신경 스프레이 외환 트레이딩 시스템

+

레오 니드 Velichkovsky 인터뷰 : 신경망에 대한 가장 큰 신화는 슈퍼 수익성 인터뷰 레오 니드 Velichkovski (LeoV)의 영웅은 이미 자동화 된 거래 선수권 대회에 참여하고있다. 2008 년, 그의 복수 통화 신경 네트워크는 특정 순간에 110,000을 획득, 하늘에서 밝은 빛처럼했지만, 결국 자신의 적극적인 자금 관리에 피해자 떨어졌다. 2 년 전, 자신의 인터뷰에서 레오 니드 자신의 거래 경험을 공유하고 자신의 전문 관리자의 기능에 대해 우리에게 이야기했다. ATC 2010 년 직전에, 레오 니드 신경 네트워크와 관련된 가장 일반적인 신화와 오해에 대해 이야기합니다. - 레오 니드, 당신은 거래에 대한 신경 네트워크를 사용하는 상인 공동체의 희귀 대표입니다. 이들은 매우 복잡한 개발, 그러나 그들의 팬의 군대는 성장 유지합니다. 무엇 신경망에서 당신을 유치하는 것은 - 6 년 전, 처음에, 신경 네트워크는 새로운, 이상한 신비한 캐릭터와 겉으로는 높은 수익성 날을 끌었다. 수년에 걸쳐, 많은 신화는 갔다, 하지만 신경 네트워크는 여전히 자신의 능력 임의의 곡선에 적응하고 아무것도 아무도 그들을 찾을 수있는 패턴을 찾기 위해 저를 유치 할 수 있습니다. - 당신이 신경 네트워크와 관련된 신화에 대한 자세한 내용을 알 수이 필드의 모든 환멸을 충족 - 신경 네트워크와 관련된 가장 큰 신화는 슈퍼 수익성이다. 그러나 이것은 전체 신경 네트워크에 있지만 외환에뿐만 아니라 적용됩니다. 그것은 복잡 아무것도이야 없다, 구매 및 판매 - 처음에 적립 쉬운 것 같다. 나중에, 그러나, 몇 가지 요인 당신도 몰랐다있는, 표시 - 만 당신은 이해하고 그들을 이해하기 시작합니다. 가능한 모든 데이터와 함께 어떤 시장에 훈련하고 적응하는 능력 - 신경 네트워크에서 실망 당신을 끌어 당기는 매력이 바로 그 것입니다. 금융 시장에 적용 할 때 그들의 큰 장점은 큰 단점이다. 이 놀라운 변신이다 - 외환에는 슈퍼 수익성은 신경 네트워크에서뿐만 아니라, 또한 없다 - 당신이 어떤 개인적인 경험이 있었 신경망 슈퍼 이익을 가져 오지 않는다는 것을 이해하게 않았다 방법. 엄밀히 말하면, 신경망 같은 거래 시스템 (이하 - TS). 그들은 단지 대신 공통 지표의 neuronet를 사용합니다. 그리고 가장 중요한면, 즉 상인의 탐욕 자금 관리입니다. 당신이 거래를 시작할 때 t 같은 돈 관리의 개념이 돈. 하지만이 도구의 필요성을 깨닫게. 외환 작업, 일반적으로 금융 시장에서 항상 위험에 연결되어 있습니다. 당신은 100과 10의 위험이 서로 다른 두 가지 것을 알고 있어야합니다. I 100, 500, 심지어 1,000 달러의 초기 보증금에 상장 할 때, 거기에 어떤 위험이 있었고, 거래에 대한 모든 접근 방식은 특정이었다. 나는 더 많은 양을 거래하기 시작했다 때, 거래에 대한 태도는 확실히 다른 무언가가되었다 - 위험의 수준, 그리고 나는 빨리 내가​​ 모든 것을 잃을 수 있다는 것을 이해했다. 특정 책임이 함께​​했다. (100)의 예금에 거래 예를 들어, 연간 100의 이익은 거의 만족 수 없다, 나는 생각한다. 그러나 연간 100 100,000 이익의 예금에 거래하는 것은 전혀 나쁜 것입니다. 따라서, 심리적 갈등의 종류가있다 - 작은 예금 거래 상인, 신속하고 가능한 한 많이 적립 추구합니다. 이것은 모든 생각할 수있는 위험을 넘어 상인들을 못살게 굴지. 그 결과 작은 예금 거래 때문에 신속하고 가능한 한 많이 벌 수있는 상인의 자연 욕망의 실패로 운명, 내가 믿는, 따라서 보증금의 자연 손실이다. 100은, 예를 들어, 위험으로부터 거리를 유지하기 위해 충분한 양이 아니다. - 지난 6 년 동안, 당신은 거래 신경 네트워크와 협력했습니다. 당신이 사용하는 일이 신비의 신경 네트워크를 만들려면 어떻게 - 나는 프로그래머가 아니에요, 나는 상인 해요. 