Forex Trading Algorithme Pdf

Les bases du Forex Trading Algorithmique Il ya près de trente ans, le marché des changes (Forex) a été caractérisé par des transactions effectuées par téléphone, les investisseurs institutionnels. Opaque, une distinction claire entre le négoce interdealer et le négoce concessionnaire-client et la faible concentration du marché. Aujourd'hui, les progrès technologiques ont transformé le marché. Les métiers sont principalement fabriqués par l'intermédiaire d'ordinateurs, ce qui permet aux commerçants de se lancer sur le marché, les prix en continu en temps réel ont conduit à une plus grande transparence et la distinction entre les concessionnaires et leurs clients les plus sophistiqués a largement disparu. Un changement particulièrement important est l'introduction de la négociation algorithmique. Qui, tout en apportant des améliorations significatives au fonctionnement de Forex trading, pose également un certain nombre de risques. En examinant les bases du marché Forex et de la négociation algorithmique, nous allons identifier certains avantages trading algorithmique a apporté à la négociation de devises tout en soulignant certains des risques. Bases Forex Forex est le lieu virtuel dans lequel les paires de devises sont négociés en volumes variables selon les prix cotés par lequel une devise de base est donné un prix en termes d'une monnaie de devis. Fonctionnant 24 heures sur 24, cinq jours par semaine, le Forex est considéré comme le plus grand marché financier mondial et le plus liquide. Selon la Banque des règlements internationaux (BRI), le volume moyen mondial quotidien des transactions en avril 2013 était de 2,0 trillions. La plus grande partie de ce commerce est faite pour les dollars américains, les euros et le yen japonais et implique une gamme de joueurs, y compris les banques privées, les banques centrales, les fonds de pension. Les investisseurs institutionnels, les grandes sociétés, les sociétés financières et les particuliers au détail. Bien que le commerce spéculatif peut être la principale motivation pour certains investisseurs, la principale raison de l'existence des marchés Forex est que les gens ont besoin de monnaies de négociation afin d'acheter des biens et services étrangers. L'activité sur le marché Forex affecte les taux de change réels et peut donc affecter profondément la production, l'emploi, l'inflation et les flux de capitaux d'une nation particulière. Pour cette raison, les décideurs, le public et les médias ont tous un intérêt dans ce qui se passe sur le marché Forex. Principes de la négociation Algorithmique Un algorithme est essentiellement un ensemble de règles spécifiques conçues pour compléter une tâche clairement définie. Dans le commerce des marchés financiers, les ordinateurs exécutent des algorithmes définis par l'utilisateur caractérisés par un ensemble de règles se composant de paramètres tels que le calendrier, le prix ou la quantité qui structurent les métiers qui seront effectués. Il existe quatre types fondamentaux de trading algorithmique au sein des marchés financiers: statistiques, auto-couverture, stratégies d'exécution algorithmique et accès direct au marché. Statistical se réfère à une stratégie algorithmique qui cherche des opportunités commerciales rentables basées sur l'analyse statistique des données chronologiques de séries chronologiques. La couverture automatique est une stratégie qui génère des règles pour réduire l'exposition d'un commerçant au risque. L'objectif des stratégies d'exécution algorithmique est d'exécuter un objectif prédéfini, tel que de réduire l'impact du marché ou d'exécuter un commerce rapidement. Enfin, l'accès direct au marché décrit les vitesses optimales et les coûts inférieurs auxquels les traders algorithmiques peuvent accéder et se connecter à de multiples plates-formes de négociation. L'une des sous-catégories du trading algorithmique est le trading à haute fréquence, qui se caractérise par la fréquence extrêmement élevée