الشبكة العصبية الفوركس إي

الشبكات العصبية فكس إي.

النمو: 372.5٪ شهريا: 24٪

الحساب الحقيقي: الشبكات العصبية فكس إي.

تاريخ البدء: 17 مايو 2017.

ميتاتريدر الخبراء المستشارين على أساس الفوركس العصبية.

الشبكات العصبية فكس إي هو خبير خبير في الشبكة العصبية للتخصيص والمربح متاح تجاريا لمجتمع تجارة التجزئة.

يمكنك استخدام شبكة الفوركس العصبية بشكل فعال من أجل:

تقييم احتمال استمرار الاتجاه تصنيف مراحل السوق التنبؤ المؤقت بالتشكيل الأقصى والحد الأدنى للأطر الزمنية المختلفة التنبؤ باحتمال تقلب الحركات بعد الاتجاهات وتصحيح التصحيحات التالية تتبع الترابط بين الأسواق.

سوبورت & نداش؛ قبل وبعد البيع:

سيكون لدينا فريق الدعم الفني العمل معكم لتحقيق أعلى مستوى من الأداء من منتجاتنا التي تقرر شراء.

لا تتردد في الاتصال بنا في أي وقت مع أسئلتك، ونحن هنا لتقديم المشورة الخبراء. أيضا، لا تتردد في الاتصال بنا عن تجربتك باستخدام منتجاتنا.

استخدام الشبكات العصبية في ميتاتريدر.

المقدمة.

كثير منكم ربما قد نظرت 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 سوف تظهر لك كيف يمكنك استخدام متاح بحرية (تحت لغبل)، الشهير شبكة الشبكة العصبية الصناعية السريعة (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 ولذا فإنني سوف تركز على الجوانب العملية لاستخدام تنفيذ معين من آن في MQL4 اللغة.

ميزات فان.

ولكي نفهم تماما إمكانيات تنفيذ الشبكات الإذاعية الساتلية (فان)، ينبغي للمرء أن يتعرف على وثائقه 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 fann_create_standard () الدالة. دعونا نرى بناء الجملة:

حيث يمثل num_layers العدد الإجمالي للطبقات بما في ذلك طبقة الإدخال والإخراج. 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:

وبمجرد أن يتم إنشاء آن ستكون العملية التالية لتدريبه مع بعض البيانات المدخلات والمخرجات. وأبسط طريقة للتدريب هو التدريب التدريجي الذي يمكن تحقيقه من خلال الوظيفة التالية:

تأخذ هذه الدالة المؤشر إلى بنية فان التي تم إرجاعها سابقا بواسطة fann_create_standard () وكل من متجه بيانات الإدخال ومتجه بيانات الإخراج. نواقل المدخلات والمخرجات هي مجموعة من نوع fann_type. 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. وتنفذ وظيفة التنفيذ على النحو التالي:

هذه الوظيفة تأخذ 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 المجمع الناتجة كما يلي:

قمنا بتغيير fann_ الرائدة مع f2m_ (الذي يقف على فان إلى مقل)، استخدام عدد ثابت من الحجج (4 طبقات) وقيمة العودة هو الآن فهرس إلى صفيف داخلي من أنس عقد البيانات فان الهيكل المطلوبة من قبل فان لتشغيل. بهذه الطريقة يمكننا بسهولة استدعاء هذه الوظيفة من داخل رمز مقل.

الشيء نفسه ينطبق على:

أخيرا، وليس آخرا هو حقيقة أنه يجب تدمير الخاص بك مرة واحدة خلق آن من خلال الدعوة إلى:

للافراج عن مقابض آن يجب تدمير الشبكات في ترتيب عكسي مما تم إنشاؤها إنشاؤها. بدلا من ذلك يمكنك استخدام:

ولكن أنا متأكد من أن بعض منكم قد تفضل حفظ شبكة المدربين لاستخدامها لاحقا مع:

وبطبيعة الحال يمكن تحميل الشبكة المحفوظة في وقت لاحق (أو بالأحرى إعادة إنشائها) مع:

مرة واحدة ونحن نعرف الوظائف الأساسية 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 اختر المجلد لتثبيت الحزمة. يمكنك استخدام البرنامج الافتراضي فيليز \ Fann2MQL \ أو تثبيت مباشرة في ميتا ترادر ​​\ إكسيرتس \ الدليل. في وقت لاحق وضع جميع الملفات مباشرة إلى أماكنهم وإلا سيكون لديك لنسخها يدويا.

