التنبؤ الفوركس الشبكة العصبية

التنبؤ الفوركس.
هذا المثال مشابه جدا للمثال السابق. الفرق الوحيد هو أنه يظهر بيانات العملات الأجنبية (الفوركس) أزواج العملات.
كيفية العمل مع التطبيق الصغير.
إذا كنت لم أر المثال الأول، يرجى استكشاف ذلك أولا - الوصف الأساسي هو متاح هناك. في هذا التطبيق الصغير، تتوفر البيانات التالية. كل هذه القيم هي نهاية اليوم القيم القريبة لعام 2007 بأكمله، أي 313 القيم. كما هو الحال في التطبيق الصغير السابق، يكون لكل من هذه السلاسل الزمنية القيم التالية: صفر للفاصل الزمني أقل من 0، والقيمة القريبة في الفاصل الزمني 0-عدد القيم، ومرة ​​أخرى صفر بعد آخر قيمة معروفة. اليورو مقابل الدولار الأمريكي - ور أوسد عملات العملات الأجنبية أوسدجبي - ور أوسد عملات العملات الأجنبية أوسدشف - ور أوسد عملات العملات الأجنبية ورجبي - ور أوسد فوريكس كيرنسي داتا ويرجى ملاحظة أن هذا المثال هو موضح للتوضيح فقط. التداول باستخدام هذا الإعداد البسيط عادة ما يكون بعيدا عن استخدام التنبؤ حسب القيمة المتاحة الأخيرة. نلاحظ أيضا أن للمتاجرة نحن بحاجة إلى تطوير قواعد الدخول والخروج، وأنها أكثر أهمية من التنبؤ الدقيق.
يرجى الانتظار حتى يتم تحميل التطبيق الصغير.
(ج) ماريك أوبيتكو، 2008؛ الشبكة العصبية في التطبيق الصغير يستخدم الطبقات جافا بنيورون و بانيت.
من نيورالويبسباس، (ج) Tomбљ Fahovskэ، 1998، التي تم تعديلها لأغراض هذا التطبيق الصغير.

التنبؤ بالشبكات العصبية
الحصول على فيا أب ستور قراءة هذه المشاركة في التطبيق لدينا!
توقعات سوق الصرف الأجنبي مع الشبكات العصبية.
وأود أن استخدام أن لأتمتة العملات التجارية، ويفضل أن يكون الدولار / اليورو أو الدولار / الجنيه الإسترليني. وأنا أعلم أن هذا أمر صعب وقد لا يكون واضحا. لقد قرأت بالفعل بعض الأوراق وأجري بعض التجارب ولكن دون الكثير من الحظ. أود الحصول على المشورة من الخبراء للقيام بهذا العمل.
هنا هو ما فعلته حتى الآن:
حصلت على القراد من قبل البيانات القراد لشهر يوليو 2018. وقد محاولة / طلب / حجم الطلب / طلب حجم. استخراج جميع القراد للإطار الزمني 12PM إلى 14PM لجميع الأيام. من هذه البيانات، تم إنشاء مجموعة بيانات حيث يتكون كل إدخال من قيم عروض الأسعار بالتسلسل. واستخدمت تلك البيانات لتدريب أن مع مدخلات n-1 والإخراج هي قيمة العطاءات المتوقعة. كان أن n-1 المدخلات الخلايا العصبية، (ن -1) * 2 + 1 مخبأة و 1 الخرج الناتج. وكان طبقة الإدخال تف الخطية، كان مخبأة سجل تف والإخراج كان الخطي تف. تدرب الشبكة مع الانتشار الخلفي مع n-125 أولا ثم 10.
وبالنسبة لكلتا النتین، لم تنخفض المشروعات المتوسطة والصغیرة إلی أقل من 0.5 وظلت عند ھذه القیمة أثناء التدریب الکامل. على افتراض أن هذا يمكن أن يكون راجعا إلى سلسلة زمنية عشوائية تماما، لقد استخدمت حزمة R للعثور على الارتباط الذاتي الجزئي على مجموعة البيانات (باف). أعطى هذا قيم غير صفرية للتخلف 2 و 3 فقط.
السؤال 1: ماذا يعني هذا بالضبط؟
ثم اعتدت أس الأسد لتقييم العشوائية. في R، هورست (القيم) أظهرت قيم فوق 0.9.
