MetaTrader 4 - quotomboquot Automated Trading System de especialistas - perito para MetaTrader 4 O problema é afirmado para este sistema automatizado de negociação (ATS) da seguinte forma: consideramos que temos um sistema de negociação básico - BTS. É necessário criar e ensinar uma rede neural para fazê-lo fazer coisas que não podem ser feitas com o BTS. Isso deve resultar na criação de um sistema comercial composto por dois sistemas combinados e mutuamente complementares: BTS e NN (rede neural). Ou, o inglês disso é: não há necessidade de descobrir os continentes novamente, todos foram descobertos. Por que ensinar alguém a correr rápido, se tivermos um carro ou voar, se tivermos um avião. Uma vez que tenhamos uma ATS que segue a tendência, precisamos ensinar a rede neural na estratégia contra-tendência. Isso é necessário, porque um sistema destinado a negociação baseada em tendências não pode negociar em tendências laterais ou reconhecer retrocessos ou reversões no mercado. Você pode, é claro, levar dois ATSes - uma sequência de tendência e uma contra-tendência - e anexá-los ao mesmo gráfico. Por outro lado, você pode ensinar uma rede neural para complementar seu sistema de negociação existente. Para este propósito, nós criamos uma rede neural de duas camadas composta por dois perceptrons na camada inferior e um perceptron na camada superior. A saída da rede neural pode ser em um desses três estados: Entrar no mercado com uma posição longa Entrar no mercado com uma posição curta Estado indeterminado Na verdade, o terceiro estado é o estado do controle de passagem para o BTS, enquanto que no Dois primeiros estados, os sinais comerciais são dados pela rede neural. O ensino da rede neural é dividido em três estágios, cada etapa para ensinar um perceptron. Em qualquer fase, o BTS otimizado deve estar presente para perceptrons saber o que pode fazer. O ensino separado de perceptrons por um algoritmo genético é determinado pela falta deste algoritmo, a saber: A quantidade de entradas pesquisadas com a ajuda desse algoritmo é limitada. No entanto, cada estágio de ensino é coerente e a rede neural não é muito grande, de modo que a otimização completa não leva muito tempo. O primeiro estágio, que precede o ensino de um NN, consiste na otimização do BTS. Para não nos perder, registraremos o número do palco na entrada do ATS identificado como quotpassquot. Os identificadores de entradas correspondentes com o número do estágio serão e no número igual a este número do estágio. Assim, vamos começar os preparativos para otimizar e ensinar o NN. Define o depósito inicial como 1000000 (para não criar uma chamada de margem artificial durante a otimização) e a entrada a ser otimizada como quotBalancequot nas propriedades Expert Advisor na guia de quotTestingquot no Strategy Tester e iniciar o algoritmo genético. Vamos para a guia quotInputsquot das propriedades EAs e especifique o volume de posições a serem abertas atribuindo o valor 1 ao quotlotsquot do identificador. A otimização será realizada de acordo com o modelo: quotOpen prices only (método mais rápido para analisar a barra acabada, somente para EAs que explicitamente controlam a abertura da barra), uma vez que este método está disponível no algoritmo ATS. Estágio 1 da otimização. Otimização do BTS: Defina o valor 1 para o quotpassquot de entrada. Otimizaremos apenas as entradas que correspondem ao primeiro estágio, ou seja, o fim em 1. Assim, verificamos apenas essas entradas para otimização e desmarcamos todas as demais. Tp1 - TakeProfit do BTS. Está otimizado com os valores dentro do intervalo de 10 a 100, passo 1 sl1 - StopLoss do BTS. Está otimizado com os valores dentro do intervalo de 10 a 100, etapa 1 p1 - período de CCI usado no BTS. Está otimizado com os valores dentro do intervalo de 3 a 100, etapa 1, estágio 2. Ensinando o perceptron responsável por posições curtas: Defina o valor 2 (de acordo com o número do estágio) para o quotpassquot de entrada. Desmarque as entradas verificadas para otimização na etapa anterior. Apenas no caso, salve em um arquivo as entradas obtidas na etapa anterior. Verifique as entradas para otimização de acordo com nossa regra: seus identificadores devem terminar em 2: x12, x22, x32, x42 - números de peso do perceptron que reconhece posições curtas. Está otimizado com os valores dentro do intervalo de 0 a 200, etapa 1 tp2 - TakeProfit de posições abertas pelo perceptron. Está otimizado com os valores dentro do intervalo de 10 a 100, passo 1 sl2 - StopLoss de posições abertas pelo perceptron. Está otimizado com os valores dentro do intervalo de 10 a 100, etapa 1 p2 - o período dos valores de diferença de preço a serem analisados pelo perceptron. Está otimizado com os valores dentro do intervalo de 3 a 100, passo 1. Vamos começar a ensiná-lo usando a otimização com um algoritmo