تركيب Fann2MQL، الخطوة 2.

يقوم المثبت بوضع 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 (ويندوز \ system32 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.

مرة واحدة يتم تثبيت Fann2MQL يمكنك البدء في كتابة إي الخاص بك أو مؤشر. هناك 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. كنت 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 سوف 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 تضمين لتحميل ملف رأس Fann2MQL. mqh يحتوي على إعلان جميع وظائف Fann2MQL. بعد ذلك تتوفر كافة وظائف حزمة Fann2MQL للاستخدام في البرنامج النصي. يعرف ثابت ANN_PATH 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 لم يتم شرحها لاحقا، فضلا عن المتغيرات العالمية.

نقطة الدخول لكل إي هي دالة إينيت ():

وتتحقق أولا من تطبيق منطقة العد لتصحيح فترة الإطار الزمني. يحتوي المتغير أننبوتس على عدد من مدخلات الشبكة العصبية. كما سنستخدم 3 مجموعات من الوسيطات المختلفة التي نريد أن تكون قابلة للقسمة من قبل 3. يتم حساب أنباث لتعكس اسم إي و ماجنومبر، والذي يتم حسابه من وسيطات الإدخال سلوما، فاستما و سيغنالما التي تستخدم لاحقا لتشوير مؤشر ماسد . بمجرد أن يعرف أنباث إي يحاول تحميل الشبكات العصبية باستخدام ann_load () وظيفة وأنا سوف تصف 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 أنه من الضروري حقا في هذا التطبيق حتى الآن 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 تقنية Intel® خيوط كتل بناء. يتم استخدام الدالة f2M_parallel_init () لتهيئة تلك الواجهة.

إليك الطريقة التي استخدمتها في تهيئة الشبكات:

كما يمكنك معرفة ما إذا كان f2M_create_from_file () فشل، والتي يشار إليها قيمة الإرجاع السلبية، يتم إنشاء الشبكة مع الدالة f2M_create_standard () مع وسيطات تشير إلى أن الشبكة التي تم إنشاؤها يجب أن يكون 4 طبقات (بما في ذلك المدخلات والمخرجات)، مدخلات أنينبوت، الخلايا العصبية انبوت في الطبقة المخفية الأولى، أنينبوت / 2 + 1 الخلايا العصبية في طبقة خفية 2 و 1 الخلايا العصبية في طبقة الانتاج. يتم استخدام f2M_set_act_function_hidden () لتعيين وظيفة تنشيط الطبقات المخفية إلى SIGMOID_SYMMETRIC_STEPWISE (يرجى الرجوع إلى وثائق فان fann_activationfunc_enum) ونفس الشيء ينطبق على طبقة الإخراج. ثم هناك دعوة ل f2m_randomize_weights () الذي يستخدم لتهيئة الأوزان اتصال الخلايا العصبية داخل الشبكة. هنا استخدمت مجموعة & لوت؛ -0.4؛ 0.4 و GT. ولكن يمكنك استخدام أي أخرى اعتمادا على التطبيق الخاص بك.

في هذه المرحلة ربما كنت قد لاحظت ديبوغ () وظيفة اعتدت بضع مرات. انها واحدة من أبسط الطرق 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 سلسلة "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 شرح مفصل من بداية () وظيفة، وهو طويل جدا، وأنا بحاجة لتظهر لك بعض المزيد من الوظائف التي تهدف إلى إعداد إدخال الشبكة وتشغيل الشبكات الفعلية:

يتم استخدام الدالة ann_prepare_input () 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. تقوم الدالة run_anns () بتشغيل كل الشبكات التي تم تشغيلها وتحصل على مخرجاتها وتخزينها في مجموعة أنوتبوت []. وظيفة anns_run_parallel هي المسؤولة عن التعامل مع وظيفة في طريقة مؤشرات الترابط. وهو يطلق على f2m_run_parallel () 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 f2m_get_output ().

الآن دعونا نرى وظيفة البداية ():

سأصف ذلك بإيجاز كما هو معلق بشكل جيد جدا. وتحقق التجارة () ما إذا كان مسموحا لها بالتداول. 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 بويسينال وفقا لإشارة ماسد والخط الرئيسي كروس أوفر. وتستخدم كل من الإشارات لمعالجة طويلة وقصيرة الموقف التي هي متناظرة لذلك أنا سوف تصف فقط حالة للحصول على أطوال.