السؤال 2: من المفترض أن تكون عشوائية تقريبا. هل يجب أن تكون القيمة أقرب إلى 0.5؟
كررت تدريب أن مع n = 3. وقد تم تدریب الشبکة المحلیة (أن) وتمکنت من الحصول علی قیمة منخفضة جدا للمشروعات المتوسطة والصغیرة. ومع ذلك، فإن الإنتاج المحسوب من الشبكة آن لا يختلف كثيرا عن قيمة العطاء (n-1). يبدو أن آن فقط يأخذ آخر عرض كعرض المقبل! حاولت هياكل الشبكة المختلفة (جميع التصورات متعددة الطبقات)، معلمات التدريب المختلفة، وما إلى ذلك، ولكن النتائج هي نفسها.
السؤال 3: كيف يمكنني تحسين دقة؟ هل هناك أي طرق تدريبية أخرى من باكبروباغاتيون؟
النتائج التي تراها ليست نتيجة ثانوية لمنتج التدريب الخاص بك، ولكن بدلا من ذلك أن الشبكات العصبية ليست خيارا كبيرا لهذه المهمة. الشبكات العصبية هي وسيلة فعالة لخلق وظيفة عالية غير الخطية من خلال تكوين عدد من الوظائف أبسط. هذا هو في كثير من الأحيان شيء جيد حقا، لأنه يسمح الشبكات العصبية لتناسب أنماط معقدة جدا.
ومع ذلك، في سوق الأوراق المالية أي نمط معقد، عند التداول عليها سوف تسوس بسرعة. وكشف نمط معقد عموما لا تولد نتائج مفيدة، لأنه هو عادة أنماط معقدة في المدى القصير. بالإضافة إلى ذلك، اعتمادا على المقياس الذي تختاره، هناك عدد من الطرق لتحقيق أداء جيد لن يؤدي في الواقع إلى الدفع في الاستثمار (مثل مجرد التنبؤ بالقيمة الأخيرة في المثال).
وبالإضافة إلى ذلك فإن سوق الأسهم هو الفوضى المذهلة التي يمكن أن تؤدي إلى صافي النسيج العصبي. وهذا يعني أن الأنماط التي يتعلمها ستعمم بشكل سيء. شيء على غرار مجرد رؤية انخفاض الأسهم على مدى يوم، واتخاذ قرار موحد أن الأسهم سوف تنخفض دائما فقط لأنه كان ينظر إليها على المدى القصير نسبيا. بدلا من ذلك تقنيات مثل ريدج والانحدار القوي، والتي سوف تحدد أنماط أكثر عمومية، وأقل تعقيدا، ونفعل ما هو أفضل.
استخدم الفائز في مسابقة كاجل مماثلة انحدارا قويا لهذا السبب بالذات. من المرجح أن ترى نتائج أفضل إذا قمت بالتبديل إلى نموذج التعلم الضحلة التي سوف تجد وظائف أقل ترتيب متعدد الحدود، على الوظائف المعقدة العميقة للشبكة العصبية.

الشبكات العصبية للتجارة الخوارزمية. بسيطة سلسلة الوقت التنبؤ.
تحديث هام:
هذا هو الجزء الأول من تجاربي على تطبيق التعلم العميق للتمويل، ولا سيما في التداول الخوارزمي.
أريد أن أطبق نظام التداول من الصفر فقط على نهج التعلم العميق، وذلك لأي مشكلة لدينا هنا (التنبؤ السعر، واستراتيجية التداول، وإدارة المخاطر) ونحن ستعمل استخدام أشكال مختلفة من الشبكات العصبية الاصطناعية (أنس) والتحقق من مدى ما يمكن امسك هذا.
الآن أعتزم العمل على الأقسام التالية:
التنبؤ بالسلاسل الزمنية مع البيانات الأولية التنبؤ بالسلاسل الزمنية مع الخصائص المخصصة تحسين فرط المعاملات تطبيق إستراتيجية التداول وإدارة المخاطر وإدارة المخاطر استراتيجيات التداول الأكثر تطورا والتعلم التعزيزي العيش والوسطاء أبي وكسب المال (l̶o̶s̶i̶n̶g̶).
