In hierdie vraestel, sal 'n genetiese algoritme beskryf wat daarop gemik op die optimalisering van 'n stel reëls wat 'n handel stelsel vir die Forex mark uitmaak. Elke individu in die bevolking verteenwoordig 'n stel van tien tegniese reëls handel (vyf tot 'n posisie en vyf ander betree om af te sluit). Hierdie reëls het 31 parameters in totaal, wat ooreenstem met die individue gene. Die bevolking sal ontwikkel in 'n gegewe omgewing, gedefinieer deur 'n tydreeks van 'n spesifieke geldeenheid paar. Die fiksheid van 'n gegewe individu verteenwoordig hoe goed dit kan aanpas by die omgewing is, en dit word bereken deur die toepassing van die ooreenstemmende reëls om die tydreeks, en dan die berekening van die verhouding tussen die wins en die maksimum drawdown (die Stirling-verhouding) . Twee munt pare is gebruik: EUR / USD en GBP / USD. Verskillende data is gebruik vir die ontwikkeling van die bevolking en vir die toets van die beste individue. Die bereik van die stelsel resultate word bespreek. Die beste individue in staat is om 'n baie goeie resultate in die opleiding reeks te behaal. In die toetsreeks, die ontwikkelde strategieë toon 'n paar probleme in die bereiking van positiewe resultate, as jy transaksiekoste in ag neem. As jy transaksiekoste ignoreer, die resultate is meestal positief, wat daarop dui dat die beste individue het 'n paar voorspellings vermoë. Sleutelwoorde Genetiese algoritmes Finansies Tegniese handel reëls Buitelandse wisselkoerse Verwysings Alvarez-Diaz, M. Alvarez, A. vooruitskatting wisselkoerse met behulp van genetiese algoritmes. Appl. Econ. Lett. 10 (6), 319322 (2003) CrossRef Brabazonweg, A. Oneill, M. Ontwikkelende tegniese reëls handel vir spot buitelandse-valuta-markte met behulp van grammatikale evolusie. Computerized. Manag. Sci. 1 (3), 311327 (2004) MATH CrossRef Davis, L. Handboek van Genetiese algoritmes. Van die Kollege-Reinhold, New York (1991) Dempster, M. A.H. Jones, C. M. 'N real-time adaptive handel stelsel met behulp van genetiese programmering. Quant. Finansies 1 (4), 397413 (2001) CrossRef Dunis, C. Harris, A. et al. Optimalisering intraday handel modelle met genetiese algoritmes. Neurale Netw. Wêreld 9 (3), 193223 (1999) Eling, M. Schuhmacher, F. Is die keuse van prestasie maatstaf invloed die evaluering van verskansingsfondse J. Bank. Finansies 31 (9), 26322647 (2007) CrossRef Fama, E. F. doeltreffende kapitaalmarkte: 'n oorsig van die teorie en empiriese werk. J. Finansies 25 (2), 383417 (1970) CrossRef Goldberg, D. Genetiese algoritmes in Search, Optimization en masjien leer. Addison-Wesley, Reading (1989) MATH Grefenstette, J. J. Genetiese algoritmes vir veranderende omgewings. In: Parallel Probleemoplossing van Nature 2, Brussel (1992) Harding, D. Nakou, G. et al. Die voor - en nadele van onttrekking as 'n statistiese maatstaf van risiko vir beleggings. AIMA Journal April 1617 (2003) Hirabayashi, A. Aranha, C. et al. Optimalisering van die handel reël in buitelandse valuta met behulp van genetiese algoritme. In: Verrigtinge van die 11de Jaarlikse Konferensie oor genetiese en ewolusionêre Berekening GECCO09 (2009) Hryshko, A. Downs, T. Stelsel vir buitelandse valuta handel met behulp van genetiese algoritmes en versterking leer. Int. J. SYST. Sci. 35 (13), 763774 (2004) MATH CrossRef Kaboudan, M. A. genetiese programmering voorspelling van aandeelpryse. Computerized. Econ. 16 (3), 207236 (2000) MATH CrossRef LeBaron, B. Tegniese handel reël winsgewendheid en buitelandse valuta ingryping. J. Int. Econ. 49 (1), 125143 (1999) CrossRef LeBaron, B. Tegniese handel winsgewendheid in buitelandse valuta markte in die 1990's (2002) Levich, R. M. Thomas, L. R. Die belangrikheid van tegniese handel-reël winste in die valutamark: 'n bootstrap benadering. J. Int. Geld financ. 12 (5), 451474 (1993) CrossRef Kyk, A. W. Die aangepaste markte hipotese. J. Portf. Manag. 30 (5), 1529 (2004) CrossRef Menkhoff, L. Taylor, M. P. Die hardnekkige passie van buitelandse valuta professionele: tegniese ontleding. J. Econ. Aangesteek 45 (4), 936972 (2007) CrossRef Meyers, T. A. Die Tegniese Analise Kursus. McGraw-Hill, New York (1989) Mitchell, M. An Introduction te Genetiese algoritmes. MIT Press, Cambridge (1996) Neely, C. Weller, P. Intraday tegniese beurs in die buitelandse valuta mark. J. Int. Geld financ. 22 (2), 223237 (2003) CrossRef Neely, C. Weller, P. et al. Is tegniese ontleding in die buitelandse valuta mark winsgewend 'n genetiese programmering benadering. J. financ. Quant. Anal. 32 (4), 405426 (1997) CrossRef Neely, C. J. Weller, P. A. et al. Die aangepaste markte Hipotese: bewyse uit die buitelandse valuta mark. J. financ. Quant. Anal. 44 (02), 467488 (2009) CrossRef Olson, D. Het handel reël winste in die valuta-markte gedaal met verloop van tyd J. Bank. Finansies 28 (1), 85105 (2004) CrossRef Osman, I. H. Kelly, J. P. Meta-heuristiek: Teorie amp Aansoeke. Kluwer Academic, Dordrecht (1996) MATH Park, C.-H. Irwin, S. H. Wat weet ons van die winsgewendheid van tegniese ontleding J. Econ. Surv. 21 (4), 786826 (2007) CrossRef Pictet, O. V. Dacorogna, M. M. et al. Die gebruik van genetiese algoritmes vir robuuste optimalisering in finansiële toepassings. Neurale Netw. Wêreld 5 (4), 573587 (1995) Reeves, C. R. met behulp van genetiese algoritmes met klein bevolkings. In: Verrigtinge van die Vyfde Internasionale Konferensie oor Genetiese algoritmes. Morgan Kaufmann, San Mateo (1993) Rothlauf, F. Goldberg, D. Redundante vertoë in evolusionêre berekening. Illinois Genetiese algoritmes Laboratorium (IlliGAL) Verslag (2002) Schulmeister, S. komponente van die winsgewendheid van tegniese valuta handel. Appl. Financ. Econ. 18 (11), 917930 (2008) CrossRef Sweeney, R. J. Klop die buitelandse valuta mark. J. Finansies 41 (1), 163182 (1986) Wilson, G. Banzhaf, W. Interday buitelandse valuta handel met behulp van lineêre genetiese programmering. In: Verrigtinge van die 12de Jaarlikse Konferensie oor genetiese en