متغير لونغتيكيت يحمل رقم التذكرة للموقف المفتوح حاليا. إذا كان يساوي -1 يتم فتح أي موقف حتى إذا تم تعيين بويسينال 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 المقصود أن نتذكر إنبوتفيكتور التي أعدتها ann_prepare_input () 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 الأمر لا يحدث شيء، ولكن إذا تم إغلاق الأمر يتم تشغيل ناقلات train_output []، التي لديها واحد فقط إتبوت، لعقد قيمة -1 إذا تم إغلاق النظام مع فقدان أو 1 إذا كان النظام مغلق مع الربح. ثم يتم تمرير هذه القيمة إلى وظيفة___قضية () 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. ويستخدم "____ لونغ "() الشبكة العصبية الحكيمة كمتوسط ​​للقيم التي تعيدها جميع الشبكات التي تعني التعامل مع الوضع 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 سوف تظهر لك كيف يمكن استخدامها. زوج الاختبار هو بالطبع اليورو مقابل الدولار الأميركي. لقد استخدمت البيانات من ألباري، وتحويلها إلى الإطار الزمني M5. لقد استخدمت الفترة من 2007.12.31 إلى 2009.01.01 للتدريب / التحسين 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 سافان، تم تعيين أنسنومبر إلى 0 لتجنب المعالجة العصبية. لقد استخدمت الخوارزمية الوراثية لعملية التحسين. وبمجرد الحصول على القيم، بدا 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 باستثناء حقيقة أن العملية كانت أبطأ بكثير (نتيجة للمعالجة العصبية) والمجلد C: \ آن كان ملؤها بالشبكات المدربة كما هو مبين في الصورة أدناه. تأكد من وجود مجلد C: \ آن قبل هذا المدى!

المجلد C: \\ آن \\.

مرة واحدة لدينا شبكات المدربين حان الوقت لاختبار كيف يتصرف. أولا سنحاول ذلك على بيانات التدريب. تغيير نيوروفيلتر إلى صحيح و سافان إلى كاذبة وبدء اختبار. والنتيجة التي حصلت عليها هو مبين أدناه. لاحظ أنه قد يختلف قليلا بالنسبة لك حالة كما أن هناك بعض العشوائية داخل الشبكات في الأوزان اتصال الخلايا العصبية المقدمة في عملية تهيئة الشبكة (في هذا المثال استعملت دعوة صريحة إلى f2M_randomize_weights () داخل ann_load ()).

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) مبينة أدناه:

النتيجة التي تم الحصول عليها من بيانات الاختبار مع تصفية العصبية تحولت على.

عدد الصفقات التي تم تنفيذها منخفض جدا ومن الصعب معرفة جودة 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:

النتائج من اختبار البيانات دون تصفية العصبية.

الفرق واضح تماما. كما ترون تحولت تصفية إشارة العصبية خسر إي إلى واحد مربحة!

استنتاج.

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 القصوى من بلدي التعزيز التعلم القائم على معالجة إي من حوالي 4 أيام إلى 'فقط' 28 ساعة على وحدة المعالجة المركزية إنتل الأساسية 4.

خلال كتابة هذه المقالة قررت أن وضعت 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. وبما أن هذه الحزمة ليست أكثر بكثير من فان يمكنك استخدام جميع الأدوات المصممة لإدارة شبكات فان، مثل:

وهناك أكثر من ذلك بكثير عن فان على الشبكة السريعة الشبكة العصبية الاصطناعية الصفحة الرئيسية: leenissen. dk/fann/!

آخر 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 وجود استراتيجية منحرفة كانت أكثر عرضة للاحتفاظ بالسراويل القصيرة والطويلة:

في الإصدار الصحيح من البرنامج النصي لقد قمت بإصلاح هذا الخطأ وإزالة إستراتيجية أوردركلوس () على الإطلاق. هذا لم يغير الصورة العامة لتأثير الترشيح العصبي على منطقة العد، ولكن شكل منحنى التوازن كان مختلفا تماما. يمكنك العثور على كلا الإصدارين من إي هذا المرفق بهذه المقالة.

بيناكل - شبكة العصبية إي.

هذا هو ثلاث طبقات التغذية الأمامية ن إي. إرفاقه بأي مخطط، أوصي 15 دقيقة من زوج العملة المفضلة لديك. وهو يعمل على كل علامة من البيانات.