أنا أوصي لك للتحقق من رمز و إبيثون مفكرة في هذا المستودع.
في هذا، الجزء الأول، أريد أن أظهر كيف يمكن أن تستخدم ملبس، كننس و رنس للتنبؤ سلسلة زمنية مالية. في هذا الجزء نحن لن تستخدم أي هندسة الميزة. لننظر فقط في مجموعة البيانات التاريخية لتحركات أسعار مؤشر S & أمب؛ P 500. لدينا معلومات من 1950 إلى 2018 حول مفتوحة، وثيقة، وارتفاع، وانخفاض الأسعار عن كل يوم في السنة وحجم الصفقات. أولا، سنحاول فقط للتنبؤ سعر وثيق في نهاية اليوم التالي، والثانية، وسوف نحاول التنبؤ العودة (سعر الإغلاق - سعر مفتوح). تحميل مجموعة البيانات من ياهو المالية أو من هذا المستودع.
تعريف المشكلة.
وسوف ننظر في مشكلتنا كما 1) مشكلة الانحدار (في محاولة للتنبؤ بالضبط سعر وثيق أو العودة في اليوم التالي) 2) مشكلة التصنيف الثنائي (السعر سيرتفع [1، 0] أو أسفل [0، 1]).
لتدريب ننس نحن ستعمل استخدام إطار كيراس.
أولا دعونا إعداد بياناتنا للتدريب. نريد أن نتوقع t + 1 قيمة استنادا إلى N أيام السابقة المعلومات. على سبيل المثال، وجود أسعار قريبة من 30 يوما الماضية في السوق نريد أن نتوقع، ما هو الثمن سيكون غدا، في اليوم ال 31.
نستخدم أول 90٪ من السلاسل الزمنية كمجموعة تدريب (نعتبرها بيانات تاريخية) و 10٪ الأخيرة كاختبار محدد لتقييم النموذج.
وفيما يلي مثال للتحميل، والانقسام إلى عينات تدريبية، والتجهيز المسبق لبيانات المدخلات الخام:
مشكلة الانحدار. MLP.
وسوف يكون مجرد 2 مخفي طبقة بيرسيبترون. يتم اختيار عدد من الخلايا العصبية المخفية تجريبيا، وسوف نعمل على تحسين هيبيرباراميترز في الأقسام التالية. بين طبقتين مخفي نضيف طبقة التسرب واحدة لمنع الإفراط.
الشيء المهم هو كثيفة (1)، التنشيط ('الخطية') و 'مس' في قسم الترجمة. نريد مخرجا واحدا يمكن أن يكون في أي نطاق (نتوقع القيمة الحقيقية) وتعرف وظيفة الخسارة لدينا على أنها خطأ متوسط ​​التربيع.
دعونا نرى ما يحدث إذا كنا مجرد تمرير قطع من 20 يوما أسعار وثيقة والتنبؤ الأسعار في اليوم ال 21. النهائي مس = 46.3635263557، ولكنها ليست معلومات تمثيلية جدا. وفيما يلي مؤامرة من التوقعات لأول 150 نقطة من مجموعة بيانات الاختبار. الخط الأسود هو البيانات الفعلية، واحد الأزرق - توقع. يمكننا أن نرى بوضوح أن خوارزمية لدينا ليست حتى قريبة من حيث القيمة، ولكن يمكن معرفة هذا الاتجاه.
دعونا مقياس البيانات باستخدام طريقة سكلارن preprocessing. scale () لدينا الوقت سلسلة صفر يعني وحدة التباين وتدريب نفس ملب. الآن لدينا مس = 0.0040424330518 (ولكن على البيانات المقاسة). على مؤامرة أدناه يمكنك ان ترى الفعلية تحجيم سلسلة زمنية (أسود) وتوقعاتنا (الأزرق) لذلك:
لاستخدام هذا النموذج في العالم الحقيقي يجب أن نعود إلى سلسلة زمنية ونزكاليد. يمكننا أن نفعل ذلك، عن طريق ضرب أو التنبؤ بالانحراف المعياري للسلاسل الزمنية التي استخدمناها للتنبؤ (20 خطوة زمنية غير منسقة) وإضافة القيمة المتوسطة:
مس في هذه الحالة يساوي 937.963649937. هنا هو مؤامرة من التنبؤات استعادة (الأحمر) والبيانات الحقيقية (الأخضر):
ليس سيئا، أليس كذلك؟ ولكن دعونا نحاول خوارزميات أكثر تطورا لهذه المشكلة!