ewolusionêre Berekening GECCO10 (2010) Kopiereg inligting Springer ScienceBusiness Media, LLC 2012 Skrywers en Toetredingen Lus Mendes 1 Pedro Godinho 2 Joana Dias 3 E skrywer 1. Faculdade de Economia Universidade de Coimbra Coimbra Portugal 2 . Faculdade de Economia en GEMF Universidade de Coimbra Coimbra Portugal 3. Faculdade de Economia en Inesc-Coimbra Universidade de Coimbra Coimbra Portugal oor hierdie artikel Druk ISSNSnowCron SnowCron genetiese algoritme in forex stelsels met behulp van genetiese algoritme om winsgewend forex strategie te skep. Genetiese algoritme in Cortex Neurale Netwerke sagteware waards Backpropagation Neurale netwerk Aansoek om genetiese berekeninge gebaseer forex. Hierdie voorbeeld gebruik konsepte en idees van die vorige artikel, so lees asseblief Neurale netwerk genetiese algoritme in forex stelsels eerste, maar dit is nie verpligtend nie. Oor hierdie teks In die eerste plek, lees asseblief die disclaimer. Dit is 'n voorbeeld van die gebruik van Cortex Neurale Netwerke sagteware genetiese algoritme funksionaliteit, nie 'n voorbeeld van hoe om winsgewend handel te doen. Ek is nie jou guru nie, moet ek verantwoordelik wees vir jou verliese. Cortex Neurale Netwerke sagteware het neurale netwerke in dit, en FFBP ons voor bespreek is net een manier om die keuse van 'n forex strategieë. Dit is 'n goeie tegniek, kragtige en wanneer dit behoorlik toegepas word, baie promicing. Maar dit het 'n probleem - om te leer aktief op neurale netwerk. ons nodig het om die verlangde uitset te leer ken. Dit is nogal maklik om te doen wanneer ons dit doen funksie benadering, ons neem net die werklike waarde van 'n funksie, want ons weet wat dit behoort te wees. Wanneer ons dit doen neurale netwerk vooruitskatting. Ons gebruik die tegniek (in vorige artikels beskryf) van die onderrig van die neurale netwerk op die geskiedenis, weer, as ons voorspel, sê, 'n wisselkoers, weet ons (tydens die opleiding) wat die korrekte voorspelling is. Maar wanneer ons bou 'n handel stelsel, ons het geen idee wat die korrekte handel besluit is, selfs al weet ons die wisselkoers As die saak van die feit, ons het baie forex strategieë wat ons kan gebruik op enige punt van die tyd, en ons nodig het om uit te vind 'n goeie een - hoe wat moet ons oppas as die verlangde uitset van ons Neurale Net as jy ons vorige artikel, jy weet, dat ons bedrieg om te gaan met hierdie probleem gevolg. Ons docent die neurale netwerk te wisselkoers (of wisselkoers gebaseer aanwyser) voorspelling te doen, en dan gebruik hierdie voorspelling te handel nie. Dan, buite die neurale netwerk deel van die program, het ons 'n besluit oor watter neurale netwerk is die beste een. Genetiese algoritmes kan gaan met hierdie probleem direk, hulle kan die probleem wat as die beste handel seine op te los. In hierdie artikel gaan ons Cortex Neurale Netwerke Sagteware gebruik om so 'n program te skep. Die gebruik van genetiese algoritme Genetiese algoritmes baie goed ontwikkel, en baie uiteenlopend. As jy wil om te leer alles oor hulle, ek stel voor jy Wikipedia gebruik, soos hierdie artikel is slegs oor wat Cortex Neurale Netwerke sagteware kan doen. Met Cortex Neurale Netwerke sagteware. Ons kan 'n neurale netwerk wat 'n paar insette, sê, waardes van 'n aanwyser neem, en produseer skep 'n uitset, sê, handel seine (koop, verkoop, te hou.) en stop verlies / neem winsvlakke vir posisies te oopgemaak word. Natuurlik, as ons hierdie neurale netwerk se gewigte saad na willekeur, handelsresultate sal verskriklik wees. Maar laat ons sê 'n dosyn van sodanige nns geskep. Dan kan ons toets prestasie van elkeen van hulle, en kies die beste een, die wenner. Dit was die eerste generasie van nns. Om voort te gaan om die tweede generasie, moet ons toelaat dat ons wenner om voort te plant, maar om te vermy om identiese kopieë, kan voeg 'n paar random noice sy descentants gewigte. In die tweede generasie, ons het ons eerste-generasie wenner en sy onvolmaakte (gemuteerde) afskrifte. Kom ons doen die toets weer. Ons sal 'n ander wenner, wat is beter as enige ander Neurale netwerk in die generasie het. En so aan. Ons laat net wenners te teel, en elimineer verloorders, net soos in die werklike lewe evolusie, en ons sal ons bes-handel Neurale netwerk te kry. sonder enige vooraf knowlege oor wat die handel stelsel (genetiese algoritme) moet wees nie. Neurale netwerk genetiese algoritme: Voorbeeld 0 Dit is die eerste genetiese algoritme voorbeeld. en 'n baie eenvoudige een. Ons gaan loop deur dit stap vir stap, om al truuks wat volgende voorbeelde sal gebruik leer. Die kode het inline kommentaar, so kan net fokus op die belangrikste oomblikke. In die eerste plek het ons 'n neurale netwerk geskep. Dit is die gebruik van ewekansige gewigte, en is nog nie docent. Dan, in siklus, ons maak 14 kopieë daarvan, met behulp van MUTATIONNN fumction. Hierdie funksie maak 'n afskrif van 'n bron Neurale netwerk. toevoeging van ewekansige waardes van 0 tot (in ons geval) 0.1 aan al gewigte. Ons hou handvatsels om gevolglike 15 nns in 'n skikking, kan ons dit doen, as handvatsel is net 'n heelgetal. Die rede waarom ons gebruik 15 nns het niks te doen met beurs: Cortex Neurale Netwerke sagteware kan plot tot 15 lyne op 'n grafiek gelyktydig. Ons kan verskillende benaderings tot die toetsing gebruik. In die eerste plek kan ons die leer stel te gebruik, al is dit in 'n keer. In die tweede plek kan ons toets op, sê, 12000 resords (uit 100000), en loop deur die leer stel, van die begin tot die einde. Dit sal learnigs verskillende maak, soos ons sal sien vir neurale netwerk is van wat nuttig is op enige gegewe deel van data, nie net op die hele stel. Die tweede benadering kan ons gee probleme, indien data verander, van die begin tot die einde. Dan sal die netwerk te ontwikkel, die verkryging van vermoë om handel te dryf op die einde van datastel, en die verlies van die vermoë om handel te dryf op die begin. Om die probleem op te los, gaan