وهو يعمل على إطار زمني واحد من البيانات، المخطط الذي نعلق عليه. إذا كنت تستخدم على أكثر من مخطط في وقت واحد يرجى تغيير ماجنومبر إلى شيء فريد من نوعه.

هناك شيء واحد فقط أوصي تغيير - عتبات لفتح النظام الجديد: 0.680، 0.780، 1.000.

(على الرغم من ذلك قبل البدء في تعديل ذلك، يرجى محاولة وضع الأسهم من 0.680 أولا.)

الإعداد القياسي هو 0.680، أنا لا أوصي الذهاب أي أقل من ذلك لفتح النظام الجديد. والأرقام الأعلی ھي الصفقات الأکثر قوة ولکنھا ستتجاھل أقل في کثیر من الأحیان.

يمكنك مشاهدة ن في العمل حساب العتبات بالنسبة لك لأنني قد شملت ملخصا صغيرا في لوحة المعلومات.

أضفت صورة لكيفية تصميم ن. لم أكن استخدام برنامج كمبيوتر أو معالج أو أي شيء من هذا القبيل. لقد استخدمت قطعة فارغة من ورق الطابعة وقلم رصاص.

أغلقت على 29 نقطة بعد الربح انتشار بينما كنت مجرد محاولة لجعل تلك الصورة بالنسبة لك رفاق، هيه. على أي حال، والمتعة!

هذا هو ثلاث طبقات التغذية الأمامية ن إي. إرفاقه بأي مخطط، أوصي 15 دقيقة من زوج العملة المفضلة لديك. وهو يعمل على كل علامة من البيانات.

وهو يعمل على إطار زمني واحد من البيانات، المخطط الذي نعلق عليه. إذا كنت تستخدم على أكثر من مخطط في وقت واحد يرجى تغيير ماجنومبر إلى شيء فريد من نوعه.

هناك شيء واحد فقط أوصي تغيير - عتبات لفتح النظام الجديد: 0.680، 0.780، 1.000.

(على الرغم من ذلك قبل البدء في تعديل ذلك، يرجى محاولة وضع الأسهم من 0.680 أولا.)

الإعداد القياسي هو 0.680، أنا لا أوصي الذهاب أي أقل من ذلك لفتح النظام الجديد. والأرقام الأعلی ھي الصفقات الأکثر قوة ولکنھا ستتجاھل أقل في کثیر من الأحیان.

يمكنك مشاهدة ن في العمل حساب العتبات بالنسبة لك لأنني قد شملت ملخصا صغيرا في لوحة المعلومات.

شكرا جزيلا لك من قبل التعاون الخاص بك nittany1!

ليس هناك حاجة ل أوبتميز هذا واحد؟

لا حاجة لتحسين هذا واحد، الشيء الوحيد الذي عليك القيام به هو اختيار عتبة النظام المفتوح. المستويات الثلاثة هي أعلى مما يدل على مدى قوة التجارة التي تريد السماح لها الحصول على نفسها.

الشيء الأنيق هو مشاهدة العتبات كما انها حساب. الآن أنا تشغيله باستخدام 100٪ الإعدادات الافتراضية مع أورديروبين في 0.68، تم تحديد جميع الأوزان الأخرى من قبل نم النمذجة في البرامج الأخرى، ثم أنا من الصعب ترميز ذلك في ن.

أوبين: 0.68 - يبين ما هي عتبة مفتوحة.

كلوز: 0.3 - يوضح ما هي عتبة إغلاقك، لا أوصي بتغيير ذلك.

بوي: 0.XXXX - ما هي قيمة الشراء الحالية.

بيع: 0.XXXX - ما هي قيمة البيع الحالية.

كما القراد تذهب من قبل يمكنك مشاهدة التغيير بيع وبيع القيم، يتم تشغيل الصفقات عند تمرير العتبات المحددة. أنا ذاهب لإضافة جبيغ إلى الملفات المدرجة حتى تتمكن من رؤية تصميم الشبكة العصبية.

هل من الممكن القيام به؟

لا حاجة لتحسين هذا واحد، الشيء الوحيد الذي عليك القيام به هو اختيار عتبة النظام المفتوح. المستويات الثلاثة هي أعلى مما يدل على مدى قوة التجارة التي تريد السماح لها الحصول على نفسها.