مشكلة الانحدار. CNN.
أنا لن أذهب إلى نظرية الشبكات العصبية التلافيفية، يمكنك التحقق من هذه الموارد المدهشة:
دعونا تعريف الشبكة العصبية التلافيفية 2-طبقة (مزيج من الالتفاف وطبقات التجميع القصوى) مع طبقة واحدة متصلة تماما ونفس الانتاج كما سبق:
دعونا تحقق من النتائج. المشاريع الصغيرة ومتناهية الصغر للبيانات المعززة والمستعادة هي: 0.227074542433؛ +935.520550172. المؤامرات أدناه:
حتى لو نظرنا إلى المشاريع الصغيرة ومتناهية الصغر على البيانات المقيسة، فقد تعلمت هذه الشبكة أسوأ بكثير. على الأرجح، تحتاج العمارة العميقة إلى مزيد من البيانات للتدريب، أو أنها تجاوزت فقط بسبب العدد المرتفع جدا من المرشحات أو الطبقات. وسوف ننظر في هذه المسألة في وقت لاحق.
مشكلة الانحدار. RNN.
كما العمارة المتكررة أريد أن استخدام اثنين من طبقات لستم مكدسة (اقرأ المزيد عن لستمس هنا).
وفيما يلي عدد من التنبؤات: مسس = 0.0246238639582؛ +939.948636707.
يبدو التنبؤ رن أشبه نموذج متحرك المتوسط، فإنه لا يمكن معرفة والتنبؤ جميع التقلبات.
لذا، فإنھا نتیجة غیر متوقعة بعض الشيء، ولکننا نلاحظ أن ھذه الشرکات متعددة الأطراف تعمل بشکل أفضل للتنبؤ بسلسلة الوقت ھذه. دعونا تحقق ما سيحدث إذا كنا سويث من الانحدار إلى تصنيف المشكلة. الآن سوف نستخدم ليس إغلاق الأسعار، ولكن العائد اليومي (سعر إغلاق-- سعر مفتوح)، ونحن نريد أن نتوقع إذا كان سعر وثيق أعلى أو أقل من سعر مفتوح على أساس آخر 20 أيام العودة.
مشكلة التصنيف. MLP.
يتم تغيير رمز قليلا - نغير لدينا طبقة كثيفة الماضي أن يكون الناتج [0؛ 1] أو [1؛ 0] وإضافة سوفتماكس الإخراج إلى توقع الناتج الاحتمالي.
لتحميل المخرجات الثنائية، تغيير في التعليمات البرمجية التالية السطر:
كما نقوم بتغيير وظيفة الخسارة إلى ثنائي عبر إنتوبي وإضافة مقاييس الدقة.
أوه، انها ليست أفضل من التخمين العشوائي (50٪ دقة)، دعونا نحاول شيئا أفضل. تحقق من النتائج أدناه.
مشكلة التصنيف. CNN.
مشكلة التصنيف. RNN.
الاستنتاجات.
يمكننا أن نرى، أن معالجة الوقت المالي التنبؤ سلسلة كمشكلة الانحدار هو نهج أفضل، فإنه يمكن معرفة الاتجاه والأسعار على مقربة من الفعلية.
ما يثير الدهشة بالنسبة لي، أن ملبس معالجة بيانات تسلسل أفضل كما كنز أو رنس التي من المفترض أن تعمل بشكل أفضل مع سلسلة زمنية. أشرح ذلك مع مجموعة صغيرة جدا (
16K الطوابع الزمنية) واختيار دمية هيبيرباراميترز.
يمكنك إعادة إنتاج النتائج والحصول على أفضل استخدام التعليمات البرمجية من المستودع.