신경 네트워크 프로그래밍 및 금융 시장에서 그들을 사용하여 완전히 다른 것들입니다. 로마 Kramar (bstone), 유리 Zaitsev (YuraZ), 빅터 니콜라 (Vinin)와 드미트리 Fedoseev (정수) - 프로그래머 나 전문가 자문을 개발하는 데 도움이됩니다. 그들 모두는 전문가들이 자신의 분야에서, 나는 t 많은 설명 할 필요가 돈이다 - 그들은 완벽하게 모든 것을 알고있다. 그리고 자신의 작품과 전문성에 대한 그들 모두에게 매우 감사한다. 또한, 나는 협력 및 금융 시장의 신경 네트워크의 응용 프로그램에 나에게 귀중한 정보를 준 스티브 워드 (워드 시스템 그룹)와 세르게이 Dolenko (Neuroproject)와 함께 작업을 계속하고있다. 또한, 나는 새로운 시스템과 지표를 테스트 누구와 데니스 마이어스 (마이어스 웹 로그 분석), 필립 Lonjoux (NOXA 웹 로그 분석, 주식 회사)와 마크 심슨 (Bowfort 테크놀로지 주식 회사)와 긴밀하게 협력. 나는 금융 시장의 신경망의 응용 프로그램이 많은 기능과 혁신적인 개념과 기술을 가지고 있으며, 다른 지역에서의 사용에 많은 차이가 있습니다 싶습니다. 나는 물론 지금은없이 내가 t 할 수있는, NeuroShell는 메타 트레이더 5 일 또 다른 필수 불가결 한 도구로 친구를 만들기 위해 노력하고, 메타 트레이더 4를 사용합니다. 나는 메타 트레이더 4 NeuroShell 사이의 다리 MTFeed를 사용합니다. - 훈련 신경망 많은 방법이있다. 레오 니드, 당신이 그들을 훈련 않습니다 그리고 마지막으로, 신경망 거래에 많은 초보자를 괴롭히는 문제는 방법 : 방법을 통해 훈련 소위 피하기 위해 - 그것은 복잡한 질문이야하는 I (및뿐만 아니라 나에게) 아무 대답이 없다하고 이는 명확하게 체계화하는 것이 불가능하다. 그럼에도 불구하고, 나는 훈련을 통해 훈련을 방지 할 수있는 방법의 핵심 문제에 터치하려고합니다. 때문에 강력한 비선형 및 데이터에 적응 할 수있는 능력, 신경 네트워크는 매우 잘 조절 훈련을하고 결과로 - 이상 - 훈련했다. 그 내층 몇 뉴런와 신경망 쉽게 수천 바의 이력을 기억한다. 이는 금융 시장에 적용되는 경우에만 걸쳐 훈련 신경망에 내재되어 있음에 유의해야한다. 과거에 무슨 일이 있었는지 미래에 사라질 것입니다 - 우리는 모두 시간이 지남에 따라 시장의 변화가 있음을 알고이 평균을하는 일. 글쎄, 그것은 존재하지만 다소 다르게, 아니 100 퍼센트 일치가 없을 것입니다. 패턴, 법률, 시장 영역은 - 이 모든 것이 시장의 다른 부분에 다른 것입니다. 신경 네트워크도 또한 히스토리 데이터에 숙련 될 때 과거의 학습 (예)을 알게되는 경우가 발생할 경우, 결국 단순히 통지 또는 향후 새로운 패턴과 시장 영역을 식별하지 못할 수도있다. 그들 모두는 어떤 변화를 겪고 있기 때문에. 즉 뉴럴 네트워크는 너무 잘 과거에 존재 시장 조건에 적합하지만, 변경된 시장 조건의 새로운 패턴을 인식 할 수 없습니다 갖는다. 훈련의 초기 정지 훈련 기간의 증가 :이 여러 가지 있지만, 주요 그들 중 두 가지 이상 훈련 피할 수있는 방법이 있습니다. 그러나 두 방법은 자신의 심각한 단점이있다. - 사용 오류, 이익 수준, 삭감 및 수학 다른 어떤 점에서 나는 기준이 질문에 많은 답변이 있다는 것을 사용해야 어떤 훈련을 중지한다 초기 정지에서, 어려운 질문, 어떤에 응답이 없다가 기준. 그러나 그들은 적시에 정지의 백 퍼센트 보증을 제공하지 않습니다. 따라서, 훈련이 적시에 정지는 상인의 능력에 따라 달라집니다. 이것은 과거에 있었던 더는 더는 향후에있을 것이다 오해가있다. 훈련의 간격의 오차가 작을수록 네트워크 미래 동작한다. 그러나 그건 사실이 아니다 - 시장이 변화되고, 너무 잘 기록 데이터에서 훈련되고, 신경 네트워크는 미래를보고 실패 할 수 있습니다. 오류가 증가하는 훈련 시간이 점차 감소 - (- 최적화의 간격 외부 샘플의 아웃) 또는 실제 계정에 다음이다 나는 OOS에 대한 교육과 이익의 일부에 오류 비율이 나의 자신의 경험에서 알 수 하지만 이익이 먼저 증가하고 시간에 특정 순간에 최대를 형성 떨어진다. 