ons ewekansige 12000 rekords fragmente uit data, en voer dit na die neurale netwerk. is bloot 'n eindelose siklus, soos 100,000 siklusse nooit bereik sal word by ons spoed. Onder 'n kind by te voeg ons vir elke netwerk, met effens verskillende gewigte. Kennis dat 0,1 vir mutasie Tange is nie die enigste keuse, as die saak van die feit, selfs hierdie parameter kan geoptimaliseer word met behulp van genetiese algoritme. Nuutgeskepte nns bygevoeg na 15 bestaande. Op hierdie manier het ons 30 nns in 'n skikking, 15 oud en 15 nuwe. Dan gaan ons na die volgende siklus van die toets te doen, en om verloorders doodmaak, van beide geslagte. Om die toets te doen, pas ons neurale netwerk om ons data, om uitsette te produseer, en dan bel toets funksie, dat hierdie uitsette gebruik om handel te boots. Resultate van die saak word gebruik om deside, wat nns is die beste. Ons gebruik 'n tussenpose van nKom rekords van nbegin om nbegin nKom, waar nbegin is 'n arbitrêre punt binne leer stel. Die kode hieronder is 'n truuk. Die rede waarom ons dit gebruik is om die feit te illustreer, wat genetiese algoritme genetiese algoritme kan skep. maar dit sal nie noodwendig die beste een wees, en ook, voor te stel, dat ons gevolg kan verbeter, as ons 'n paar beperkings impliseer om die leerproses. Dit is moontlik dat ons handel stelsel werk baie goed op die lang ambagte, en baie swak op kort, of andersom. As, sê, 'n lang ambagte is baie goed, kan dit genetiese algoritme wen, selfs met 'n groot verliese op kort ambagte. Om dit te vermy, ons wys meer gewig aan lang ambagte in vreemde en kort ambagte in selfs siklusse. Dit is net 'n voorbeeld, daar is geen waarborg dat dit iets sal verbeter. Meer daaroor hieronder, in gesprek oor regstellings. Tegnies, jy hoef nie om dit te doen, of kan dit anders maak. wins Voeg 'n gesorteerde skikking. Dit gee 'n inplanting posisie, dan gebruik ons ​​hierdie posisie te voeg Neurale netwerk hanteer, leer en toets winste na nie-gesorteer skikkings. Nou het ons data vir die huidige neurale netwerk op dieselfde verskeidenheid indeks as sy wins. Die idee is om verskeidenheid van nns, gesorteer volgens winsgewendheid te kom. Soos skikking is SORTES deur wins, te verwyder 1/2 van netwerke, wat minder winsgewend, ons moet net nns verwyder 0-14 Trading besluite is gebaseer op waarde van neurale netwerk sein, uit hierdie oogpunt die program is identies aan voorbeelde uit vorige artikel. Forex strategie: Bespreek voorbeeld 0 In die eerste plek, kan 'n blik op kaarte. Die eerste grafiek vir wins in die eerste iterasie is glad nie goed nie, want moet verwag word, verloor die neurale netwerk geld (beeld evolution00gen0.png kopieer na die eerste iterasie van gids beelde): Die beeld vir 'n wins op siklus 15 is beter, soms , genetiese algoritme kan leer baie vinnig: Maar let op die volop op 'n wins kurwe. Dit is interessant ook te kyk na die manier waarop individuele winste verandering, in gedagte hou dat kurwe getal, sê, 3 is nie altyd vir dieselfde neurale netwerk. soos hulle word gebore en beëindig die hele tyd: Let ook op dat uit klein forex outomatiese handel stelsel verrig armes op kort ambagte, en baie beter op verlang, wat mag of nie mag wees met betrekking tot die feit dat die dollar was val in vergelyking met euro gedurende daardie tydperk. Dit kan ook iets te doen met parameters van ons aanwyser het (miskien moet ons ander tydperk vir kortbroek) of die keuse van aanwysers. Hier is die geskiedenis na 92 ​​en 248 siklusse: Tot ons verbasing, genetiese algoritme misluk heeltemal. Kom ons probeer om uit te vind waarom, en hoe om die situasie te help. In die eerste plek, isnt elke generasie veronderstel om beter as die Vorige een Die antwoord is nee wees, ten minste nie in die model wat ons gebruik. As ons het HELE leer stel in 'n keer, en gebruik dit herhaaldelik aan ons nns leer, dan ja, hulle sal verbeter elke generasie. Maar in plaas daarvan, het ons ewekansige fragmente (12000 rekords in die tyd), en gebruik hulle. Twee vrae: waarom die stelsel versuim het om op ewekansige fragmente van leer stel, en waarom havent ons hele leer gevlegte gebruik. Om die tweede vraag te beantwoord, het ek. Nns uitgevoer grootliks - op leer stel. En hulle versuim het om op die toets stel, vir dieselfde rede is dit ongehoorsaam wanneer ons gebruik FFPB leer. Om dit anders te stel, het ons nns overspecialized, het hulle geleer hoe om te oorleef in die omgewing waarin hulle gebruik word om 'n nie-daarbuite. Dit gebeur baie in die natuur. Die benadering wat ons het in plaas was bedoel om te vergoed vir wat, deur te dwing nns goeie op enige arbitrêre fragment van die datastel te voer, sodat hopelik, kan hulle ook uit te voer op 'n onbekende toets stel. In plaas daarvan, het hulle versuim het albei op die toets en op die leer stel. Stel jou diere, wat in 'n woestyn. Daar is baie van die son, geen sneeu nie. Dit is 'n metafoor vir rizing mark, soos vir ons nns data speel die rol van die omgewing. Diere geleer in 'n woestyn woon. Stel jou diere, wat in 'n koue klimaat leef. Sneeu en geen son nie. Wel, aangepas hulle. Maar in ons eksperiment, ons lukraak geplaas ons nns in 'n woestyn, in die sneeu, in die water, op die bome. deur dit met verskillende fragmente van data (lukraak styg, val plat.). Diere gesterf. Of, om dit anders te stel, ons gekies om die beste Neurale netwerk vir ewekansige datastel 1, wat, sê, was vir stygende mark. Dan aangebied ons, aan die wenners en hul kinders, 'n dalende markte data. Nns swak presteer, ons het die beste van swak presteerders, miskien, een van die mutant kinders, wat die vermoë om handel te dryf op stygende mark verloor, maar het 'n paar vermoë om te gaan met die val een. Daarna het ons die tafel weer, en weer, ons het die beste presteerder - maar die beste onder swak presteerders. Ons het eenvoudig didnt gee ons nns enige kanse om universele geword. Daar is tegnieke toe te laat genetiese algoritme om nuwe inligting te leer sonder om te verloor prestasie op ou inligting (na alles, diere kan lewe in die somer en in die winter, reg So evolusie in staat is om te herhaal veranderinge te hanteer). Ons kan hierdie tegnieke later bespreek, hoewel hierdie artikel is meer oor die gebruik van Cortex Neurale Netwerke sagteware. as oor die bou van 'n suksesvolle forex outomatiese handel stelsel. Neurale netwerk genetiese algoritme: Voorbeeld 1 Nou is dit tyd om te praat oor regstellings. 