des exécutions de commandes commerciales. La négociation à grande vitesse peut donner des avantages significatifs aux commerçants en leur donnant la possibilité de faire des opérations en quelques millisecondes de variations de prix supplémentaires. Mais il peut également comporter certains risques. Trading Algorithmique sur le marché Forex Une grande partie de la croissance du trading algorithmique sur les marchés Forex au cours des dernières années a été due à des algorithmes d'automatisation de certains processus et de réduire les heures nécessaires pour effectuer des opérations de change. L'efficacité générée par l'automatisation conduit à des coûts moins élevés dans la réalisation de ces processus. Un tel processus est l'exécution d'ordres commerciaux. L'automatisation du processus de négociation avec un algorithme basé sur des critères prédéterminés, comme l'exécution d'ordres sur une période de temps déterminée ou à un prix spécifique, est nettement plus efficace que l'exécution manuelle par des humains. Les banques ont également profité des algorithmes qui sont programmés pour mettre à jour les prix des paires de devises sur les plates-formes de négociation électronique. Ces algorithmes augmentent la vitesse à laquelle les banques peuvent citer les prix du marché tout en réduisant simultanément le nombre d'heures de travail manuelles nécessaires pour cotiser les prix. Certaines banques programment des algorithmes pour réduire leur exposition au risque. Les algorithmes peuvent être utilisés pour vendre une devise particulière pour correspondre à un commerce de clients dans lequel la banque a acheté le montant équivalent afin de maintenir une quantité constante de cette monnaie particulière. Cela permet à la banque de maintenir un niveau d'exposition au risque prédéfini pour détenir cette devise. Ces procédés ont été rendus beaucoup plus efficaces par des algorithmes, conduisant à des coûts de transaction plus faibles. Pourtant, ce ne sont pas les seuls facteurs qui ont été la conduite de la croissance dans le Forex trading algorithmique. Les algorithmes sont de plus en plus utilisés pour le négoce spéculatif, car la combinaison de la haute fréquence et de la capacité des algorithmes d'interpréter les données et d'exécuter des ordres a permis aux opérateurs d'exploiter les opportunités d'arbitrage découlant de petites déviations de prix entre paires de devises. Tous ces avantages ont conduit à l'utilisation accrue des algorithmes sur le marché Forex, mais laisse regarder quelques-uns des risques qui accompagnent le trading algorithmique. Risques impliqués dans Algorithmique Forex Trading Bien que le trading algorithmique a fait de nombreuses améliorations, il ya quelques inconvénients qui pourraient menacer la stabilité et la liquidité du marché Forex. Un tel inconvénient est lié aux déséquilibres du pouvoir de négociation des acteurs du marché. Certains participants ont les moyens d'acquérir une technologie sophistiquée qui leur permet d'obtenir des informations et d'exécuter des ordres à une vitesse beaucoup plus rapide que d'autres. Ce déséquilibre entre les riches et les démunis en termes de technologie algorithmique la plus sophistiquée pourrait conduire à une fragmentation au sein du marché qui pourrait conduire à des pénuries de liquidités au fil du temps. En outre, bien qu'il existe des différences fondamentales entre les marchés boursiers et le marché Forex, il ya certains qui craignent que le commerce de haute fréquence qui a exacerbé le crash boursier le 6 mai 2010 pourrait également affecter le marché Forex. Comme les algorithmes sont programmés pour des scénarios de marché spécifiques, ils peuvent ne pas répondre assez rapidement si le marché devait changer drastiquement. Afin d'éviter ce scénario, les marchés peuvent avoir besoin d'être surveillés et la négociation algorithmique suspendue pendant les turbulences du marché. Toutefois, dans des scénarios aussi extrêmes, une suspension simultanée de la négociation