이것은 우리가 잡을 필요가있는 아주 최고입니다. 또한, 트레이닝 시간이 증가함에 따라, 오차는 점진적으로 감소하고, OOS의 이익은 더 몇 개의 최대 값을 생성 할 수 있지만, 그들은 일반적으로 최초보다 작다. 나는 상황이 발생하지만 두 번째, 심지어 세 번째 최대 값은 첫 번째보다 더 높은 있었던 곳. 그러나 그것은 제 최대 수익성 및 효율성 측면에서 나머지보다 더 낫다고 생각된다. 사실, 우리의 작업은 첫 번째 최대를 잡을 것입니다. 그리고 기술과 상인의 경험에 따라 달라집니다 - 나는 t는 다른, 보다 정확한 기준을 알고 돈. 물론, 우리는 수익성, 오류, 삭감, 샤프 비율, 및 기타 여러 매개 변수의 비율에 의해 인도되어야 수 있지만. 그러나 궁극적으로, 그것은 사용하는 것을 기준 상인에 전적으로 의존한다. 그리고 그는 자신의 TS를 이해하는 방법에 의존하고 작동 방법을 알고 있습니다. 훈련의 간격에있는 동안, 완전히 다른 일이 일어난다. 오류가 점차 감소하고 원활하게 이익 증가 - 오류 및 이익은 정확히 반대 동작합니다. 최적화 동안 이익이 증가하는 경우, 이것은 Expert Advisor로 간단하게 부드러운 곡선으로 가격 변화, 시장의 곡선에 장착 의미합니다. 이 곡선은 위로 상승 할 전망 및 자본이라고합니다. 사실, 이러한 최적화는 오류를 줄일 수도있다. 그리고 우리는 다음과 같은 일을 얻을 : 교육이나 최적화 부분에 더 큰 이익이다, 당신은 훈련 오버 이상 최적화 결과로, (피팅)과 미칠 가능성 - 미래의 손실을. 오버 트레이닝 방지하는 두 번째 방법은 네트워크가 훈련 된 데이터의 양을 증가시키는, 즉 훈련의 간격을 증가시키는 것이다. 그러나이 방법은 그 함정이 있습니다. 금융 시장 내의 데이터 량의 증가는 네트워크 단순히 보거나 주어진 트레이닝 구간에 존재 그 패턴 및 시장 영역을 인식 할 수 없을 수 있다는 사실을 이끈다. 이 절은 너무 큽니다. 시장이 시간에 따라 변화하기 때문이다. 특정 패턴이 큰 간격이 너무 다른 나타나고 네트워크 t 이것은 단지 시간에 걸쳐 변경 동일한 패턴이라고 정의 할 수있다. 그런 자연의 문제가 발생한다 : 여기서 훈련을위한 네트워크에 대한 답변입니다 제공해야 시장의 어느 부분 : 네트워크가 성공적으로 TS와 상인에 필요한 패턴과 시장 영역을 인식하는 부분입니다. 이 상인의 능력에 따라 달라집니다 - 방법 그는 시장과 얼마나 잘 그가 훈련의 오른쪽 부분을 선택할 수 있습니다 본다. 내 경험에 의하면 이것은 기간과 시장 상태에 따라 500 2000 바에서입니다. 거기 훈련 피하기 위해 좀 더 가지 방법이 있습니다, 하지만 그들은 그렇게 중요하지 않습니다. 당신은 많은 상인이 얼마나 숙련과 경험에 따라 달라 참조하십시오. 그래서이 직업은 수학적 지식뿐만 아니라 일부 창조성뿐만 아니라 필요하다고 생각합니다. 모든 특징 및 신경망을 이용뿐만 아니라, 통상의 TS들 뉘앙스가 시간이 지남에 따라 시장 변화, 과거 절대 앞으로 정확하게 반복 없다는 사실에서 오는 것이 분명하다. 이 기능은 금융 시장에 존재합니다. 그것은 필요 독립적 대해 알아 것이다 - 당신이 신경망에 많은 양의 데이터를 제공하고 교육하도록해야 인기 신화있다. 신경 네트워크의 정상적인 사용을 위해이 사실 일 수 있지만, 금융 시장은 내가 위에서 설명한 자신의 특색을 가지고, 그래서 그렇지, 이 경우 너무 쉽다. 제 생각에는, 이 두 가지 방법은 신경망하지 않고, 일반적인 전문가 자문의 최적화에 적용을 통해 훈련 방지 할 수 있습니다. 오버 최적화, 또는 피팅, 금융 시장에만 해당됩니다. 그리고 그 방법은 동일 방지 할 수 있습니다. 오버 최적화의 핵심은 금융 시장의 성격이 시간의 변화는 사실에있다. 