'N Eenvoudige genetiese algoritme ons geskep is tydens die vorige stap het twee groot foute. In die eerste plek is dit nie te handel met wins. Dit is ok, kan ons probeer om gedeeltelik opgeleide stelsel (dit was waardeloos aan die begin) gebruik. Die tweede fout is ernstiger: Ons het geen beheer oor dinge, dat hierdie stelsel nie. Byvoorbeeld, kan dit leer winsgewend, maar met 'n groot onttrekkings te wees. Dit is 'n bekende feit dat in die werklike lewe, evolusie kan meer as een parameter gelyktydig te optimaliseer. Byvoorbeeld, kan ons 'n dier, wat vinnig kan hardloop en word weerstand teen koue kry. Hoekom nie probeer om dieselfde te doen in ons forex outomatiese handel stelsel. Dis wanneer ons regstellings, wat niks anders as die stel van addisionele straf is. Sê, ons stelsel ambagte met drawdown 0.5, terwyl ons dit wil bevestig 0-0,3 interval. Om die stelsel wat dit 'n fout gemaak vertel, verminder ons die wins (een wat gebruik word om vas te stel, wat genetiese algoritme gewen) die graad, wat is eweredig aan die grootte van DD. Dan, die evolusie algoritme sorg vir die res. Daar is 'n paar meer faktore, wat ons wil in ag neem: kan ons wil min of meer ewe veel koop en verkoop transaksies, ons wil meer van winsgewende bedrywighede het, dan van mislukkings, ons wil die wins grafiek om wees lineêre en so aan. In evolution01.tsc voer ons 'n eenvoudige stel verbeteringe. In die eerste plek, gebruik ons ​​'n paar groot aantal vir 'n aanvanklike regstelling waarde. Ons vermenigvuldig dit met 'n klein (gewoonlik tussen 0 en 1) waardes, afhangende van die straf wat ons wil aansoek doen. Dan vermenigvuldig ons wins op hierdie regstelling. As gevolg, is wins reggemaak, om te besin hoeveel die genetiese algoritme ooreenstem met ons ander kriteria. Dan gebruik ons ​​die resultaat van 'n wenner Neurale netwerk te vind. Forex strategie: Bespreek voorbeeld 1 Voorbeeld 1 werk baie beter, as voorbeeld 0. In die eerste 100 siklusse, dit baie geleer, en wins kaarte kyk gerus te stel. Maar, soos in voorbeeld 0, lang ambagte is baie meer winsgewend, wat waarskynlik beteken dat daar 'n probleem in ons benadering. Tog het die stelsel het 'n balans te vind tussen paar teenstrydige aanvanklike voorwaardes: Daar is 'n paar positiewe dinamika beide in leer stel en, meer belangrik, in die toets stel. Soos vir verdere leer, by siklus 278 ons kan sien dat ons stelsel het overtrained. Dit beteken, het ons nog vordering op leer stel: Maar die toets stel toon swakheid: Dit is 'n algemene probleem met nns: wanneer ons dit leer oor leer stel, dit leer om dit te hanteer, en soms is dit leer te goed - om die graad, wanneer dit verloor prestasie op die toets stel. Om te gaan met die probleem, is 'n tradisionele oplossing gebruik: ons hou op soek na die neurale netwerk. wat die beste presteer op die toets stel, en stoor dit, te vervang vorige beste een, is elke keer nuwe hoogtepunt bereik. Dit is dieselfde benadering, wat ons gebruik in FFBP opleiding, behalwe hierdie keer moet ons dit self doen (die toevoeging kode, wat lyk vir 'n beste neurale netwerk op 'n toets stel, en 'n beroep SAVENN, of die uitvoer van gewigte van neurale netwerk om 'n lêer). Op hierdie manier, wanneer jy jou opleiding te stop, sal jy die beste presteerder op die toets SET gered en wag vir jou. Let ook dat dit nie die maksimum. wins wat jy na, maar optimale prestasie, so oorweeg om regstellings, wanneer jy soek na 'n beste presteerder op 'n toets stel. Genetiese algoritme vir FOREX Tegniese Analise: Waar nou Nadat jy jou wenner neurale netwerk het. jy kan volg die stappe in die vorige artikel beskryf, te gewigte van daardie Neurale netwerk uit te voer. en dan om dit te gebruik in jou real time handel platform, soos Meta Trader, Handel Station en so aan. Alternatiewelik kan jy fokus op ander maniere die optimalisering van die neurale netwerk. In teenstelling met met FFBP algoritme, hier kan jy avay kry van die gebruik van leer en toets stelle, en beweeg opeenvolgende leer. Aflaai Cortex Bestel Cortex View Pryslys Sigbaarheid is baie belangrik vir hierdie webwerf. As jy dit wil hê kan u skakel na hierdie URLUsing Genetiese algoritmes Voorspelling Finansiële Markte laai die speler. Burton voorgestel in sy boek, A Random Walk Down Wall Street, (1973) dat 'n geblinddoek aap gooi veerpyltjies op 'n koerante finansiële bladsye kan 'n portefeulje wat net so goed soos sou doen een noukeurig gekies deur kundiges kies. Terwyl evolusie mense nie meer intelligente kan gemaak by pluk voorrade, Charles Darwin teorie het baie effektief wanneer meer direk toegepas. (Om jou te help kies lêers, kyk hoe 'n voorraad te tel.) Wat is genetiese algoritmes Genetiese algoritmes (gas) is probleemoplossingsmetodes (of heuristiek) dat die proses van natuurlike evolusie naboots. In teenstelling met kunsmatige neurale netwerke (Anns), wat ontwerp is om te funksioneer soos neurone in die brein, hierdie algoritmes gebruik die konsepte van natuurlike seleksie om die beste oplossing vir 'n probleem te bepaal. As gevolg hiervan, is die gas wat algemeen gebruik word as Optimizers dat parameters aan te pas by 'n paar terugvoer maatreël, wat dan onafhanklik of in die konstruksie van 'n ANN gebruik kan word te minimaliseer of te maksimeer. In die finansiële markte. genetiese algoritmes word gewoonlik gebruik om die beste kombinasie waardes van parameters in 'n handel reël, en hulle kan gebou word in ANN modelle ontwerp om aandele te kies en te identifiseer ambagte. Verskeie studies het