Hyperneat - الفوركس تداول

ميتاترادر ​​4 - أمثلة استخدام الشبكات العصبية في ميتاتريدر مقدمة العديد منكم ربما نظروا 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 سوء تظهر لك كيف يمكنك استخدام متاح بحرية (تحت لغبل)، الشهير الشبكة العصبية الصناعية السريعة مكتبة (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 حتى سوء التركيز على الجوانب العملية لاستخدام تنفيذ معين من آن في MQL4 اللغة. ميزات فان لفهم كامل إمكانيات تنفيذ فان تحتاج المرء إلى التعرف على الوثائق 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 فانكريتستاندارد () الدالة. دعونا نرى بناء الجملة: حيث تمثل نوملايرس العدد الإجمالي للطبقات بما في ذلك المدخلات وطبقة الإخراج. يمثل لنوم والوسائط التالية عدد الخلايا العصبية في كل طبقة بدءا من طبقة الإدخال وتنتهي بطبقة الإخراج. لإنشاء شبكة مع طبقة خفية واحدة مع 5 الخلايا العصبية، 10 المدخلات و 1 الإخراج واحد يجب أن نسميها على النحو التالي: مرة واحدة يتم إنشاء آن العملية التالية ستكون لتدريب ذلك مع بعض المدخلات والمخرجات البيانات. أبسط طريقة تدريب هو التدريب التدريجي التي يمكن تحقيقها من خلال الدالة التالية: هذه الوظيفة يأخذ المؤشر إلى بنية فان عاد سابقا من قبل فانكريستاندارد () وكل من البيانات المتجه بيانات الإدخال ناقلات الإخراج. المدخلات والمخرجات ناقلات هي مجموعة من نوع فانتيب. 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. وظيفة تنفيذ التي يتم تعريفها على النحو التالي: هذه الدالة يأخذ 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 التفاف الناتجة كما يلي: قمنا بتغيير فان فان مع f2m (الذي يقف على فان إلى مقل)، استخدام عدد ثابت من الحجج (4 طبقات) وقيمة العودة هي الآن فهرس إلى صفيف داخلي من عقد عقد الهيكل فان المطلوبة من قبل فان لتشغيل. بهذه الطريقة يمكننا بسهولة استدعاء هذه الوظيفة من داخل رمز مقل. وينطبق الشيء نفسه على: وأخيرا وليس آخرا هو حقيقة أنه يجب عليك تدمير الخاص بك مرة واحدة خلق آن من خلال الدعوة إلى: لإطلاق مقابض آن يجب تدمير الشبكات في ترتيب عكسي مما تم إنشاؤها إنشاؤها. بدلا من ذلك يمكنك استخدام: ومع ذلك إم متأكد من أن بعض منكم قد تفضل حفظ شبكة المدربين لاستخدامها لاحقا مع: بالطبع يمكن تحميل الشبكة المحفوظة في وقت لاحق (أو بالأحرى إعادة إنشاء) مع: مرة واحدة ونحن نعرف الوظائف الأساسية التي 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 اختيار المجلد لتثبيت الحزمة. يمكنك استخدام البرنامج الافتراضي FilesFann2MQL أو تثبيت مباشرة في دليل ميتا تراديركسيرتس الخاص بك. في وقت لاحق وضع جميع الملفات مباشرة إلى أماكنهم وإلا سيكون لديك لنسخها يدويا. تركيب Fann2MQL، الخطوة 2 المثبت يضع 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 (Windowssystem32 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 بمجرد تثبيت Fann2MQL يمكنك البدء في كتابة إي الخاص بك أو مؤشر. ثيرس 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. أنت 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 سوء 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 تشمل لتحميل ملف رأس Fann2MQL. mqh تحتوي على إعلان جميع وظائف Fann2MQL. بعد ذلك تتوفر كافة وظائف حزمة Fann2MQL للاستخدام في البرنامج النصي. ويحدد ثابت