엄밀히 말하면, 시장은 고정되지 않습니다. - 다음 줄의 가격을 얻으려고 노력, 신경 네트워크와 신경 네트워크를 사용하기 시작 상인의 인기 망상을 작동 입력에서 비 표준화 된 데이터를 사용하기 시작할 때 상인이 직면 할 수있는 일반적인 오류는 무엇인가, 오늘은 것입니다 어제처럼, 그리고 (우리가 매일 바를 고려하는 경우) 내일은 오늘처럼 될 것입니다. 따라서 네트워크의 공통 오버 트레이닝이다. 외환 데이터가 서로 크게 차이가 나지 않지만, 다음 훈련 오류도 작은 것 (100 점은 가격의 0.7을), 네트워크를 신속하게 훈련이 지역의 최소를 찾을 수 있습니다. - 일부 신경 상인은 입력 데이터의 전처리를 사용합니다. 당신이 당신의 신경망이 같은 것을 사용하십니까 - 일반적으로 말하기, 나는 신경망의 입력에 대한 순수 시계열을 사용하지 않습니다. 시계열 항상 소정 로우에 데이터를 정규화 몇몇 표시에 의해 변환된다. 지표 값이 1보다 큰 경우에, 항상 적절한 숫자로 분할 될 수 있기 때문에 예를 들어, (100) -100에서 -1 내지 1 또 정규화는 1. I 이하의 값을 달성하기 위해, 요구되지 모든 변환이 입력 신호에 추가적인 비선형 왜곡을 제공하기 때문에, 가능한 한 입력 데이터의 적은 변경을하려고. 왜곡 잘못 네트워크에 의해 해석 될 수 있기 때문에 이는 따라서, 신경망 훈련 잘못된 리드. 또한, 강한 변환, 결과적으로 큰 비선형 왜곡으로, 네트워크가 아닌 실제 입력 신호에, 그러나 잘못된 운영 및 보증금의 손실을 초래할 수있는 비선형 왜곡에 대한 교육을 할 수 있습니다. 다음은 육안으로 볼 수 있습니다 비선형 왜곡의 몇 가지 예입니다. 예를 들어, 일반적인 stochastics을 가져 가라. 이 같은 간단한 지표가 더 왜곡을 가져 오지 것으로 보인다. 그러나 어떤 순간에, 그것은 실제 계정의 교육 과정에서 추가 작업에 신경 네트워크를 오도 할 수 있습니다 강한 비선형 왜곡을한다. 이 영역은 차트에 흰색 타원형으로 표시됩니다. 첫 번째 경우 가격이 상승하고, 확률 표시가 거의 최대 값을 여전히 의미합니다. 두 번째 경우, 가격이 거의 같은 수준이며, 확률 적 지표는 급격히 최소 값을 최대로 내려갑니다. 후자의 경우에 단순히 혼동 반면 제 경우 확률 표시는 네트워크에 어떠한 정보를 가지고 없다. 두 경우 모두, 스토캐스틱 표시기의 동작은 훈련과 실제 계정 신경망의 일에 모두 부정적인 영향을 미칠 것이다. 그리고 그 경제적 손실을 초래할 수 있습니다. 이들 두 실시 예를 쉽게 볼 수있는 매우 두드러진 왜곡 있음에 유의해야한다. 그리고 우리는 t보고 날 믿어 분석 할 수 있습니다 더 많은 왜곡이 있습니다. 그리고 (크고 작은)이 모든 왜곡이 함께 결합된다. 입력 데이터의 사전 처리를 할 때 따라서, 매우주의해야합니다. 물론, 훨씬 더 강력한 왜곡을 지표가있다. 또한 덜 강한 사람을하는 사람들이 있습니다. 그러나, 실제로는 유지 - 왜곡 어떠한 지표에 의해 제조된다. 당신이 어떤 표시 등 (심지어 확률)에 특정 매개 변수를 선택할 수 있지만, 특정 시장 상황과 원래의 신호에 최소한의 왜곡을 가져올 수 있도록. 물론, 시장의 특성은 변경 될 수 있으며 도입 된 왜곡을 줄이기 위해 상기 표시기의 파라미터를 변경해야한다. 그리고이 경우, 표시 매개 변수의 적절한 선택과 적시에 조정 (모두 자동으로 수동) 또한 상인의 기술과 경험에 전적으로 의존한다. - 어떻게, 나는 거의 결코 훈련에서 얻은되어왔다 TS의 결과 (고려되지 현재 실제 계정을 사용하는 기준은 무엇 최적화 후 교육이나 TS 후 신경망의 결과를 평가합니까 최적화) 간격. 나는 훈련 (최적화)의 기간에서는, TS의 결과는 아무것도 말할 수 있다고 생각 때문에, OOS 또는 실수에 대한 결과를 분석 할 수 있습니다. 이것은 피팅 또는 오버 트레이닝 할 수 있고, 그것이 장착 s의 여부를 정의하는 것은 거의 불가능하다. 당신은 진짜 계정에 OOS 이상에서 테스트하여 정의 할 수 있습니다. 때때로, 나는 단순히 실제 계정에 결과 (OOS)과 그 훈련 (최적화)를 비교합니다. (다음 거래 센터에 의해 주어진 100 일의 활용과 예금 사용 1) 1 : 따라서, 그림 1의 무역 레버리지와 실제 계정에 주식을 보여줍니다. 