الشيء الأنيق هو مشاهدة العتبات كما انها حساب. الآن أنا تشغيله باستخدام 100٪ الإعدادات الافتراضية مع أورديروبين في 0.68، تم تحديد جميع الأوزان الأخرى من قبل نم النمذجة في البرامج الأخرى، ثم أنا من الصعب ترميز ذلك في ن.

في لوحة المعلومات سترى:

أوبين: 0.68 - يبين ما هي عتبة مفتوحة.

كلوز: 0.3 - يوضح ما هي عتبة إغلاقك، لا أوصي بتغيير ذلك.

بوي: 0.XXXX - ما هي قيمة الشراء الحالية.

بيع: 0.XXXX - ما هي قيمة البيع الحالية.

كما القراد تذهب من قبل يمكنك مشاهدة التغيير بيع وبيع القيم، يتم تشغيل الصفقات عند تمرير العتبات المحددة. أنا ذاهب لإضافة جبيغ إلى الملفات المدرجة حتى تتمكن من رؤية تصميم الشبكة العصبية.

شكرا جزيلا لتقاسم هذا إي. لقد كنت.

تبحث عن شيء مختلف قليلا وهذا يملأ.

مشروع القانون تماما. لا يمكن أن تنتظر للحصول على الذهاب.

ليس هناك أى مشكلة. أتمنى لك حظا سعيدا في جميع الصفقات الخاصة بك!

لذا، كيف أعرف عتبة الاستخدام؟

استخدام إعداد الأسهم من 0.68 إلا إذا كنت تريد أن تتداول على عتبة أقوى، 0.78 هو المستوى التالي أعلى. يمكنك محاولة 1.00 إذا كنت تريد أيضا ولكن يرى فقط أنه ربما مرة واحدة في الأسبوع. 0.68 هو المعيار، 0.78 هو من المستوى المتوسط ​​و 1.00 هو أقوى التجارة عندما تتجه جميع المؤشرات في هذا الاتجاه بما في ذلك مؤشر تدفق الأموال.

في الإعدادات الافتراضية ومخطط M15، أي نوع من التداول.

تردد يمكن أن نتوقع مع هذا إي؟

ربما 3 الصفقات يوميا في يوم جيد. من الصعب القول ما الذي سيحدث في المستقبل.

نيورال نيتورك إي (صفحة 1 من 2)

ملاحظة: تسجيل أو تسجيل الدخول مع الفيسبوك لتحميل أكثر من 10،000 الروبوتات الفوركس مجانا!

يجب عليك تسجيل الدخول أو التسجيل لإضافة رد.

المشاركات: 1 إلى 10 من 14.

يوربرينفوريكس عضو عادي غير متصل من: براسيل مسجل: 09-29-2018 المشاركات: 59 شكرا: 67.

الشبكة العصبية إي.

الموضوع: الشبكة العصبية إي.

هو نظام المستغل لاستخدام أوامر المعلقة للتجارة.

يمكن استخدامه في التجريبي أو حساب حقيقي (اختبار لأول مرة على التجريبي).

تاريخ انتهاء الصلاحية: 31/12/2018.

وشكر على هذا المنصب: جوزميك.

2 رد بواسطة znz373 10-09-2018 03:44:45.

znz373 نيو ميمبر أوفلين مسجل: 04-04-2018 المشاركات: 10.

إعادة: الشبكة العصبية إي.

هل كان لدى أي شخص نتائج جيدة مع الشبكات العصبية؟ يبدو أنه مفهوم ذكي، ولكن هذا لا يعني الكثير.

3 رد بواسطة h. walsdorff 10-09-2018 08:07:47.

h. walsdorff عضو جديد غير متواجد حاليا: 10-09-2018 المشاركات: 9.

إعادة: الشبكة العصبية إي.

هل هذا العمل إيا فقط مع يوروس؟ شخص ما اختبرت ذلك مع أزواج أخرى أيضا؟ شكر.

4 رد بواسطة alking707 10-14-2018 03:53:34.

alking707 عضو جديد أوفلين مسجل: 08-15-2018 المشاركات: 14.

إعادة: الشبكة العصبية إي.

مرحبا ما هي أفضل الإعدادات لاستخدام هذا خبير إي لمحات وقت الإطار.

5 رد بواسطة وزجينغ 10-14-2018 05:05:06.