أنباث 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 سيتم شرحها في وقت لاحق من المتسابق، فضلا عن المتغيرات العالمية. ونقطة الدخول في كل إي هي دالة إينيت (): فهي تقوم أولا بالتحقق مما إذا كان يتم تطبيق منطقة العد لتصحيح فترة الإطار الزمني. يحتوي المتغير أننبوتس على عدد من مدخلات الشبكة العصبية. فضلا عن استخدام 3 مجموعات من الحجج المختلفة نريد أن تكون قابلة للقسمة من قبل 3. يتم حساب أنباث لتعكس اسم إي و ماجنومبر. الذي يحسب من سلوما. فاستما و سيغنالما التي تستخدم لاحقا لتشوير مؤشر ماسد. بمجرد أن يعرف أنباث إي يحاول تحميل الشبكات العصبية باستخدام تحميل () وظيفة التي مرضى وصف 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 ضرورتها حقا في هذا التطبيق بعد 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 إنتل خيوط كتل بناء التكنولوجيا. يتم استخدام الدالة f2Mparallelinit () لتهيئة تلك الواجهة. هنا هي الطريقة التي اعتدت على تهيئة الشبكات: كما يمكنك معرفة ما إذا كان f2Mcreatefromfile () فشل، الذي يشار إليه بقيمة الإرجاع السالبة، يتم إنشاء الشبكة مع الدالة f2Mcreatestandard () مع وسيطات تشير إلى أن الشبكة التي تم إنشاؤها يجب أن يكون 4 طبقات (بما في ذلك المدخلات والمخرجات)، مدخلات أنينبوت، أنينبوت الخلايا العصبية في الطبقة المخفية الأولى، الخلايا العصبية AnnInput21 في 2 طبقة خفية و 1 الخلايا العصبية في طبقة الانتاج. يتم استخدام f2Msetactfunctionhidden () لتعيين وظيفة التنشيط للطبقات المخفية إلى سيغموديسيمتريستيبويس (يرجى الرجوع إلى وثائق فان ل فاناكتيفاتيونفونسينوم) ونفس الشيء ينطبق على طبقة الإخراج. ثم هناك دعوة إلى f2mrandomizeweights () الذي يستخدم لتهيئة الأوزان اتصال الخلايا العصبية داخل الشبكة. هنا استخدمت مجموعة من 0.4 لتر 0.4 لتر ولكن يمكنك استخدام أي أخرى اعتمادا على التطبيق الخاص بك. في هذه المرحلة ربما كنت قد لاحظت ديبوغ () وظيفة اعتدت بضع مرات. لها واحدة من أبسط الأساليب 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 خطأ 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 الشرح المفصل لدالة البدء ()، التي هي طويلة جدا، ولست بحاجة إلى أن تظهر لك بعض المزيد من الوظائف التي تهدف إلى إعداد إدخال الشبكة وتشغيل الشبكات الفعلية: يتم استخدام وظيفة أنبريبارينبوت () 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. الدالة رونانز () تشغيل جميع الشبكات تهيئة ويحصل على مخرجات منها ومخازن في مجموعة أنوتبوت. وظيفة أنسرونباراليل هي المسؤولة عن التعامل مع وظيفة في طريقة مؤشرات الترابط. وهو يطلق على f2mrunparallel () 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 f2mgetoutput (). الآن دعونا نرى بداية () وظيفة: سوء وصف ذلك لفترة وجيزة كما هو علق بشكل جيد جدا. و تريدالويد () يتحقق ما إذا كان مسموحا للتجارة. 