أعتقد أننا يمكن أن نحصل على نتائج أفضل سواء في الانحدار والتصنيف باستخدام ميزات مختلفة (ليس فقط سلسلة زمنية متقنة) مثل بعض المؤشرات الفنية، وحجم المبيعات. أيضا يمكننا أن نحاول البيانات أكثر تواترا، دعونا نقول القراد دقيقة تلو الأخرى للحصول على مزيد من البيانات التدريب. كل هذه الأشياء سأفعلها لاحقا، حتى لا تنزعج :)
عن طريق التصفيق أكثر أو أقل، يمكنك أن تشير لنا القصص التي تبرز حقا.
أليكس هونشار.
وآلات التدريس و الراب.
آلة التعلم العالم.
أفضل حول التعلم الآلي، رؤية الكمبيوتر، التعلم العميق، معالجة اللغة الطبيعية وغيرها.

الميكانيكية الفوركس.
التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.
الشبكات العصبية في التداول: انها ليست حول صنع توقعات دقيقة للغاية.
قبل بضعة أيام بدأت بلدي & # 8220؛ نيورال نيتوركس في التداول & # 8221؛ حيث أعتزم شرح المفاهيم المتعلقة بالشبكات العصبية وكذلك الكشف عن التطبيقات العملية لقراء المؤمنين. في أول وظيفة من هذه السلسلة تحدثت عن بعض أساسيات الشبكات العصبية، ما هي وما قد تكون مفيدة ل. اليوم سوف أتناول مسألة أكثر عمقا حول الشبكات العصبية، مع التركيز على الطريقة التي يمكن استخدامها بشكل صحيح في التداول كنظم قائمة بذاتها (I & # 8217؛ سوف تستخدم في وقت لاحق استخدام، مثل تعزيز النظام، في وقت لاحق على ). في الفقرات التالية سوف تتعلم لماذا الشبكات العصبية ليست جيدة جدا في التنبؤ القيم السعر في المستقبل بالضبط ولكن لماذا ليس هناك حاجة إلى إنشاء استراتيجيات التداول مربحة تستند كليا على هذه التقنية.
الشبكة العصبية & # 8211؛ كما ناقشنا من قبل & # 8211؛ هو ببساطة مجموعة من الوظائف أو & # 8220؛ الخلايا العصبية & # 8221؛ والتي يمكن أن تحاول توليد نماذج تنبؤية للنظم غير الخطية. إذا قمت بتدريب شبكة عصبية على مجموعة معينة من البيانات فإن الشبكة ضبط الأوزان وظيفتها للتنبؤ بدقة البيانات مجموعة التدريب وبعد ذلك يمكن استخدام هذه المعلومات على البيانات خارج العينة من أجل الحصول على بعض المعلومات القيمة حول سوق. كثير من الناس يعتقدون أن الشبكات العصبية يمكن بالتالي التنبؤ القيم السعرية بالضبط (مثل إغلاق، عالية، منخفضة، وما إلى ذلك من ساعات أو أيام أو أسابيع في المستقبل) ولكن الحقيقة هي أن الشبكات العصبية تفشل بشكل فادح عندما يتم تطبيقها بهذه الطريقة.
لماذا تفشل الشبكات العصبية عند محاولة التنبؤ بقيم الأسعار بهذه الطريقة؟ المشكلة هنا هي أن الشبكة العصبية يمكن أن تأتي مع النموذج الذي يتنبأ القيم المستقبلية & # 8220؛ وثيقة & # 8221؛ إلى تلك الحقيقية ولكن في كثير من الأحيان الخطأ في التنبؤ مرتفع بحيث يصبح عديم الجدوى. وهناك مشكلة أخرى هي أن الشبكات العصبية لا يقال إنها & # 8220؛ نماذج مستقرة & # 8221؛ بمعنى أن تكرار التدريب يمكن أن يولد مجموعة مختلفة تماما من التنبؤات المستقبلية (تختلف قليلا عن تلك السابقة)، وبالتالي كنت غالبا ما تحتاج إلى إنشاء كوميتيف الشبكات من أجل التوصل إلى أي تنبؤ هادف. والنتيجة هي في كثير من الأحيان أن القيمة المتوقعة / عالية / منخفضة المتوقعة للمستقبل سيكون لها مستوى من عدم اليقين مما سيجعل من الصعب الاستفادة من التنبؤ الدقيق (محاولة للوصول إلى هذا المستوى الدقيق). محاولة جعل شبكة أكثر دقة للتنبؤ هذه القيم عادة يجعلها تفقد قدرات التعميم، مما يجعلها عفا عليها الزمن على البيانات المستقبلية.