우리가 영향력을 증가하는 경우, 자본의 범위도 증가 할 것이다. 비활성화 된 자금 관리 1, 즉 : 사실, 나는 단지 1의 레버리지와 TS의 결과를 분석 할 수 있습니다. 돈 관리는 TS의 실제 삭감하고, 그에 따라, 예상치 못한 마진 콜 및 기타 문제에 대한 잘못된 생각을 줄 수 있기 때문이다. 도면에서는 1의 레버리지와 자본을 볼 수 있습니다 : 1. 그런데, 비록 약간 수정 된 매개 변수의 ATC 2008 년 참여 같은 거래 시스템입니다. 최근에, 나는 눈치 다음 : 이익 요인은 (1)의 활용과 교육 (최적화) 간격이 매우 큰 경우 : 1, 우리가 (이상 최적화)를 통해 훈련이 있는지에 대해 말할 수있다. 그리고 미래에 알 수없는 데이터에서 이러한 매개 변수를 사용하여 거래 시스템 (즉 보증금을 잃게됩니다) 제대로 작동합니다. 하나는 그림에서 자본이 급격히보다 원활 오히려 상승 있습니다 할 수 있습니다. 당신은 이러한 거래 시스템의 수익성은 매우 작은 아니라고 결론을 내릴 수 있습니다. 당신이 거래의 레버리지를 높이거나 더 공격적으로 자금 관리를 사용하는 경우 있지만, 이익 매니 폴드를 증가시킬 수있다. 1, 및 상인에 의해 허용 삭감 : 모든 1의 레버리지로 나타나는 삭감에 따라 달라집니다. - 거의 2 년 동안 수업 당신이 왜 나오지 않았어 t 당신의 전문가 어드바이저 챔피언십은 경쟁 대회에서 우승하는 대회의 결과에서 배운이 무엇 ATC 2008 년부터 통과했다. 모험을하지 않으면 얻는 것도 없다. 나는 감히 내가 때문에 내 돈 관리의 모든 가능한 위험을 초과했습니다. 나는 110,000을 적립 관리하고 있기 때문에 너무 적극적인 자금 관리의 14749으로 떨어졌습니다. 3개월를 들어, 이익은 꽤 좋았다, 거의 50이었다. 그러나 삭감은 현실에서 받아 들일 수 (92)이었다. 그런 다음, 같은 기간에 비해 합리적인 자금 관리 내 EA를 실행하는 데, 나는 14,000의 거의 동일한 결과를 얻었으나, 약 25의 삭감에 - 이것은 실제 생활에 대한 좋은 결과이다. 결론은 당신이 t, 그렇지 않으면 당신은 잃을 수, 초과 이익을 쫓아 shouldn 것입니다. 그러나 우승은 물론, 당신은 이기기 위해 위험을 감수 할 필요가 자신의 규칙을 만들고. - 아무것도 아마도이 기간 동안 당신의 개발에 근본적으로 변경, 당신은 어떤 노하우를 발견하고 모두가 동일하게 유지됩니다 사실, 연습 없음에 적용해야합니다. 새로운 아무 일도하지 않았다. 내가 다른, 더 많은 수익을 매개 변수를 찾을 수 있지만 또한, 동일한 매개 변수와 같은 Expert Advisor로 여전히 작업 할 수 있습니다. 시장의 본질은 t 변화 케이 - 만의 캐릭터가 적시에 새로운 자신의 TS를 조정, 경험이 풍부한 상인을 추적해야하는, 변화, 시장 상황을 변경했습니다. - 알렉산더 Topchylo의 ATC 2007 년 우승자의 Expert Advisor로는 3 개의 독립적 인 서브 시스템으로 구성되어있다. 그러나 저자는이 방향으로 진행하고 신경 네트워크의위원회를 만들려고했다. 당신이 당신의 개발에 이러한위원회를 사용하십니까 - 아니, 그들이 구현하고 유지하기 위해 하드 인에 의한위원회를 사용하지 않았다. 수년에 걸쳐, I은 너무 복잡 TS뿐만위원회와와는 단순한 하나에 비해 더 안정하고 더 큰 이익을 보장 할 수 없기 때문에, 간단한 TS를 사용하여왔다. - ATC의 수상자 중 하나의 다중 통화 Expert Advisor로의 저자는, 니콜라이 Kositsin 곧 선수권 대회의 규칙은 다중 통화에 EA에 유리한 단일 통화 로봇에 작은 기회를 떠나야한다고 생각합니다. 물론 내가 그들을 사용 - 당신이 쌍은 당신의 EA를 거래 할 무엇 당신의 전문가 자문에 다중 통화를 사용하십니까. 이 거래를 위험 회피하고 부드러운 지분을 받고 있습니다. 