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. ويستخدم كل من الإشارات لمعالجة طويلة وقصيرة الموقف التي هي متناظرة جدا إل وصف فقط حالة للحصول على أطوال. متغير لونغتيكيت يحمل رقم التذكرة للموقف المفتوح حاليا. إذا كان يساوي -1 لا يوجد موقف فتح حتى إذا تم تعيين بيسيغنال 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 هو المقصود أن نتذكر إنبوتفيكتور التي أعدتها أنبريبارينبوت () 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 النظام لا يحدث شيء، ولكن إذا تم إغلاق الأمر ناقلات ترينوتوتوت، التي لديها واحد فقط إتبوت، يتم احتسابها لعقد قيمة -1 إذا كان النظام مغلق مع فقدان أو 1 إذا كان النظام مغلق مع الربح . ثم يتم تمرير هذه القيمة إلى أنترين () وظيفة 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. و أنويسلونغ () يستخدم الشبكة العصبية الحكيمة محسوبة كمتوسط ​​للقيم التي تعيدها جميع الشبكات يعني للتعامل مع الموقف 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 سوء تظهر لك كيف يمكن استخدامها. زوج الاختبار هو بالطبع اليورو مقابل الدولار الأميركي. لقد استخدمت البيانات من ألباري. تحويلها إلى الإطار الزمني M5. لقد استخدمت الفترة من 2007.12.31 إلى 2009.01.01 لتفعيل التدريب 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 ترميز إلى ملف NeuroMACD. mq4. تم إيقاف نيورفيلتر فضلا عن سافيان. 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 مع ما عدا حقيقة أن العملية كانت أبطأ بكثير (نتيجة للمعالجة العصبية) والمجلد C: تم ملء آن مع الشبكات المدربة كما هو مبين في الصورة أدناه. تأكد من وجود مجلد C: آن قبل تشغيل هذا المجلد C: آن. مرة واحدة لدينا شبكات المدربين وقتها لاختبار كيف يتصرف. أولا جيدا محاولة على بيانات التدريب. تغيير نيوروفيلتر إلى صحيح و سافان إلى كاذبة وبدء اختبار. والنتيجة التي حصلت عليها هو مبين أدناه. لاحظ أنه قد تختلف قليلا بالنسبة لك حالة كما أن هناك بعض العشوائية داخل الشبكات في الأوزان اتصال الخلايا العصبية المقدمة في عملية تهيئة الشبكة (في هذا المثال استخدمت دعوة صريحة إلى f2Mrandomizeweights () داخل تحميل ()). 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) هو موضح أدناه: النتيجة التي تم الحصول عليها من بيانات الاختبار مع تصفية العصبية قيد التشغيل. عدد الصفقات التي أجريت منخفضة جدا ومن الصعب معرفة نوعية 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: نتائج من اختبار البيانات دون تصفية العصبية. الفرق واضح تماما. كما ترون تحول تصفية الإشارات العصبية خسر إي إلى مربحة واحدة خاتمة 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 المثلى من بلدي التعزيز التعلم القائم على معالجة إي من حوالي 4 أيام إلى 28 ساعة فقط على وحدة المعالجة المركزية إنتل الأساسية 4. خلال كتابة هذه المقالة لقد قررت وضع 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، 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: و ثيريس أكثر من ذلك بكثير عن فان على مكتبة الشبكة العصبية الصناعية السريعة الصفحة الرئيسية: leenissen. dkfann بوست 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 استراتيجية المنحرفة التي كان من المرجح أن تعقد السراويل وأغلق قريبة: في النسخة الصحيحة من البرنامج النصي لقد قمت بإصلاح هذا الخطأ وإزالة استراتيجية 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 هذا إي تعلق على هذه المادة الشبكة العصبية الشبكة العصبية هي واحدة من أكثر العبارات الطنانة في الآونة الأخيرة في التداول. يبدو باردا ومتطورة. لا يبدو أن الكثير من الناس يفهمون ما هي الشبكات العصبية. الخلايا العصبية في العالم الحقيقي أدمغتنا معقدة بشكل معتاد. ومع ذلك، فإن ما يفاجئ معظم الناس هو أن الدماغ يشكل نوعا ما صندوقا هائلا