getoon dat hierdie metodes doeltreffend kan bewys, insluitend genetiese Algoritmes: Genesis van Stock Evaluering (2004) deur Rama, en die toepassing van genetiese algoritmes in die aandelemark Data-ontginning Optimization (2004) deur Lin, Cao, Wang, Zhang. (Vir meer inligting oor ANN, sien Neurale Netwerke:. Vooruitskatting Winste) hoe genetiese algoritmes werk, Genetiese algoritmes wiskundig is geskep met behulp van vektore, wat hoeveelhede daardie rigting en omvang het is. Parameters vir elke handel reël verteenwoordig met 'n een-dimensionele vektor wat as 'n chromosoom in genetiese terme kan beskou. Intussen kan die gebruik in elke parameter waardes van word gedink as gene, wat dan verander met behulp van natuurlike seleksie. Byvoorbeeld, kan 'n handel reël die gebruik van parameters soos bewegende gemiddelde Konvergensie-divergensie (MACD) betrek. Eksponensiële bewegende gemiddelde (EMA) en Stochastics. 'N genetiese algoritme dan insetwaardes in hierdie parameters met die doel van die maksimalisering van netto wins. Met verloop van tyd, is klein veranderinge en diegene wat 'n desirably impak maak behou vir die volgende generasie. Daar is drie tipes van genetiese bedrywighede wat dan uitgevoer kan word: CROSSOVER verteenwoordig die voortplanting en biologiese crossover gesien in biologie, waardeur 'n kind neem op sekere eienskappe van sy ouers. Mutasies verteenwoordig biologiese mutasie en word gebruik om genetiese diversiteit van een generasie van 'n bevolking na die volgende in stand te hou deur die instelling van ewekansige klein veranderinge. Keuses is die stadium waarop individuele genome is gekies uit 'n bevolking vir latere teling (rekombinasie of crossover). Hierdie drie operateurs word dan gebruik in 'n vyf-stap proses: inisialiseer 'n ewekansige bevolking, waar elke chromosoom N is - Lengte, met N synde die aantal parameters. Dit is, 'n ewekansige getal parameters gevestig met n elemente elk. Kies die chromosome, of parameters, wat wenslik resultate (vermoedelik netto wins) te verhoog. Pas mutasie of crossover operateurs om die geselekteerde ouers en genereer 'n nageslag. Herkombineer die spruite en die huidige bevolking om 'n nuwe bevolking met die keuse operateur vorm. Herhaal stappe 2-4. Met verloop van tyd, sal hierdie proses lei tot toenemende gunstige chromosome (of, parameters) vir gebruik in 'n handels reël. Die proses word dan beëindig toe 'n stop kriteria voldoen word, wat die bestuur van tyd, fiksheid, aantal generasies of ander kriteria kan insluit. (Vir meer inligting oor die MACD, lees Trading Die MACD divergensie.) Met behulp van genetiese Algoritmes in Trading Terwyl genetiese algoritmes hoofsaaklik gebruik word deur institusionele kwantitatiewe handelaars. sonder 'n graad in gevorderde wiskunde - - individuele handelaars kan die krag van genetiese algoritmes te span met behulp van verskeie sagtewarepakkette op die mark. Hierdie oplossings wissel van selfstandige sagteware pakkette wat gerig is op die finansiële markte te Microsoft Excel add-ons wat meer hands-on analise kan fasiliteer. By die gebruik van hierdie aansoek, kan handelaars 'n stel van parameters wat dan new behulp van 'n genetiese algoritme en 'n stel van historiese data te definieer. Sommige programme kan optimaliseer wat parameters gebruik en die waardes vir hulle, terwyl ander in die eerste plek gerig is op net die optimalisering van die waardes vir 'n gegewe stel parameters. (Vir meer inligting oor hierdie program afgelei strategieë te leer, sien die krag van Kursus ambagte.) Belangrike Optimization Wenke en truuks Krommepassing (oor gepaste), die ontwerp van 'n handel stelsel om historiese data, eerder as die identifisering van herhaalbare gedrag, verteenwoordig 'n potensiële risiko vir handelaars met behulp van genetiese algoritmes. Enige handel stelsel met behulp van gas moet vorentoe-getoets op papier voor lewendige gebruik. Die keuse van parameters is 'n belangrike deel van die proses, en handelaars moet soek parameters wat ooreenstem met die veranderinge in die prys van 'n gegewe sekuriteit. Byvoorbeeld, probeer om uit verskillende aanwysers en kyk of enige lyk korreleer met groot mark draai. Die bottom line Genetiese algoritmes is uniek maniere om komplekse probleme op te los deur die benutting van die krag van die natuur. Deur die toepassing van hierdie metodes te voorspel sekuriteite pryse, kan handelaars handel reëls te optimaliseer deur die identifisering van die beste waardes te gebruik vir elke parameter vir 'n gegewe sekuriteit. Maar hierdie algoritmes is nie die Heilige Graal, en handelaars moet versigtig wees om die regte parameters en nie boogpas (oor fiks) kies. (Vir meer inligting oor die mark, check Luister na die mark, nie die Pundits.) 'N krag-bevooroordeeld voorspelling model vir vooruitskatting wisselkoerse met behulp van ondersteuning vektor masjiene en genetiese algoritmes Anasataskis L, Mort N (2009) Wisselkoers vooruitskatting met behulp van 'n gekombineer parametriese en nie-parametriese self-organiserende modelle benadering. Deskundige SYST Appl 1: 1200112011 CrossRef Bahrepour M, Akbarzadeh M, Yaghoobi M, Naghibi S (2011) 'n aangepaste beveel vae tydreekse met aansoek om FOREX. Deskundige SYST Appl 1: 475485 CrossRef Box GEP, Jenkins GM (1976) Tydreeksanalise: voorspelling en beheer. Holden-Dag, San Francisco MATH Brown DP, Robert HJ (1989) Op tegniese ontleding. Ds financ stoet 2: 527551 CrossRef Chen MY, Chen K, Chiang H, Huang H, Huang M (2007) vergelyk uitgebreide klassifiseerder stelsel en genetiese programmering vir finansiële vooruitskatting: 'n empiriese studie. Sagte Computerized 1: 11731183 CrossRef MATH Cheung J, Chinn MD, Pascual AG (2005) Empiriese wisselkoers modelle van die negentigerjare: is hulle pas om te oorleef J Int Geld Finansies 24: 11501175 CrossRef Cortes C, Vapnik V (1995) Support-vektor netwerke. Mach Leer 01:20 MATH Davis L (1991) Handboek van genetiese algoritmes. Van die Kollege