당신이 분석을 위해 다중 통화를 사용하는 경우 또한, 이보다 안정적이고 신뢰할 수있는 거래 시스템을 구축하는 데 도움이됩니다. 우승에, 나는 EUR / USD, USD / JPY 및 AUD / USD를 거래하고자하는 - 시장 상황이 더 가까이 우승을 변경하는 방법에 따라 달라집니다. - 레오 니드은 인터뷰 주셔서 감사합니다. 이 문서에서는 선수권 대회 규칙을 위반하는 Expert Advisor로 쓰기하지하는 방법 선수권 대회에서 행운을 빌어 우리는 전문가의 자문을 기록하고있다 다가오는 자동 거래 챔피언 쉽 2010 리스크 관리에 참여하지 못할 수도 있습니다 실수를 방지하는 방법을 보여줍니다 모든 거래 시스템의 필수 구성 요소입니다. 그것 없이는 수익성이 거래를 상상하는 것은 거의 불가능하다. 이 기사에서는 자동화 된 거래 시스템의 숙련 된 개발자는 선수권 대회의 참가자들과 위험 관리에 자신의 팁을 공유 할 수 있습니다. FOREX 거래 시스템에 SnowCron SnowCron 유전자 알고리즘은 수익성이 FOREX 트레이딩 전략을 만드는 유전자 알고리즘을 사용하여. 유전 적 계산을위한 코어 텍스 신경망 소프트웨어 피드 포워드 역 전파 신경망 응용 프로그램에서 유전자 알고리즘은 외환 거래를 기반으로. 이 의무는 아니지만이 예는 개념과 이전 기사의 아이디어를 사용하므로, 처음 FOREX 거래 시스템의 신경망 유전자 알고리즘을 참조하십시오. 모든이 텍스트 먼저 정보, 고지 사항을 참조하십시오. 이 피질 신경망 소프트웨어 유전자 알고리즘 기능, 수익성 거래를 수행하는 방법이 아닌 예를 사용하는 예이다. 나는 당신의 전문가 아니에요없고, 어느 쪽도 아니 나는 당신의 손실에 대해 책임을 져야한다. 피질 신경망 소프트웨어는 그것에 신경 네트워크를 가지고 있으며, 우리가 전에 논의 FFBP는 외환 거래 전략을 선택하는 하나의 방법입니다. 그것은 강력하고 좋은 기술이고, 제대로 적용될 때, 매우 promicing. TNE 신경망을 가르 칠 수있는 - 하지만 문제가있다. 우리는 원하는 출력을 알아야합니다. 우리가 함수 근사를 수행 할 때 우리가해야 무엇을 알고 있기 때문에, 우리는 단지 함수의 실제 값을 할 오히려 쉽다. 우리는 신경망 예측을 수행 할 때. 우리는 우리가 예측하는 경우, 말, 환율, 우리는 정확한 예측이 무엇인지 (교육 과정)을 알고, 다시 역사의 신경망을 가르치는 (이전 문서에서 설명) 기술을 사용합니다. 우리가 거​​래 시스템을 구축하는 때, 우리는 우리가 사실의 문제로 환율을 알고있는 경우에도, 올바른 거래 의사 결정이 무엇인지 전혀 모른다, 우리는 우리가 시간의 어느 시점에 사용할 수있는 많은 외환 거래 전략을 가지고 있고, 우리는 찾을 필요가 좋은 - 어떻게 당신이 우리의 이전 기사, 당신은 우리가이 문제를 다루는 사기 것을 알고 따라하면 우리는 우리의 신경 그물의 원하는 출력으로 공급한다. 우리는 신경망이 환율 (또는 환율 기준으로 표시) 예측을 할 teached하고 거래 할이 예측을 사용했다. 그리고, 프로그램의 신경망 부 외측 우리 신경망 가장 하나되는 결정했다. 유전자 알고리즘들은 최상의 거래 신호를 찾기로 언급 된 문제를 해결할 수있는, 직접이 문제를 처리 할 수​​있다. 이 문서에서 우리는 이러한 프로그램을 만들 피질 신경망 소프트웨어를 사용하는 것입니다. 사용하여 유전자 알고리즘 유전자 알고리즘은 매우 잘 발달하고, 매우 다양합니다. 모든 그들에 대해 배우고 싶다면, 이 글은 코어 텍스 신경망 소프트웨어는 무엇을 할 수 있는지에 관한대로, 위키 백과를 사용하는 것이 좋습니다. 코어 텍스 신경망 소프트웨어를 가졌어요. 우리는 지표의 일부 입력, 말, 값을 받아, 생산하는 신경 네트워크를 만들 수있는 출력, 말, 무역 신호 (판매, 구매 누르고 있습니다.) 손실 / 정지 위치를 열 수에 대한 이익 수준을. 우리가 무작위로이 신경망의 가중치를 배정하는 경우 물론, 거래 결과는 끔찍한 될 것입니다. 그러나의 우리는의 NN의 다스를 만들어 봅시다. 