algorithmique par de nombreux acteurs du marché pourrait entraîner une volatilité élevée et une réduction drastique de la liquidité du marché. La ligne de fond Bien que le trading algorithmique a été en mesure d'augmenter l'efficacité, réduisant ainsi les coûts de la négociation des devises, il est également venu avec certains risques supplémentaires. Pour que les monnaies fonctionnent correctement, elles doivent être des réserves de valeur quelque peu stables et être très liquides. Ainsi, il est important que le marché Forex reste liquide avec une faible volatilité des prix. Comme dans tous les domaines de la vie, les nouvelles technologies présentent de nombreux avantages, mais elles comportent également de nouveaux risques. Le défi pour l'avenir de la négociation algorithmique Forex sera la façon d'instituer des changements qui maximisent les avantages tout en réduisant les risques. Un terme utilisé par John Maynard Keynes utilisé dans un de ses livres d'économie. Dans sa publication de 1936, la théorie générale de l'emploi. Loi qui prévoit un grand nombre de réformes aux lois et aux règlements des régimes de retraite des États-Unis. Cette loi en a fait plusieurs. Une mesure de la part active de la main-d'œuvre d'une économie. Le taux de participation se réfère au nombre de personnes qui sont. L'ensemble du stock de monnaie et d'autres instruments liquides dans l'économie d'un pays à un moment donné. La masse monétaire. 1. En général, une situation d'égalité. La parité peut se produire dans de nombreux contextes différents, mais cela signifie toujours deux choses. Une classification des actions de négociation lorsqu'un dividende déclaré appartient au vendeur plutôt qu'à l'acheteur. Un stock sera. SnowCron Algorithme génétique dans les systèmes de trading FOREX utilisant Algorithme génétique pour créer rentable FOREX Trading Strategy. Algorithme génétique dans le réseau de réseaux neuronaux du cortex Feedforward Backpropagation Réseau neuronal Application pour les calculs génétiques basés trading Forex. Cet exemple utilise des concepts et des idées de l'article précédent, alors s'il vous plaît lisez Algorithme génétique réseau neuronal dans Forex Trading Systems d'abord, mais il n'est pas obligatoire. À propos de ce texte Tout d'abord, veuillez lire l'avertissement. Ceci est un exemple d'utilisation de la fonctionnalité de l'algorithme génétique du logiciel de réseaux neuronaux de Cortex, et non un exemple de la façon de faire du commerce rentable. Je ne suis pas votre gourou, je ne devrais pas non plus être responsable de vos pertes. Cortex Neural Networks Software a des réseaux de neurones en elle, et FFBP nous avons discuté avant est seulement une façon de choisir des stratégies de trading forex. C'est une bonne technique, puissante et appliquée correctement, très prometteuse. Cependant, il a un problème - pour enseigner le Réseau Neural. Nous devons connaître la sortie souhaitée. Il est assez facile de le faire lorsque nous faisons l'approximation de la fonction, nous prenons simplement la valeur réelle d'une fonction, parce que nous savons ce qu'elle devrait être. Quand nous faisons des prévisions de réseaux neuronaux. Nous utilisons la technique (décrite dans les articles précédents) d'enseigner le réseau neuronal sur l'histoire, encore une fois, si nous prédisons, disons, un taux de change, nous savons (pendant la formation) ce que la prédiction correcte est. Cependant, lorsque nous construisons un système de négociation, nous n'avons aucune idée de ce que la décision de négociation correcte est, même si nous savons le taux de change Comme la question de fait, nous avons beaucoup de stratégies de trading de forex, nous pouvons utiliser à tout moment, Nous devons trouver un bon - comment Que devons-nous nourrir comme la sortie souhaitée de notre réseau neuronal Si vous avez suivi notre article précédent, vous savez, que nous avons triché pour faire face à ce problème. Nous avons enseigné le réseau neuronal pour faire la prévision du