Reinhold, New York Gupta AR, Ingle VR, Gaikwad MA (2012) LS-SVM parameter optimalisering met behulp van genetiese algoritme om skuld klassifikasie van krag transformator te verbeter. Int J Afr Res Appl 1: 18061809 Ijegwa D, Rebecca O, Olusegun F, Isak O (2014) 'n voorspelbare aandelemark tegniese ontleding met behulp van wasige logika. Computerized Inf Sci 7 (3): 117 Jung HG, Yoon JP, Kim J (2007) Genetiese algoritme gebaseer optimalisering van SVM gebaseer voetganger klassifiseerder. ITC-CSCC 1: 833834 Kampouridis M, Otero Februarie (2015) Heuristic prosedures vir die verbetering van die voorspelbaarheid van 'n genetiese programmering finansiële vooruitskatting algoritme. Sagte Computerized 1: 116 Kamruzzaman J, Sarker R (2003) Vooruitskatting van wisselkoerse met behulp ANN: 'n gevallestudie. IEEE Int Conf Neurale Netw Signal Proses 1: 793797 Khemchandani R, Jayadeva Chandra S (2009) geregulariseerde kleinstekwadrate fuzzy ondersteuning vektor regressie vir finansiële tydreekse vooruitskatting. Deskundige SYST Appl 1: 132138 CrossRef Korol T (2014) 'n wasige logika model vir vooruitskatting wisselkoerse. Ken grond SYST 1: 4960 CrossRef Leitch G, Tanner JE (1991) Ekonomiese vooruitskatting evaluering: wins teenoor die konvensionele fout maatreëls. Am Econ Ds 1: 580590 Lu C, Lee T, Chiu C (2009) Finansiële tydreeks vooruitskatting met behulp van onafhanklike komponent ontleding en ondersteuning vektor regressie. DECIS Support SYST 1: 115125 CrossRef Meffert K (2014) JGAPJava Genetiese algoritmes en Genetiese Programmering pakket. jgap. sf Moosa ek, Burns K (2014) Die onverbeterlike ewekansige loop in wisselkoers voorspelling werklikheid of mite J Macroecon 1: 6981 CrossRef Nesreen A, Atiya A, Gayar N, Shishiny H (2010) 'n empiriese vergelyking van masjienleer modelle vir tydreeks vooruitskatting. Econ Ds 1: 594621 MathSciNet Pang S, Song L, Kasabov N (2011)-Korrelasie aangehelp ondersteuning vektor regressie vir forex tydreekse voorspelling. Neurale Computerized Appl 1: 11931203 CrossRef Patel J, Shah S, Thakkar P, Kotecha K (2015) Die voorspelling van voorraad en voorraad prysindeks beweging met behulp tendens deterministiese data voorbereiding en masjien leer tegnieke. Deskundige SYST Appl 1: 259268 CrossRef Shahjalal M, Sultana A, Mitra KN, Khan K (2012) Implementering van fuzzy reëlgebaseerde tegniese aanwyser in markaandeel. Int J Appl Econ Finansies 6: 5363 CrossRef Shen F, Chao J, Zhao J (2015) vooruitskatting wisselkoers met behulp van diep geloof netwerke en toegevoegde gradiënt metode. Neurocomputing 1: 243253 CrossRef Merk-tot-Tick Real-Time en Historiese markkoerse (2016) www. truefx /. Verkry op 14 Januarie 2016 Villa S, Stella F (2012) 'n deurlopende tyd Bayes netwerk klassifiseerder vir intraday FX voorspelling. Kwantitatiewe Finansies, pp 1-20 Wang S, Yu L, Lai K, Huang W (2007) Die ontwikkeling en assessering van 'n intelligente forex rollende vooruitskatting en handel besluit ondersteuning stelsel vir aanlyn e-diens. Int J intell SYST 1: 475499 Yao J, Tan C (2000) 'n gevallestudie oor die gebruik van neurale netwerke tegniese voorspelling van die forex uit te voer. Neurocomputing 1: 7998 Zhang P (2003) Tyd reeks vooruitskatting met behulp van 'n hibriede ARIMA en neurale netwerk model. Neurocomputing 1: 159175 CrossRef MATH Zhiqiang G, Huaiqing W, Quan L (2013) Finansiële tydreeks vooruitskatting gebruik van LPP en SVM new deur PSO. Sagte Computerized 1: 805818 CrossRef Kopiereg inligting Springer-Verlag Berlyn Heidelberg 2016 Skrywers en Toetredingen Mustafa Onur zorhan 1 E skrywer Smail Hakk Toroslu 1 Onur Tolga ehitolu 1 1. Rekenaaringenieurswese Departement Midde-Ooste Tegniese Universiteit Ankara Turkye oor hierdie articleStatistically toets elke aanwyser met my genetiese algoritme geword Oktober 2013 Status: Forex Shaman 1468 Posts Yup soos die titel aandui, im gaan elke groot aanwyser in die MT4 platform toets, ook jy kan gebruik mense diegene wat koop / verkoop seine gee voorlê (verkieslik en kan meganiese wees, nie dinge soos spil punte of so). Ive bou in die laaste 4 maande 'n komplekse Artificiële Intelligentie wat kan handel oor aanwysers winsgewend, ook dit kan kyk en vergelyk die elke aanwysers validity. Now Ek is nie van plan om my AI in die openbaar te stel, of enige inligting hoe dit gemaak het nie, maar ek sal dit gebruik om jou te help mense wat met behulp van aanwysers vir trading. Certain mites oor aanwysers moet verdwyn, sommige van julle sê aanwyser is BS en cant maak konstante wins daarmee, sommige van julle sê dat hulle die Heilige Graal, en kan maak groot wins. Ek sê, jy kan geld maak deur hulle meganies handel, maar jy kan dit nie staties gebruik, wat beteken dat jy dieselfde parameters kan nie gebruik soos in die MACD 12,26,9 wat usen in 1970 was, die mark verander baie sedertdien. My genetiese algoritme, segmente prys in trosse lukraak, en bere die beste parameters om die cluster, dan na nuwe clusters / data kom, dit leer uit dié ook, en probeer om aan te pas by die beste moontlike parameters, om die mees gepaste omgewing. Dit is redelik inteligent by om dit te doen. So sal Ek dié aanwysers vergelyk, deur hul formule nie deur hul parameters, so moenie my vra parameters / instellings van die aanwysers wat die beste is, want daar is nie so iets, in verskillende toestande, verskillende parameters is goed, maar ek sal jou vertel jy ten minste die minimum parameters wat gebruik moet word om ten minste gelyk te breek nie, maar jy moet nog steeds die aanwyser na elke bedryf of groep van ambagte te optimaliseer. Dit is nie soos jy kan MACD 12,26,9 gebruik in 2002 trending mark met dieselfde sukses as in 2010 wat wissel market. Thats nonsens. Maar wat im gaan om te wys dat hoewel parameters kan wissel, sekere aanwysers sal steeds algeheel beter wees as ander. Omdat hul formule, raai die prys vloei meer akkuraat, met 'n parameter, beter as ander aanwysers. So ek kan 'n top 10 lys te maak nadat ons klaar