من الدوائر. الخلايا العصبية هي الخلايا التي تتصرف مثل الدوائر مع الأسلاك الكهربائية، ودعا المحاور، التي نفد والتواصل عبر الجسم البشري. كل حركة، التصور أو العمل الذي تقوم به هو مجموع كل محاور إطلاق النبضات الكهربائية. يحدث التغيير كلما تواتر النبضات الكهربائية المرسلة من الخلايا العصبية يختلف. المزيد من النبضات تسبب رد فعل واحد، وانخفاض يسبب آخر. الشبكات العصبية تحاول محاكاة عمليات الدماغ البشري من خلال تنظيم المعلومات في الخلايا العصبية. خلافا للخلايا العصبية الفعلية، الخلايا العصبية الشبكة موجود فقط في الجهاز. لها وزن الجهاز الذي يحتوي على معلومات حول كل ما هو قيد الدراسة. الشبكة العصبية لنظام التداول قد تقرر دراسة المؤشرات المشتركة مثل المتوسط ​​المتحرك، مؤشر القوة النسبية ومؤشر ستوشاستيك. قيمة المتوسط ​​المتحرك للشريط الحالي تعتبر الخلايا العصبية الخاصة بها. مؤشر القوة النسبية مختلف، لذلك يصبح أن يكون عصبون منفصل. إذا كان لدي عشرة مؤشرات في مربع أدوات بلدي، ثم لدي 10 الخلايا العصبية في شبكتي. أجهزة الكمبيوتر حل المشاكل الخطية، بسيطة تقليديا. إذا كنت تريد أن تعرف نتيجة العمليات الرياضية مثل جذر مكعب من 355، أجهزة الكمبيوتر هي مثالية للمهمة. أنها تحسب بسرعة إجابة دقيقة. كما هو الحال في العقول البشرية، والشبكات العصبية تشكل نقاط الاشتباك العصبي مع الخلايا العصبية الأخرى. عندما تدرب مجموعات من الخلايا العصبية يمكن أن تتعلم التعرف على الأنماط. هذا هو العقار الذي يجعل الشبكات العصبية مفيدة جدا. وهذا يسمح لنا لخلق البرامج التي من المستحيل مع الحوسبة التقليدية. إن إنشاء برنامج للاعتراف بالوجه، على سبيل المثال، سيكون صعبا للغاية. فمن الأسهل بكثير لتدريب شبكة للتعرف على وجه من خلال إظهار مرارا وجوه الشبكة. الدماغ هو موضوع رائع في حد ذاته. كما جانبا، زوجتي وأنا أخذ دورة دراسية في علم الأعصاب من خلال سلسلة فيديو من الدورات الكبرى. إذا كان لديك أي اهتمام على الإطلاق في هذا الموضوع، وأنا أوصي فهم الدماغ من قبل جانيت نوردن. ويغطي بالتفصيل كيفية توصيل الخلايا العصبية إلى التشريح في جميع أنحاء الدماغ والجسم كله. الشبكات العصبية وتداول العملات الأجنبية الشبكات العصبية تأتي في اللعب عندما تكون الإجابة ليست دقيقة جدا. التمسك مع هذا بلوق موضوع تداول العملات الأجنبية، وليس هناك إجابة صحيحة لما يجعل نظام التداول المثالي. مستثمر التجزئة نموذجية قد يقول أفضل نظام التداول هو الذي يجعل أكبر قدر من المال. قد يقول آخر أفضل نظام التداول هو واحد مع أعلى نسبة شارب. كثير يريد شيئا في الوسط. أفضل مشكلة نظام التداول غامضة، مما يجعلها مرشحا مثاليا للهجوم مع الشبكات العصبية. ويحدد المصمم مجموعات من القواعد التي، في رأي المتداولين، تشكل طريقة رقمية لقياس أفضل نظام. العقول البشرية تستضيف ما يقرب من 100 مليار الخلايا العصبية. على الرغم من الجهود المثلى لكثير من عملائنا، لم أكن قد اجتمع مع أي شخص لديه 100 مليار مؤشر السوق تحت تصرفهم. طريقة واحدة لتضخيم تأثير الخلايا العصبية في الأدوات لدينا هو خلق طبقات خفية. تتكون الشبكة من طبقات متعددة، تتكون كل منها من عدة خلايا عصبية. ويرتبط كل الخلايا العصبية إلى كل الخلايا العصبية في الطبقة التالية. كل اتصال ثم يحمل قيمة فريدة من نوعها المرجحة. سوف الخلايا العصبية تمر على قيمته عن طريق ضرب قيمة الخلايا العصبية وبحجم الاتصال