هل هذا يعني أن إنشاء نظام من الشبكة العصبية أمر مستحيل؟ لا، فهذا يعني فقط أنك تحتاج إلى معالجة الأمور من منظور مختلف. عند استخدام الشبكة العصبية يكون من الأفضل في كثير من الأحيان عدم البحث عن تنبؤ دقيق حول قيمة سعرية مستقبلية، ولكن للبحث عن تنبؤ مفيد من وجهة نظر التداول ولكنه غامض بمعنى التعريف. على سبيل المثال، بدلا من توقع إغلاق الأسبوع المقبل، قد نرغب في توقع ما إذا كان إغلاق الأسبوع القادم سيكون أعلى أو أقل من إغلاق الأسبوع الحالي. مثل هذا التنبؤ هو أسهل القيام به للشبكة مع النجاح لأنه يعتمد فقط على إجابة ثنائية.
خلال الأشهر القليلة الماضية، أحرزت تقدما كبيرا في تطوير الاستراتيجيات القائمة على الشبكات العصبية، وتحقيق بعض النتائج المربحة على أساس هذا النوع من & # 8220؛ غامضة & # 8221؛ التوقعات. على الرغم من أن هذه النتائج ليست على أي حال & # 8220؛ مذهلة & # 8221؛، مع أكوراسيز ومعدلات الربح مماثلة لتلك التي من بلدي الأنظمة التقنية المتقدمة الأخرى تلك المستمدة من أطر البرمجة الجينية بسيطة (مثل كواتل) أنها لا تظهر أنه يمكنك فعلا تطوير نماذج مربحة تستند فقط إلى التنبؤ الغامض حول الظروف المستقبلية لأن مثل هذه التنبؤات عادة منحازة للعمل عندما تكون ملزمة لتحقيق المزيد من الأرباح. على سبيل المثال عند التنبؤ في اتجاه الأسبوع المقبل، فإن الشبكة العصبية تنجح فقط حوالي 52٪ من الوقت ولكن استراتيجية التداول باستخدام هذه المعلومات مربحة جدا لأن الشبكة عادة ما تنجح في التنبؤات عندما يحدث انقطاع كبير واتجاه الاتجاه في حين أنه نادرا ما يقع في انعكاس مما يؤدي إلى فقدان مبالغ كبيرة من المال.
وعموما فمن الممكن جدا لخلق استراتيجيات ناجحة تستند فقط على الشبكات العصبية على أساس فقط على نتائج تفقد التنبؤات. ومع ذلك فمن المهم دائما أن نعتبر أن الشبكة العصبية هي في الطبيعة & # 8220؛ الصندوق الأسود & # 8221؛ وبالتالي يجب أن يكون الاختبار أقوى بكثير من الاستراتيجيات التقليدية المستمدة من الناحية التقنية (وهذا سيكون موضوع وظيفة أخرى). هناك العديد من الطرق التي تم بها القيام بذلك ولكن في حالة الأنظمة المذكورة أعلاه قمت بتعيين فترة تدريب لمدة 5 سنوات تليها 5 سنوات من فترة اختبار العينة لاختبار ما إذا كانت الشبكة قادرة على تحقيق نتائج ناجحة.
خطوة هامة أخرى من التنمية مع الشبكات العصبية هو أيضا لربط هذه تفقد التنبؤات في كوم كوميتس من الشبكات ومجموعات من الشبكات من أجل زيادة فرص النجاح. على سبيل المثال يمكنك استخدام 5 شبكات المدربين على التنبؤ الأسبوع المقبل & # 8217؛ ق اتجاه وثيق إلى جانب 5 الشبكات التي تتنبأ الاتجاه إغلاق شهري و 5 الشبكات التي تتنبأ اتجاه إغلاق الأسبوع 2 دخول الصفقات فقط عندما تقول جميع الشبكات أن السعر يسير نفس الطريقة. إنشاء كوم كوميتيس و و محاذاة من التوقعات من نماذج مختلفة ولكن مماثلة من شأنه أن يزيد من فرص نجاح نهج الشبكة العصبية القائمة على التداول.