taux de change (ou taux de change basé indicateur), puis utilisé cette prédiction pour faire du commerce. Ensuite, en dehors de la partie réseau neuronal du programme, nous avons pris une décision sur quel réseau neuronal est le meilleur. Algorithmes génétiques peuvent traiter ce problème directement, ils peuvent résoudre le problème déclaré comme trouver les meilleurs signaux commerciaux. Dans cet article, nous allons utiliser Cortex Neural Networks Software pour créer un tel programme. Utilisation de l'algorithme génétique Les algorithmes génétiques sont très bien développés et très divers. Si vous voulez en savoir plus sur eux, je vous suggère d'utiliser Wikipedia, car cet article est seulement sur ce que le logiciel Cortex Neural Networks peut faire. Avoir un logiciel de réseaux neuronaux Cortex. Nous pouvons créer un réseau neuronal qui prend une certaine entrée, disons, les valeurs d'un indicateur, et produit une certaine sortie, par exemple, les signaux de négociation (acheter, vendre, tenir.) Et arrêter les niveaux de perte / prise de profit pour les positions à ouvrir. Bien sûr, si nous semons ce réseau neuronal poids s au hasard, les résultats commerciaux seront terribles. Cependant, disons que nous avons créé une douzaine de tels NN. Ensuite, nous pouvons tester la performance de chacun d'entre eux, et choisir le meilleur, le gagnant. C'était la première génération de NN. Pour continuer à la deuxième génération, nous devons permettre à notre gagnant de procréer, mais pour éviter d'obtenir des copies identiques, ajoute un peu de bruit aléatoire à ses poids descendants. Dans la deuxième génération, nous avons notre gagnant de première génération et ses copies imparfaites (mutées). Permet de faire des tests à nouveau. Nous aurons un autre gagnant, qui est MIEUX alors tout autre réseau neuronal dans la génération. Etc. Nous permettons simplement aux gagnants de se reproduire, et d'éliminer les perdants, tout comme dans l'évolution de la vie réelle, et nous obtiendrons notre meilleur réseau commercial de neurones. Sans aucune connaissance préalable sur ce que le système commercial (algorithme génétique) devrait être comme. Réseau neuronal Algorithme génétique: Exemple 0 C'est le premier exemple d'algorithme génétique. Et un très simple. Nous allons le parcourir étape par étape, pour apprendre toutes les astuces que les exemples suivants utiliseront. Le code contient des commentaires en ligne, alors laissez-nous nous concentrer sur les moments clés. Tout d'abord, nous avons créé un réseau de neurones. Il utilise des poids aléatoires et n'a pas encore été enseigné. Puis, en cycle, nous en faisons 14 copies, en utilisant MUTATIONNN fumction. Cette fonction fait une copie d'un réseau neuronal source. En ajoutant des valeurs aléatoires de 0 à (dans notre cas) 0,1 à tous les poids. Nous gardons les poignées à 15 NNs résultants dans un tableau, nous pouvons le faire, car handle est juste un nombre entier. La raison pour laquelle nous utilisons 15 NNs n'a rien à voir avec la négociation: Cortex Neural Networks Software peut tracer jusqu'à 15 lignes sur un graphique simultanément. Nous pouvons utiliser différentes approches pour les tests. Tout d'abord, nous pouvons utiliser l'ensemble d'apprentissage, tout cela à la fois. Deuxièmement, nous pouvons tester sur, disons, 12000 resords (sur 100000), et marcher à travers l'ensemble d'apprentissage, du début à la fin. Cela rendra les apprentissages différents, car nous allons chercher des réseaux neuronaux qui sont rentables sur une partie donnée de données, et pas seulement sur l'ensemble. La deuxième approche peut nous donner des problèmes, si les données changent, du début à la fin. Ensuite, le réseau va évoluer, l'obtention de la capacité de négocier à la fin de l'ensemble de données, et la perte de la capacité de négocier à son début. Pour résoudre ce problème, nous allons prendre des fragments de 12000 enregistrements aléatoires à partir de données, et de l'alimenter au réseau neuronal. Est