그 다음 우리는 그들 각각의 성능을 테스트하고 최고의 하나, 우승자를 선택할 수 있습니다. 이것은의 NN 1 세대이었다. 두 번째 세대를 계속하기 위해, 우리는 우리의 우승자 출산 할 수 있지만, 동일한 복사본을 받고 피하기 위해, 그것은 descentants 가중치를 s의 s는 어떤 임의의 noice를 추가 할 수 있도록 허용해야합니다. 두 번째 세대에서, 우리는 우리의 첫 번째 세대의 승자가 그것은 불완전한 (돌연변이) 복사본을이야. s는 다시 테스트를 할 수 있습니다. 우리는 세대의 다른 신경망 더 나은 다음 다른 우승자를해야합니다. 등등. 우리는 단순히 승자는 단지 실제 진화처럼, 패자 품종 및 제거 할 수 있도록, 우리는 우리의 최고의 거래 신경망을 얻을 것이다. 거래 시스템 (유전자 알고리즘)처럼해야하는지에 대한 이전 knowlege없이. 신경망 유전자 알고리즘 : 실시 예 0이 첫 번째 유전자 알고리즘의 예이다. 아주 간단한. 우리는 다음 예제를 사용하는 모든 트릭을 배우고, 단계별로를 걸어 가고있다. 이 코드는 인라인 주석이 있으므로의 단지 중요한 순간​​에 초점을 맞출 수 있습니다. 첫째, 우리는 신경 네트워크를 만들었습니다. 그것은 임의의 가중치를 사용하고, 아직 teached되지 않았습니다. 그런 다음 사이클에서, 우리는 돌연변이 NN의 fumction를 사용하여 14 복사, 확인합니다. 이 함수는 소스 신경망의 복사본을 만든다. 0에서 모든 무게 0.1 (우리의 경우)에 임의의 값을 추가. 우리는 핸들 그냥 정수와 같이 배열 (15)의 NN을 결과로, 우리는 그것을 할 수있는 핸들을 유지합니다. 우리는 15의 NN을 사용하는 이유는 거래와 아무 상관이있다 : 피질 신경망 소프트웨어는 동시에 차트에 15 라인까지 그릴 수 있습니다. 우리는 시험에 서로 다른 접근 방식을 사용할 수 있습니다. 먼저, 학습 세트를 사용하여 그 한번에있다. 둘째, 우리는에 테스트를 말한다 (100000 중) 12000 resords을하고, 처음부터 끝까지, 학습 집합을 통해 걸어 갈 수 있습니다. 우리가 신경 네트워크의 데이터의 특정 부분에 수익성이 아니라 전체 세트를 찾습니다으로 즉, learnigs 다른 만들 것입니다. 데이터가 처음부터 끝까지 변경하면 두번째 방식은 우리에게 문제점을 제공 할 수있다. 그러면 네트워크는 데이터 세트의 끝에서 교환하는 능력을 획득, 그 처음에 교환 할 수있는 능력을 잃는 진화. 이 문제를 해결하기 위해, 우리는 데이터에서 무작위로 12000을 기록 조각을하고, 신경망에 공급하는 것입니다. 100000 사이클이 우리의 속도에 도달하지 않을 것 같은, 단순히 끝없는주기이다. 다음 우리는 약간 다른 무게, 각 네트워크에 대해 하나의 자식을 추가합니다. 돌연변이 단게 0.1은 사실의 문제로서, 유일한 선택하지 않은 경우에도이 매개 변수를 유전자 알고리즘을 사용하여 최적화 될 수 있음을 유의하십시오. 새로 생성 된의 NN은 15 일 기존 이후에 추가됩니다. 이 방법으로 우리는 30 배열의 NN, 이전 15 15 새가 있습니다. 그 다음 우리는 두 세대에서, 테스트의 다음 사이클을 수행하고, 패자를 죽일 것입니다. 테스트를 위해, 우리는 출력을 생산하고 거래를 시뮬레이션하기 위해 이러한 출력을 사용하여 테스트 함수를 호출, 우리의 데이터를 신경망을 적용합니다. 거래의 결과의 NN이 가장 적합한, deside하는 데 사용됩니다. 우리는 n 다음에서 n 다음은 학습 세트 내에서 임의의 지점입니다 n 다음 n 자세히 알아에, n 자세히 알아 기록의 간격을 사용합니다. 아래의 코드는 트릭이다. 우리가 그것을 사용하는 이유는 유전자 알고리즘은 유전자 알고리즘을 만들 수 있다는 사실을 설명하는 것입니다. 그러나 그것은 반드시 최선의 하나가 될 것입니다하지 않으며, 또한, 우리가 학습 과정에 일부 제한을 의미하는 경우 우리는 결과를 향상시킬 수, 제안. 우리의 거래 시스템은 그 반대의 경우도 마찬가지 긴 무역에 매우 잘 작동하고, 짧은에 매우 가난, 또는 그것은 가능하다. 