is, maar eers laat hulle net te toets. Ook nie dat Onttrekking en dinge soos dit is nie gemeet, sodat dit kan wees dat sekere aanwysers is meer gevaarlik as ander, maar sy gewoonlik nie hoër as 25, al is dit dan dat aanwyser het 'n baie Hart tyd voorspel die prys en sal waarskynlik in elk geval nie winsgewend te maak. Eenvoudige, 2 getalle is hier die sleutel, ek sal elke aanwyser meet, hoeveel pitte / pipette kan dit acumulate in die laaste 12 jaar van die tyd, met die opening van 'n handelsmerk op elke sein en die sluiting van dit op die teenoorgestelde. Geen TP en SL gebruik sal word, sodat Onttrekking nie Tweede gemeet. Ek sal die akkuraatheid koers te meet, hoe akkuraat voorspel prys vloei. Ek sal die euro / dollar net gebruik, en M30 timeframe. I het 12 jaar van 'n baie akkurate historiese data oor M30. Ook het ek gekies M30 want ek uitgevind het dat jy geld kan nie maak in die lang termyn op TFS onder 30 met hierdie aanwysers, of ten minste jy sal baie limited. None van die MT4 aanwysers wees kan doeltreffend uit te filtreer geraas onder M30. Nou dit kan wees dat sekere aanwysers beter op USD / JPY of AUD / USD, veral die tendens spotters sal optree. Maar ek dink die euro / dollar is nog steeds 'n goeie maatstaf, en omdat baie mense handel nie, sal ek dit toets net here. Also As ek om dit te toets in elke paar wat vir ewig sou neem, en ook wat dit neem veel rekenkracht om doen dit, so euro / dollar net 1 ander nommer die no ambagte, die steekproefgrootte sal wees. Hoekom ek dit doen. Eenvoudige, sy vrye, en ek wil om jou te help ouens wat nog beginners en twyfel oor indicators. Also i dont buit niks, ek het 'n beter manier aanwysers as die klassieke kinders, maar diegene wat net klassieke MT4 aanwysers, dit is 'n groot prestasie analise van hulle quotTheres n sucker gebore elke minutequot - PT Barnum geword Oktober 2013 Status: Forex Shaman 1468 Posts 3) RSI relatiewe sterkte-indeks (Bo 30 Koop / onder 70 verkoop) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor): 35332 Totaal ambagte: 2 ( yep net 2 vier jaar lank ambagte, 1 gewen 1 verloor) Akkuraatheid koers: 50 Minimum parameters / prys cluster: Nie regtig 'n goeie in hierdie TF (14 instelling is 'n mite), hoër tydsraamwerke aangeraai, tensy jy 'n handel vir 4 hou jaar oop. Winsgewende: Ja Kommentaar: Hoewel dit het meer wins as die MACD, dit het net 2 ambagte, ek het dit getoets op hoër tydperk waar dit redelik goeie resultate gegee, ook in ander pare dit was ok, maar omdat ons toets dit op euro / dollar M30, sal ek dit weggooi van die top 10 as gevolg van die gebrek aan inligting oor M30 tydraamwerk quotTheres n sucker gebore elke minutequot - PT Barnum geword Oktober 2013 Status: Forex Shaman 1468 Posts 4) Bullpower (koop bogenoemde 0 / verkoop onder 0) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor): 21337 Totaal ambagte: 3056 Akkuraatheid koers: 23.52 minimum parameters / prys cluster: High tydperk is nodig, maar dit kan wins maak op M30 winsgewende: Ja Kommentaar: High tydperke nodig soos op die RSI, maar dit het baie meer ambagte as die RSI, hoewel die akkuraatheid koers is laag, ek dink dit meer betroubaar as die RSI op EURUSD M30 5) Bearpower (koop bogenoemde 0 / verkoop onder 0) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor): 29986 Totaal ambagte: 2796 Akkuraatheid koers: 22,46 Minimum parameters / prys cluster: High tydperk is nodig, maar dit kan wins maak op M30 winsgewende: Ja Kommentaar: minder akkuraat dan Bullpower, maar dit het meer wins te maak, met n bietjie langer, maar minder slegte ambagte quotTheres n sucker gebore elke minutequot - PT Barnum uitstekende idee Ek was altyd nuuskierig van oorwinning pryse van dié in gebou aanwysers Ook as jy kan, kan jy dit toets op Daily TF en wanneer die toets toets bewegende gemiddeldes met periodes van 5, 10, 20. 50. 100 en 200. eksponensiële sou wees ok. Vir bewegende gemiddelde CROSSOVER toets groepe (5, 10) (10, 20) en (50, 200) Ek is 'n stille fan van eksponensiële Bewegende Gemiddeldes maar gebruik hulle 'n bietjie Ek sal die bewegende gemiddeldes te verlaat vir die laaste, want daar sal baie kombinasies there. First Ek toets die quotOscillatorsquot groep. Ek kies die M30, want dit is die kleinste beste TF. No twyfel die Daily en hoër tydsraamwerke sal elke aanwyser winsgewend te maak, maar die probleem is die wins sal stadig wees. Wil jy 'n handel oop vir 4 maande of so te hou. Ek dont dink so, want dit is beter om 100 klein ambagte in 4 maande dan 1 groot handel het, omdat jy die wins kan vererger en meer. As elke handel in gemiddelde 10-15 pitte sou gee en het 1000 ambagte in 'n jaar sal maak ten minste 1000x meer wins te maak, as 15000 pitte in 1 handel wat die hele jaar duur. Hoekom. Omdat jy die baie grootte in die tussentyd verhoog as jou aandele grows. While as jy net 1 handel, sou die swaps waarskynlik eet al wins, en jy het om die hele jaar is bekommerd oor wat handel. Slegte idee. quotTheres n sucker gebore elke minutequot - P. T. Barnum seker ek sal dit opneem en sit skakels na elke post waar ek uiteengesit hulle 6) DeMarker (Bo 0.3 Koop / Onder 0,7 verkoop) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor): 48139 Totaal ambagte : 93 Akkuraatheid koers: 49,462 Minimum parameters / prys cluster: Bo 100 ten minste Winsgewende: Ja Kommentaar: tot dusver het die beste aanwyser, klop die MACD te 7) Bollinger Bands, Force indeks, ATR, Momentum, en Koeverte sal oorgeslaan. Die BB en Koeverte sal oorgeslaan omdat die prys is nie normaal verdeel, sodat na die standaardafwyking van hulle is nutteloos, en waarskynlik gewoond akkuraat wees. Die ander is nie aanwysers sein, hulle ander dinge te meet. quotTheres n sucker gebore elke minutequot - P. T. Barnum geword Oktober 2013 Status: Forex Shaman 1468 Posts 8) Ichimoku (Kijun amp Tenkan Kruis) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor): 18404 Totaal ambagte: 1093 Akkuraatheid koers: 37,45 Minimum parameters / prys cluster: gemiddeld ongeveer gebreke, lyk die ichimokus standaard is redelik goed winsgewende: Ja Kommentaar: Dit lyk asof die standaard instellings aanvaarbaar kan wees, hoewel die wins is nie veel nie, maar ten minste die presiese. 