simplement un cycle sans fin, car 100000 cycles ne seront jamais atteints à notre vitesse. Ci-dessous nous ajoutons un enfant pour chaque réseau, avec des poids légèrement différents. Notez que 0.1 pour mutation tange n'est pas le seul choix, comme la question de fait, même ce paramètre peut être optimisé en utilisant l'algorithme génétique. Les NN nouvellement créés sont ajoutés après 15 noms existants. De cette façon, nous avons 30 NN dans un tableau, 15 anciens et 15 nouveaux. Ensuite, nous allons faire le prochain cycle de tests, et de tuer les perdants, des deux générations. Pour faire des tests, nous appliquons le réseau neuronal à nos données, pour produire des sorties, puis appelez la fonction Test, qui utilise ces sorties pour simuler la négociation. Les résultats de la négociation sont utilisés pour deside, qui NNs sont les meilleurs. Nous utilisons un intervalle de nLearn enregistrements, de nStart à nStart nLearn, où nStart est un point aléatoire dans le jeu d'apprentissage. Le code ci-dessous est un truc. La raison pour laquelle nous l'utilisons est d'illustrer le fait que l'algorithme génétique peut créer un algorithme génétique. Mais ce ne sera pas nécessairement le meilleur, et aussi, pour suggérer, que nous pouvons améliorer le résultat, si nous impliquons quelques limitations au processus d'apprentissage. Il est possible que notre système de négociation fonctionne très bien sur les longs métiers, et très faible sur court, ou vice versa. Si, par exemple, les métiers longs sont TRÈS bons, cet algorithme génétique peut gagner, même avec des pertes importantes sur les métiers de courte durée. Pour l'éviter, nous attribuons plus de poids aux métiers longs dans les métiers bizarres et courts dans des cycles pairs. C'est juste un exemple, il n'y a aucune garantie, qu'il améliorera quelque chose. Plus d'informations ci-dessous, dans la discussion sur les corrections. Techniquement, vous n'avez pas à le faire, ou peut le faire différemment. Ajoutez du profit à un tableau trié. Il retourne une position d'insertion, puis nous utilisons cette position pour ajouter le gestionnaire de réseau neuronal, l'apprentissage et les bénéfices de test aux matrices non triées. Maintenant nous avons des données pour le réseau neuronal actuel au même indice de tableau que son profit. L'idée est d'arriver à un tableau de NN, triés par la rentabilité. Comme le tableau est trié par le profit, pour supprimer la moitié des réseaux, qui sont moins rentables, nous avons juste besoin d'enlever NNs 0 à 14 Les décisions de négociation sont basées sur la valeur du signal réseau neuronal, de ce point de vue le programme est identique Exemples de l'article précédent. Stratégie Trading FOREX: Discuter exemple 0 Tout d'abord, nous allons jeter un oeil à des graphiques. Le premier graphique de profit au cours de la première itération n'est pas bon du tout, comme on peut s'y attendre, le réseau neuronal perd de l'argent (image evolution00gen0.png copié après la première itération du dossier images): L'image pour le profit sur le cycle 15 est meilleure, parfois , Algorithme génétique peut apprendre très vite: Cependant, remarquez la saturation sur une courbe de profit. Il est intéressant également de regarder la façon dont les profits individuels changent, en gardant à l'esprit, que le nombre de courbes, disons, 3 n'est pas toujours pour le même réseau neuronal. Comme ils sont nés et résiliés tout le temps: Notez également, que peu Forex système commercial automatisé effectue pauvres sur les métiers de courte durée, et beaucoup mieux sur longs, qui peut ou non être lié au fait, que le dollar a été en baisse par rapport à Euro pendant cette période. Il peut aussi avoir quelque chose à voir avec les paramètres de notre indicateur (peut-être, nous avons besoin de période différente pour les courts métrages) ou le choix des indicateurs. Voici l'histoire après 92 et 248 cycles: À notre grande surprise, l'algorithme génétique a échoué complètement. Essayons de comprendre