الآن لقد وضعت بالفعل أساس المعرفة الجيدة في مجال الشبكات العصبية، وأنشأت بالفعل دلز التي نحن ملزمة لاستخدامها لاستغلال هذه التقنيات على MQL4 / 5 ولكن ما زلت بحاجة إلى جمع الكثير من الخبرة الإضافية والقيام طن من اختبارات متانة إضافية على بلدي نماذج الشبكة العصبية ولكن بالتأكيد نحن فقط بضعة أشهر بعيدا (ربما أقل؟) من أنظمة التداول أسيريكوي الأولى التي تعتمد حصرا على نماذج الشبكة العصبية.
إذا كنت ترغب في معرفة المزيد عن عملي في التداول الآلي وكيف يمكنك أيضا بناء وتصميم أنظمة التداول الآلي الخاصة بك على أساس تكتيكات التداول السليمة وفهمك يرجى النظر في الانضمام إلى أسيريكوي، موقع على شبكة الانترنت مليئة أشرطة الفيديو التعليمية، ونظم التداول والتنمية و وهو نهج سليم وصادق وشفاف تجاه التداول الآلي بشكل عام. آمل أن يحظى هذا المقال بإعجابكم ! : س)
3 الردود على & # 8220؛ الشبكات العصبية في التداول: انها ليست حول جعل التنبؤات دقيقة للغاية & # 8221؛
سلسلة كبيرة على الشبكات العصبية ومهتمة جدا لمعرفة ما كنت تأتي مع من حيث نظام الذي هو جيد أو أفضل من النظم الأخرى القائمة على القاعدة.
لقد لاحظت أن بعض الأنظمة القائمة على الشبكة العصبية (على الأقل من أدب المنتج) يبدو أنها تركز على تداول الأزواج. واحدة شعبية واحدة (مع نتائج مذهلة & # 8211؛ وبيعها كخدمة إشارة فقط) هو ليوترادر. لدي إعداد ميتا-ترادر ​​مع حق الوصول للقراءة فقط إلى أحد حساباتهم التي تحولت إلى إيداع بقيمة 500 دولار في أغسطس إلى أكثر من 2500 دولار الآن. نتائج مثيرة للإعجاب من قبل أي مقياس وأنها تحافظ على تحريك الفائزين.
على أية حال، نظرا لأن ن & # 8217 لا تجعل & # 8220؛ نعم أو لا & # 8221؛ القرارات، قد يكون مفيدا لتحرير العلاقات بين 2 أزواج & # 8211؛ في حالة ليوترادر، غبب / أوسد و ور / أوسد. فكر في الأمر لأنه يبدو هناك شيء آخر وجده الآخرون ويستغلونه بنجاح.
رعاية والحفاظ على العمل العظيم،
شكرا جزيلا لتعليقك: س) أنا سعيد لأنك مثل هذه السلسلة وإمكاناتها. وميزة هذا هو حقيقة أن إجراء تشكيل الشبكة العصبية ومعايير الإدخال / الإخراج الدقيق سيكون شفافا ولن يكون هناك أي تنفيذ أو أي مشاكل أخرى (كما هو الحال عند استخدام آلات النسخ التجارية). نضع في اعتبارنا أنني لن تخطط للقبض على تحركات السوق الصغيرة جدا (التي أفتقر إلى البيانات لمحاكاة بدقة كما تعلمون) ولكن أود أن تهدف إلى التنبؤ الإغلاق الأسبوعية، وحركات الزوج على المدى الطويل، الخ.
وهناك جانب مهم جدا من الشبكات العصبية التداول هو أن يكون السيطرة المطلقة على الشبكة بحيث تعرف بالضبط ما يجري القيام به. أود أن أشكك جديا حول أي من هذه الأنظمة & # 8220؛ مربحة للغاية & # 8221؛ كما أنها مقنعة من قبل المخاطر الخفية لمكافأة نسب وتقنية الشاملة وراءها هو & # 8211؛ في الواقع & # 8211؛ غير معروف. يمكن أن يكون هناك شبكة عصبية أو قرد أخذ إدخالات مع دارتبوارد وراء الستائر من أي مزود إشارة التجارية و & # 8211؛ كما تعلمون & # 8211؛ فإن النتائج على المدى القصير مضللة وغير مجدية، فقد شهدنا عدة مرات أرباحا أعلى في فترات قصيرة الأجل تمحى على المدى الأطول: o). كلما أرى تكتيكا تجاريا مع أرباح هائلة على المدى القصير وليس محاكاة على المدى الطويل مع السليم من عينة التحقق من صحة تشغيل على & # 8220؛ الصندوق الأسود & # 8221؛ الوضع، شيء واحد يتبادر إلى الذهن & # 8212؛ اهرب !