الصادرة. سوف الخلايا العصبية في نهاية الاتصال المنتهية ولايته تلخيص جميع الاتصالات الواردة ونشر هذه النتيجة على الطبقة التالية من خلال جميع الاتصالات الصادرة. الصور تجعل فكرة أكثر بديهية بكثير. يحتوي الشكل 1 على مثال صغير. و 2 و 3 على اليسار هي المدخلات في الشبكة. وتضاعف هذه المدخلات في وزن الاتصال بالطبقة التالية. يتم ضرب 2 في 0.5 تعطينا 1، و 3 من 2 تعطينا 6. الطبقة الثانية تحتوي على عقدة واحدة تلخص النتائج من الطبقة السابقة، تعطينا 7. الخطوة التالية ستكون مضاعفة 7 حسب الأوزان على الاتصالات الصادرة وتمريرها إلى الطبقة التالية. الشكل 1: مثال على الشبكة العصبية نشر النتائج إلى الأمام. ويمكن تكرار المثال القصير أعلاه والربط بالسلاسل معا لتشكيل شبكة أكبر. أدناه، في الشكل 2، لدينا مثال على شبكة أكبر. شبكة المثال لديها 3 المدخلات التي ترتبط طبقة مخفية. ثم يتم توصيل الطبقة الخفية إلى إخراج واحد. الطبقات الخفية هي لتسهيل التدريب. أكثر تعقيدا المشكلة والمزيد من الطبقات والعقد اللازمة. الشكل 2: مثال على شبكة عصبية أكبر. تتعلم الشبكة عن طريق تحديث أوزان العديد من الاتصالات. هناك العديد من خوارزميات البرمجيات التي تستخدم لإنجاز التعلم في الشبكات العصبية. وهي تنقسم إلى فئتين، التعلم تحت الإشراف والتعلم غير الخاضع للرقابة. يتم إنجاز التعلم تحت الإشراف مع المستخدم يقول الشبكة إذا توقعاتها صحيحة أم لا. ثم تقوم الشبكة بحساب خطأها وتستخدم إحدى الخوارزميات لتصحيح الخطأ. ومن الأمثلة على ذلك الانتشار العكسي الذي يحسب خطأ التنبؤ بالشبكات. ثم تستخدم الشبكة خوارزمية سريعة لتحديث كل من أوزان التوصيل مع هذا الخطأ. ويعد الانتشار العكسي أحد استراتيجيات التدريب الأكثر شيوعا. التعلم غير الخاضعة للرقابة يستخدم بعض نوع من اللياقة البدنية أو التهديف خوارزمية حيث الشبكة سوف يسجل نفسه مع ومحاولة لتحسين كل محاولة لاحقة. ومن الأمثلة على التدريب غير الخاضع للرقابة الخوارزمية الجينية. هذه الخوارزمية يخلق مجموعة من الشبكات العصبية ويستخدم خوارزمية التهديف التي صممها المستخدم لترتيب السكان. بعد ذلك، فمن البقاء للأصلح. أعلى الشبكات المرتبة الحصول على البقاء والتكاثر والحصول على المرتبة أسفل القاع بها. تتكاثر الشبكات عن طريق خلط وموازنة أوزان التوصيل. ويمكن للشبكات العصبية أن تساعد تجار النظم بشكل كبير في تصميم خوارزمياتهم من خلال استكشاف مليارات من التركيبات بين مجموعة أدوات صغيرة نسبيا من المؤشرات. وهذا يختلف عن التحسين القياسي، الذي يتضمن توصيل الأرقام إلى مؤشرات مختلفة تبحث عن أي مزيج يعود معظم المال. وحقيقة أن الشبكات يمكن أن تنظر في اتخاذ تدابير متعددة (التوازن، نسبة شارب، الخ) لتحديد أفضل نظام التداول يساعد على تقليل احتمال أن المبالغة في التأكيد على مقياس واحد معين. ومثال جيد على ذلك هو رصيد الحساب. إذا كان النظام يزن العطاء واتخاذ بين العائد الصافي والعائد المعدل المخاطر، فإنه يبدأ في الابتعاد عن عدد الطحن لاكتشاف أفضل الأرقام لاستخدام والتوجه نحو التعلم الفعلي والتعرف على الأنماط. الشبكات العصبية تثبت نفسها لتكون مفيدة جدا في مجموعة واسعة من التطبيقات من التعرف على الوجه لتوقعات سوق العملات. فهم يتفوقون عندما تكون هناك أنماط يصعب علينا أن نعترف بها. هذه القدرة تجعل الشبكات لا تقدر بثمن في حل المشاكل الصعبة التي تنطوي على متغيرات متعددة. ترك الرد إلغاء الرد