pourquoi, et comment aider la situation. Tout d'abord, n'est pas chaque génération censé être mieux que le previuos La réponse est non, du moins pas dans le modèle que nous avons utilisé. Si nous avons pris ENTIER apprentissage ensemble à la fois, et utilisé à plusieurs reprises pour enseigner nos NN, alors oui, ils vont améliorer sur chaque génération. Mais au lieu de cela, nous avons pris des fragments aléatoires (12000 enregistrements dans le temps) et les avons utilisés. Deux questions: pourquoi le système a échoué sur des fragments aléatoires de l'ensemble d'apprentissage, et pourquoi havent nous avons utilisé tout ensemble d'apprentissage Bien. Pour répondre à la deuxième question, je l'ai fait. NNs ont accompli beaucoup - sur l'ensemble d'apprentissage. Et ils ont échoué sur l'ensemble de tests, pour la même raison, il échoue lorsque nous avons utilisé l'apprentissage FFPB. En d'autres termes, nos NN se sont surspécialisés, ils ont appris à survivre dans l'environnement auquel ils sont habitués, mais pas à l'extérieur. Cela arrive beaucoup dans la nature. L'approche que nous avons prise à la place était destinée à compenser cela, en obligeant NNs à effectuer de bonnes sur n'importe quel fragment aléatoire de l'ensemble de données, de sorte que, espérons-le, ils pourraient également effectuer sur un ensemble de tests peu familier. Au lieu de cela, ils ont échoué à la fois sur les tests et sur l'ensemble d'apprentissage. Imaginez des animaux, vivant dans un désert. Beaucoup de soleil, pas de neige du tout. Il s'agit d'une métafor pour rizing marché, comme pour nos données NNs jouer le rôle de l'environnement. Les animaux ont appris à vivre dans un désert. Imaginez des animaux qui vivent dans un climat froid. Neige et pas de soleil du tout. Eh bien, ils ont ajusté. Cependant, dans notre expérience, nous avons placé au hasard nos NN dans un désert, dans la neige, dans l'eau, sur les arbres. En les présentant avec différents fragments de données (hausse aléatoire, baisse, plat.). Des animaux sont morts. Ou, pour le dire autrement, nous avons sélectionné le meilleur réseau neuronal pour l'ensemble de données aléatoires 1, qui, disons, était pour la hausse du marché. Ensuite, nous avons présenté, aux gagnants et à leurs enfants, une baisse des données sur les marchés. NNs mal exécuté, nous avons pris le meilleur des artistes pauvres, peut-être, l'un des enfants mutants, qui a perdu la capacité de commerce sur la hausse du marché, mais a obtenu une certaine capacité à faire face à la chute. Ensuite, nous avons tourné la table à nouveau, et encore, nous avons obtenu le meilleur interprète - mais le meilleur parmi les mauvais interprètes. Nous n'avons tout simplement pas donner à nos NN toutes les chances de devenir universel. Il existe des techniques permettant à l'algorithme génétique d'apprendre de nouvelles informations sans perdre de performance sur de vieilles informations (après tout, les animaux peuvent vivre en été et en hiver, à droite). Nous pouvons discuter de ces techniques plus tard, bien que cet article est plus sur l'utilisation de Cortex Neural Networks Software. Que sur la construction d'un système de trading automatisé forex succès. Algorithme génétique du réseau neuronal: Exemple 1 Il est maintenant temps de parler de corrections. Un algorithme génétique simple que nous avons créé au cours de l'étape précédente comporte deux failles majeures. Premièrement, il n'a pas échangé avec le profit. Il est ok, nous pouvons essayer d'utiliser partiellement formé système (il était rentable au début). Le deuxième défaut est plus grave: nous n'avons aucun contrôle sur les choses, que ce système fait. Par exemple, il peut apprendre à être rentable, mais avec des tirages énormes. C'est un fait bien connu, que dans la vie réelle, l'évolution peut optimiser plus d'un paramètre simultanément. Par exemple, nous pouvons obtenir un animal, qui peut courir vite et être résistant au froid. Pourquoi ne pas essayer de faire de même dans notre