وزجينغ ريجولار ميمبر غير متصل من: تشاينا المسجل: 08-22-2018 المشاركات: 23.

إعادة: الشبكة العصبية إي.

وهذا هو عظيم، هل هناك حساب حقيقي المدى، هل تشارك إي الخاص بك من فضلك؟ وما هي استراتيجية التكنولوجيا التي تستخدمها؟

6 رد بواسطة bj4pn 10-21-2018 01:45:57.

bj4pn عضو جديد غير متواجد حاليا: 10-20-2018 المشاركات: 1.

إعادة: الشبكة العصبية إي.

على الحساب الحقيقي أمرت العديد من الانتظار وقف النظام، وفقدان قليلة لذلك أنا توقفت عنه.

7 رد بواسطة rafiqmt4 10-24-2018 10:12:11.

rafiqmt4 عضو جديد غير متصل من: إنديا مسجل: 10-24-2018 المشاركات: 10.

إعادة: الشبكة العصبية إي.

هل كان لدى أي شخص نتائج جيدة مع الشبكات العصبية؟ يرجى حصة هنا.

8 رد بواسطة أوسونغشن 10-24-2018 12:13:40.

أوسونغشن عضو جديد غير متصل من: وي مسجل: 10-23-2018 المشاركات: 8.

إعادة: الشبكة العصبية إي.

شكرا للمشاركة. يمكن لأي شخص إظهار أدائها في أسك الحقيقي؟

9 رد بواسطة لويسفكس 10-25-2018 10:24:31.

لويسفكس عضو جديد غير متصل من: سبين مسجل: 10-18-2018 المشاركات: 12.

إعادة: الشبكة العصبية إي.

غراسياس بور كومبارتير، ألغوين لو ها تيستيدو o لو إستا بروباندو، بور ديسيرنوس كيو تال فونسيونا. Y سي سي بيد صابر سي سي بيدن أوسار ماس باريس y y كيو تيمبوراليداد.

10 رد بواسطة x212sck 05-07-2017 19:38:23.

x212sck ريجولار ميمبر أوفلين من: مالايسيا مسجل: 05-07-2017 المشاركات: 46.

إعادة: الشبكة العصبية إي.

لا تحصل الاندفاع جدا في هذه الصناعة، وتأخذ وقتك وتعلم كيف يعمل.

المشاركات: 1 إلى 10 من 14.

غير محدود MT4talk تحميل الوصول!

أكثر من 10،000 إي متاح للتحميل!

جديد الفوركس الروبوتات تحميلها يوميا!

► سجل والرد على unanswered مواضيع المنتدى دون إجابة! إنشاء مواضيع جديدة، وإرفاق الروبوتات الفوركس المفضلة لديك، الخ.

◉ لتصبح عضوا نشطا في المنتدى، والحفاظ على نشر رسائل المنتدى مفيدة!

بعد اسم المستخدم الخاص بك هو الأخضر، سوف تحصل على الوصول غير محدود الوصول!

ملاحظة: نحن معتدلة جميع المشاركات! يمكنك قراءة قواعد المنتدى قبل البدء في النشر.

الشبكات العصبية فكس إي.

النمو: 372.5٪ شهريا: 24٪

الحساب الحقيقي: الشبكات العصبية فكس إي.

تاريخ البدء: 17 مايو 2017.

ميتاتريدر الخبراء المستشارين على أساس الفوركس العصبية.

الشبكات العصبية فكس إي هو خبير خبير في الشبكة العصبية للتخصيص والمربح متاح تجاريا لمجتمع تجارة التجزئة.

يمكنك استخدام شبكة الفوركس العصبية بشكل فعال من أجل:

تقييم احتمال استمرار الاتجاه تصنيف مراحل السوق التنبؤ المؤقت بالتشكيل الأقصى والحد الأدنى للأطر الزمنية المختلفة التنبؤ باحتمال تقلب الحركات بعد الاتجاهات وتصحيح التصحيحات التالية تتبع الترابط بين الأسواق.

سوبورت & نداش؛ قبل وبعد البيع:

سيكون لدينا فريق الدعم الفني العمل معكم لتحقيق أعلى مستوى من الأداء من منتجاتنا التي تقرر شراء.

لا تتردد في الاتصال بنا في أي وقت مع أسئلتك، ونحن هنا لتقديم المشورة الخبراء. أيضا، لا تتردد في الاتصال بنا عن تجربتك باستخدام منتجاتنا.