9) Ichimoku (Kumo strategie Wolk) oorgeslaan omdat dit nodig 3 parameters. Ook sal ons die Osma te slaan, sy soortgelyk aan MACD, maar dit het ook 3 parameters so, dis te veel om te bereken met. Daarbenewens: Honestly im baie teleurstellend oor sy prestasie Ek het gedink die Ichimoku sou manier beter te presteer, ek bedoel al die 300 jaar van die Japannese rys handelaar tradisie en wysheid is ter waarde van bykans niks deesdae is hartseer. Miskien is dit werk beter rys termynkontrak, maar ongelukkig die Ichimoku is waarskynlik 'n overhyped mite in forex. quotTheres n sucker gebore elke minutequot - P. T. Barnum EDIT: Net 'n gedagte, kon jy ook gemiddelde maandelikse winste sowel as hoogste maandelikse en laagste. Jammer die AI nie die geval werk soos wat dit segmente die hele historiese data in arbitrêre pakkies, of trosse, en bere die beste parameters, dan kies die beste en beweeg op, en dit raak beter en beter met meer inligting, soos 'n kind kry slimmer deur meer te leer, sy 'n kunsmatige intelligensie met behulp van 'n heuristiese algoritme om te leer. Ek het geen manier om te weet die intra-week of intra-maand wins, ek weet die algehele statistieke aan die einde Dit is waarom dit beter is om soveel ambagte as moontlik moet 'n hele maand lank in minus nie, sou dit baie sleg SCK . Dit is hoekom ek kan nie sê dat 189 is die beste instelling van die RSI, want dit isnt, in verskillende tye verskillende instellings is goed, maar ek kan die minimum opset meet, sodat sy logies dat as ek sê niks minder as 100 is sleg, is omdat die algoritme nooit enige waarde opgetel onder 100 so moet hulle almal parameters verloor, maar dit nie die geval is steeds beteken dat elke parameter bo 100 is goed. jy hoef te optimaliseer, maar jy ten minste 'n maatstaf quotTheres n sucker gebore elke minutequot - P. T. Barnum geword Oktober 2013 Status: Forex Shaman 1468 Posts 10) RVI Relatiewe Vigor-indeks (Bo 30 Koop / onder 70 verkoop) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor): 42040 Totaal ambagte: 1529 Akkuraatheid koers: 34,401 Minimum parameters / prys cluster: Bo 150 tot winsgewend: Ja Kommentaar: 'n bietjie sleg filter, wat dit nodig het 'n hoë instellings, maar die tweede beste aanwyser steeds ná DeMarker 11) WPR Williams persentasie Range (Bo -80 koop / hieronder - 20 verkoop) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor): -33.321 Totaal ambagte: 3351 Akkuraatheid koers: 57,20 Minimum parameters / prys cluster: geen, ten minste nie vir hierdie TF Winsgewende: Nee Kommentaar: die eerste crappy aanwyser tot dusver, is dit óf ontwerp vir hoër tydsraamwerke of dit nie die geval is werk by all. A bietjie vreemd, aangesien die akkuraatheid is baie hoog, maar dit kan nie wins maak, terwyl alle ander aanwysers dusver, maak nie saak hoe sleg, maar het wins, hierdie een didnt. Dit word bevestig, op AUDUSD dit gemaak -69.862, sy regtig nie werk nie, sorry. Chaos teorie strategie kan uitgediende so goed wees. quotTheres n sucker gebore elke minutequot - P. T. Barnum geword Oktober 2013 Status: Forex Shaman 1468 Posts 11) MFI geldvloei indeks, moenie verwar dit met die mark fasilitering indeks (bo 20 Koop / hieronder 80 sell) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor ): 47802 Totaal ambagte: 46 Akkuraatheid koers: 42.3 Minimum parameters / prys cluster: maak die standaard Winsgewende: Ja Kommentaar: met die eerste oogopslag dit lyk asof dit gemaak om 2de plek na die Demarker, maar eintlik is dit didnt, die monster van handel is te klein en waarskynlik onbetroubaar te lank ambagte met groot DD. So 2de plek is nog steeds gereserveer vir RVI 12) Accelerator ossillator (Koop / Verkoop bo / onder 0) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 Net pipette acumulated (wen-verloor ): -352618 Totaal ambagte: 16.134 Akkuraatheid koers: 38,94 Minimum parameters / prys cluster: dit het geen parameters Winsgewende: nee Kommentaar: Volledige ramp en vermorsing van tyd, want dit het geen parameters, cant jy dit aan te pas by die mark prys en die aanvanklike formule self doenst volg net die prys, sy baie nuttelose aanwyser 13) (NIE) Awesome ossillator (Koop / Verkoop bo / onder 0) Pair: EURUSD Tydraamwerk: M30 Jare getoets: 12 net pipette acumulated (wen-verloor): -102321 Totaal ambagte: 6075 Akkuraatheid koers: 33.33 (3) Minimum parameters / prys cluster: Dit het geen parameters Winsgewende: nee Kommentaar: Totaal teenoor sy naam, sy nie ontsagwekkende glad, sy 'n bullsht quotTheres plaas 'n sucker gebore elke minutequot - PT Barnum Kom herhaling 'n bietjie. Ons het klaar alle groepe van ossillators en volume aanwysers, net die quottrendingquot groep verlaat, en natuurlik die persoonlike aanwysers. Ons mis 'n paar aanwysers hier en daar, byvoorbeeld die Gator wat 6 parameters gehad OMG, selfs met 3 parameters die totale permutasies sou wees soos 5003, want my maksimum parameter cap is 500. Dit is redelik, want as 'n aanwyser het meer as 500 dan dit was waarskynlik nie ontwerp vir M30 tydperk, so hoekom pla verder te bereken. So met 3 parameters my 8 core verwerker PC moet 125000000 kombinasies van 12 jaar van M30 data te bereken, soos 200,000 kandelaars die individuele verwerker werk wat 'n aanduiding vereis vir elke berekening die SVE dat die AI moet leer en kombineer die trosse. Nou met 2 parameters gewoonlik 'n berekening neem 5-15 minute, maar met 3 parameters wat dit neem 8 uur ten minste. Die SVE vereiste groei vinniger as eksponensiële as jy meer parameters by te voeg. Ek wens ek het 'n rekenaar soos hierdie vir hierdie take. En die Fractals aanwyser net laggs soos die hel, ek het 'n paar persoonlike kinders, maar net nie geskik vir AI handel, maar ek het nooit verstaan ​​hoekom hulle gebruik as hulle LAGG 2-3 bars.