ما أسعى لتوفيره هو التعليم كله حول الشبكات العصبية والأدوات الحقيقية التي يمكن أن تساعد أعضاء أسيريكوي بناء أنظمة كاملة من الشبكات وحتى بناء شبكات لتحسين الاستراتيجيات القائمة على القاعدة الحالية. هذا هو مجرد أداة برمجة قوية جدا التي أسعى إلى جعل جزء مهم من أسيريكوي (كما حاولت أن تفعل مع علم الوراثة). شكرا جزيلا مرة أخرى لتعليقك كريس،
إذا كنت يمكن أن أقول موثوق بها أن تجربتك أدت إلى معدل التنبؤ الناجح لاتجاه 52٪، ثم نتائج الشبكة العصبية هي عشوائية إلى حد كبير (2٪ اضافية يمكن أن يكون الاختلاف الطبيعي). أعتقد أنني يمكن أن الوجه عملة ويقول رؤساء = السوق سوف ينتهي الأسبوع المقبل، وتحقيق نتائج مماثلة.
وقد قلت ذلك، وأعتقد أن هناك استخدامات عملية لل ننس، لأن استخدام صناديق سوداء للدولة من بين الفن مع الذكاء الاصطناعي لتوليد التنبؤات هو أكثر عقليا مقبولة من التقليب بنس واحد. بالإضافة إلى ذلك، & # 8220؛ راندم & # 8221؛ هو جهنم أفضل بكثير من معظم المؤشرات الفنية هناك، والتي تتوقع بشكل صحيح الاتجاه أقل بكثير من 40٪ من الوقت (أشبه 30٪!). إذا كان الناس يعرفون حقا احتمالات مؤشراتهم، فإنهم ربما لا يتاجرون بها!
واستنادا إلى خبرتك، هل تؤدي المزيد من المدخلات لتدريب ن إلى توقعات أفضل للتنبؤ، أم أن النتائج عشوائية بغض النظر عن عدد المدخلات المستخدمة؟ أيضا، كم عدد التوقعات التي تفكر في الحصول على 52٪ الخاص بك؟ وسأكون ممتنا لو أمكنكم الإجابة على هذه الأسئلة. وأعتقد أن الكثير من الناس يمكن أن تستفيد من الإجابات أيضا.

العملات الأجنبية أسعار الصرف التنبؤ باستخدام سغب والشبكة العصبية المتكررة ☆
يتم استكشاف وتقييم التغذية المرتدة في تطور العصبية وتقييمها لتطبيقه في وضع نماذج التنبؤ لأسعار صرف العملات الأجنبية. يتم عرض نهج جديد لأسعار صرف العملات الأجنبية التنبؤ استنادا إلى تكرار العصبية تطور. البرمجة الوراثية الديكارتية (سغب) هي الخوارزمية التي تم نشرها لنموذج التنبؤ. تكرار البرمجة الوراثية الديكارتية تطور الشبكة العصبية الاصطناعية (رسيغبان) ويتجلى لإنتاج نموذج حسابية فعالة ودقيقة للتنبؤ النقد الاجنبى مع دقة تصل إلى 98.872٪ لمدة 1000 يوم. ويستخدم هذا النهج الاتجاهات التي تتبع في البيانات التاريخية للتنبؤ بخمس أسعار صرف مقابل الدولار الأسترالي. يتم تقييم النموذج باستخدام المقاييس الإحصائية والمقارنة. تتفوق الطريقة الحسابية على الأساليب الأخرى خاصة بسبب قدرتها على اختيار أفضل ميزة ممكنة في الوقت الحقيقي والمرونة التي يوفرها النظام في اختيار الخصائص ونمط الاتصال والشبكة.
اختيار واستعراض الأقران تحت مسؤولية معهد بحوث هندسة المعلومات.