système de trading automatisé forex. C'est quand nous utilisons des corrections, qui ne sont rien d'autre que l'ensemble des peines supplémentaires. Disons, notre système trades avec drawdown 0,5, alors que nous voulons le confirmer à 0 - 0,3 intervalle. Pour dire au système qu'il a fait une erreur, nous diminuer son bénéfice (un utilisé pour déterminer, quel algorithme génétique a gagné) au degré, qui est proportionnel à la taille de DD. Ensuite, l'algorithme d'évolution s'occupe du reste. Il y a peu d'autres facteurs que nous voulons prendre en considération: nous pouvons vouloir avoir un nombre plus ou moins égal d'opérations d'achat et de vente, nous voulons avoir plus d'opérations rentables, puis d'échecs, Être linéaire et ainsi de suite. Dans evolution01.tsc, nous mettons en œuvre un ensemble simple de corrections. Tout d'abord, nous utilisons un grand nombre pour une valeur de correction initiale. Nous le multiplions à une petite (habituellement, entre 0 et 1) valeurs, en fonction de la punition que nous voulons appliquer. Ensuite, nous multiplions notre profit par cette correction. En conséquence, le profit est corrigé, pour refléter à quel point l'algorithme génétique correspond à nos autres critères. Ensuite, nous utilisons le résultat pour trouver un réseau neuronal gagnant. Stratégie de trading FOREX: Discussion de l'exemple 1 L'exemple 1 fonctionne beaucoup mieux que l'exemple 0. Au cours des 100 premiers cycles, il a beaucoup appris et les graphiques de bénéfices semblent rassurants. Cependant, comme dans l'exemple 0, les métiers longs sont beaucoup plus rentables, ce qui signifie très probablement qu'il ya un problème dans notre approche. Néanmoins, le système a trouvé un équilibre entre deux conditions initiales contradictoires: Il ya une certaine dynamique positive à la fois dans le jeu d'apprentissage et, plus important, dans l'ensemble de tests. En ce qui concerne les apprentissages ultérieurs, au cycle 278, nous pouvons voir que notre système a été surexposé. Cela signifie que nous avons encore des progrès sur le jeu d'apprentissage: Mais l'ensemble de tests montre la faiblesse: C'est un problème commun avec les NN: quand on l'enseigne sur le jeu d'apprentissage, il apprend à y faire face et parfois, il apprend trop bien - Degré, quand il perd la performance sur l'ensemble d'essai. Pour faire face à ce problème, une solution traditionnelle est utilisée: nous continuons à chercher le réseau neuronal. Qui effectue le meilleur sur le jeu de test, et l'enregistrer, en écrasant le meilleur précédent, chaque fois que le nouveau pic est atteint. C'est la même approche, nous avons utilisé dans la formation FFBP, sauf, cette fois, nous devons le faire nous-mêmes (l'ajout de code, qui cherche un meilleur réseau neuronal sur un ensemble de tests, et d'appeler SAVENN, ou d'exporter des poids de réseau neuronal à un fichier). De cette façon, lorsque vous arrêtez votre formation, vous aurez le meilleur interprète sur le SET test enregistré et vous attend. Notez également que ce n'est pas le max. Profit que vous êtes après, mais les performances optimales, alors envisager d'utiliser des corrections, lors de la recherche d'un meilleur interprète sur un ensemble de tests. Algorithme génétique pour l'analyse technique de FOREX: Où maintenant Après que vous ayez obtenu votre réseau de neurones gagnant. Vous pouvez suivre les étapes, décrites dans l'article précédent, pour exporter les poids de ce réseau neuronal. Et puis de les utiliser dans votre plateforme de trading en temps réel, comme Meta Trader, Trade Station et ainsi de suite. Alternativement, vous pouvez vous concentrer sur d'autres façons d'optimiser le réseau neuronal. Contrairement à l'algorithme FFBP, ici vous pouvez obtenir avay d'utiliser des ensembles d'apprentissage et de test, et de déplacer l'apprentissage séquentiel. Télécharger Cortex Order Cortex Voir la liste des prix La visibilité est très importante pour ce site. Si vous le désirez, veuillez accéder à cette URL