genético. Etapa 3. Ensinar o perceptron responsável por posições longas: Defina o valor 3 (de acordo com o número do estágio) para o quotpassquot de entrada. Desmarque as entradas verificadas para otimização na etapa anterior. Apenas no caso, salve em um arquivo as entradas obtidas na etapa anterior. Verifique as entradas para otimização de acordo com nossa regra: seus identificadores devem terminar em 3: x13, x23, x33, x43 - números de peso do perceptron que reconhece posições longas. Está otimizado com os valores dentro do intervalo de 0 a 200, etapa 1. tp3 - TakeProfit de posições abertas pelo perceptron. Está otimizado com os valores dentro do intervalo de 10 a 100, passo 1 sl3 - StopLoss de posições abertas pelo perceptron. É otimizado com os valores dentro do intervalo de 10 a 100, etapa 1 p3 - o período dos valores de diferença de preço a serem analisados pelo perceptron. Está otimizado com os valores dentro do intervalo de 3 a 100, passo 1. Vamos começar a ensiná-lo usando a otimização com um algoritmo genético. Fase 4 (final). Ensinar a primeira camada, ou seja, ensinar o perceptron que está na camada superior: Defina o valor 4 (de acordo com o número do estágio) para o quotpassquot de entrada. Desmarque as entradas verificadas para otimização na etapa anterior. Apenas no caso, salve em um arquivo as entradas obtidas na etapa anterior. Verifique as entradas para otimização de acordo com nossa regra: seus identificadores devem terminar em 4: x14, x24, x34, x44 - números de peso do perceptron da primeira camada. É otimizado com os valores dentro do intervalo de 0 a 200, etapa 1. p4 - o período dos valores de diferença de preço a serem analisados pelo perceptron. Está otimizado com os valores dentro do intervalo de 3 a 100, passo 1. Vamos começar a ensiná-lo usando a otimização com um algoritmo genético. Isso é tudo, a rede neural foi ensinada. O ATS tem mais uma entrada não otimizada, mn - Magic Number. É o identificador de posições para um sistema de negociação para não misturar seus pedidos com as ordens abertas manualmente ou por outros ATSes. O valor do número mágico deve ser único e não coincidir com o número mágico de posições que não foram abertas por este Especial Expert Advisor. O tamanho do depósito inicial é encontrado como o abaixamento absoluto duplicado, ou seja, consideramos alguns recursos de segurança para isso. A EA fornecida nos códigos fonte não é otimizada. Se você precisa substituir o BTS incorporado pelo algoritmo de outro sistema comercial, você deve modificar o conteúdo da função basicTradingSystem (). Para não inserir os valores inicial e final e os valores das etapas de otimização, você pode pegar o arquivo pronto combo. set. Coloque-o na pasta testador MT4 e faça o upload para as propriedades EAs no Tester. A re-otimização da EA deve ser realizada em um fim de semana, ou seja, no sábado ou no domingo, mas apenas se os resultados da semana anterior não foram lucrativos. A presença de perdas significa que o mercado mudou e a re-otimização é necessária. A presença de lucros significa que o ATS não precisa de re-otimização e reconhece bem os padrões de mercado. Tópico: Inteligência Artificial EA (por Yury V. Reshetov) Este tópico é para discussão de Inteligência Artificial EA por Yury V. Reshetov A descrição Abaixo é da sua página MT4Appstore: o consultor especialista em Forex da Artificial Intelligence usa uma imitação muito simplista da rede neural para produzir sinais de compra e venda e perdas de parada. Não é uma rede neural real, porque não aprende do mercado, em vez disso você precisa otimizar o mercado para definir os parâmetros mais adequados. Sua função de percepção usa os osciladores Bill Williams AcceleratorDecelerator, que são ponderados de acordo com os parâmetros estabelecidos. O consultor especialista também executa cheques para a margem livre disponível para interromper a negociação se for falido. Espero conversar animadamente com outros usuários desta EA interessante e compartilhar dicas de otimização, melhorando as melhorias do amplificador. Agradecimentos e cumprimentos, Dudest Última edição por dudest 06-10-2012 às 14:27. Membro honorário FX-Men Data de inscrição janeiro de 2012 Posts 1,814 Anexos são os últimos resultados de teste de estratégia MT4 para GBPUSD H1 e GBPJPY H1 para 2 de janeiro - 8 de junho de 2012. Abaixo estão os parâmetros de entrada otimizados sugeridos pelos testes estratégicos. No total, o SL40 e LOTS0.01. O parâmetro otimizado é PROFIT FACTOR (pf) Se alguém tiver mais resultados de teste, compartilhe, seria ótimo comparar PS: planejo fazer otimização semanal (teste em H1 por prazo de 2 meses) e ajustar os parâmetros na EA adequadamente. X1 200200200 x2 110110110 x3 305040 x 4 304030 x1 190190 x2 120110 x3 5040 x 4 4040 x1 100 x2 120 x3 10 x 4 140
No comments:
Post a Comment