말, 긴 무역이 아주 좋은 경우, 이 유전자 알고리즘도 짧은 거래에 큰 손실을 이길 수 있습니다. 그것을 방지하기 위해, 우리는 심지어주기 홀수와 짧은 거래에 오래 거래에 더 무게를 지정합니다. 이 보증은 무언가를 개선하는 것이, 없다, 그냥 예입니다. 수정에 대한 논의에서, 아래에 대한 자세한. 기술적으로, 당신은 t 그것을 할, 또는 다르게 만들 수 있습니다 돈. 정렬 된 배열에 이익을 추가합니다. 그런 다음 우리는 신경망 학습 및 비 정렬 된 배열에 이익을 테스트, 처리 추가하려면이 위치를 사용하여 삽입 위치를 반환합니다. 이제 우리는 수익과 동일한 배열 인덱스에 현재의 신경망에 대한 데이터를 가지고있다. 아이디어는 수익성으로 분류의 NN의 배열에 도착하는 것입니다. 배열이 이익으로 sortes을하기 때문에, 프로그램이 동일하다 이러한 관점에서, 우리는 단지 0 14 거래 의사 결정 신경망 신호의 값을 기반으로의 NN을 제거하기 위해 수익성이 낮은해야하는 네트워크의 1/2을 제거하는 이전 기사에서 예. FOREX 트레이딩 전략 : 예 토론 모두 0 첫째, 의 차트를 살펴 보자. 첫 번째 반복 동안 이익의 첫 번째 차트가 좋은 전혀 예상해야합니다으로하지의 신경 네트워크는 돈 (이미지 폴더에서 첫 번째 반복 한 후 복사 된 이미지의 진화 00 세대 0.png)을 잃게 : 사이클 15에 이익에 대한 이미지입니다 더 나은, 때로는 유전자 알고리즘은 정말 빨리 배울 수 있습니다 : 그러나, 이익 곡선의 채도를 알 수 있습니다. 그것은 염두에두고, 길 개별 이익의 변화를보기 위하여 또한 재미있다, 그 곡선의 수는, 말, 3은 같은 신경망 항상하지 않습니다. 그들이 태어난 모든 시간이 종료되는대로 : 또한 그 밖으로 조금 외환 자동 거래 시스템 또는 사실과 관련되지 않을 수 있습니다, 그 달러가에 비해 떨어지는되었다 수있는, 짧은 거래에 가난과 갈망에 훨씬 더 수행, 주의 그 기간 동안 유로입니다. 그것은 또한 우리의 표시의 파라미터를 함께 할 수있는 뭔가가있을 수 있습니다 또는 지표의 선택 (아마, 우리는 다른 반바지를위한 기간이 필요합니다). 여기에 92, 248 사이클 후의 역사는 다음과 같습니다 놀랍게도, 유전자 알고리즘이 완전히 실패했습니다. 의 이유를 알아 내기 위해 노력하고, 상황에 도움이하는 방법을 보자. 우선, 적어도 우리가 사용하는 모델 내에서, t에게 대답은 아니오입니다 previuos보다 더 있어야 각 세대를 외설. 우리는 한 번에 전적인 학습 집합을했다, 그리고 우리의 NN을 가르치는 반복적으로 사용하는 경우, 예, 그들은 각 세대에 향상됩니다. 하지만 그 대신, 우리는 무작위로 조각을 (시간 12000 레코드)했다, 그들을 사용했다. 두 가지 질문 : 시스템이 학습 집합의 임의의 조각에 실패, 왜 피난처 t 우리가 잘 설정 전체 학습을 사용하는 이유. 두 번째 질문에 대답하기 위해, 내가 그랬어. 의 NN이 크게 수행 - 세트를 학습. 그리고 그들은 같은 이유로 우리가 FFPB 학습을 사용하는 경우도 실패한 테스트 세트에 실패했습니다. 다르게 말하면, 우리의 NN이 overspecialized있어, 그들이 사용하는 환경에서 살아남을 수 있지만 그 이외의 방법을 배웠다. 이것은 자연에서 많이 발생합니다. 우리가 대신했다 접근 방식은 희망, 그들은 또한 낯선 테스트 세트를 수행 할 수 있도록 데이터 집합의 임의의 조각에 좋은 수행의 NN을 강제로, 그 보상하도록했다. 대신, 그들은 테스트와 세트를 학습에 모두 실패했습니다. 사막에 사는 동물을 상상해보십시오. 태양의 많은, 전혀 눈. 이것은 우리의 NN에 대한로 데이터 환경의 역할을, 시장 rizing에 대한 metafor입니다. 동물은 사막에 살고 배웠습니다. 추운 기후에 사는 동물을 상상해보십시오. 눈과 전혀 일 글쎄, 그들은 조정. 그러나, 우리의 실험에서, 우리는 무작위로 나무에, 물, 눈, 사막에서 우리의 NN을 날 렸습니다.