MetaTrader 4 - Tester Algoritmos Genéticos: algoritmos genéticos Matemáticas se utilizan con fines de optimización. Un ejemplo de tal propósito puede ser el aprendizaje neuronal, es decir, la selección de tales valores de peso que permiten alcanzar el error mínimo. En este, el algoritmo genético se basa en el método de búsqueda aleatoria. El problema principal de la búsqueda al azar es el hecho de que no podemos estar al tanto de la cantidad de tiempo que se necesita para resolver el problema. Para evitar residuos significativos de tiempo, se aplican métodos desarrollados en la biología, a saber, los métodos preparados en los estudios de origen de las especies y la evolución. Sólo los animales más aptos son conocidos para sobrevivir durante la evolución. Como resultado, la aptitud de la población crece lo que permite ajustar el entorno dinámico. El algoritmo del tipo fue propuesto por primera vez por John H. Holanda, Universidad de Michigan, EE. UU., en 1975. Fue nombrado el plan de Reproductive Hollands. y esto subyace casi todos los tipos de algoritmos genéticos. Sin embargo, antes de echar un vistazo más de cerca a este plan, vamos a discutir la cuestión de cómo las realidades pueden ser codificados para ser utilizado en los algoritmos genéticos. Presentación Objeto sabemos de la biología que cualquier organismo puede ser representado como su fenotipo. que determina, de hecho, lo que este objeto está en el mundo real, y su genotipo. que contiene toda la información sobre este objeto en su conjunto de cromosomas. En esto, cada gen, es decir, cada elemento de la información genotipo, se refleja en el fenotipo. Por lo tanto, para resolver los problemas, tenemos que presentar cada carácter del objeto en una forma tal, que se puede utilizar en un algoritmo genético. Los mecanismos del algoritmo genético, pueden realizarse otras funciones a nivel de genotipo, sin necesidad de información sobre los objetos patrón interno, lo que ofrece el amplio uso de estos algoritmos para multitud de tareas muy diferentes. Las cadenas de bits se utilizan para la presentación del genotipo objetos en la variación más ampliamente conocido de algoritmo genético. En este, un gen del genotipo objetos se corresponde con todos los atributos del objeto en su fenotipo. Génica es una cadena de bits de longitud fija que representa el valor de esta característica. La codificación de los atributos de enteros La manera más simple de codificar tales atributos es utilizar su valor de bit. Entonces será bastante simple de usar un gen de una cierta longitud suficiente para representar todos los valores posibles de un atributo tal. Pero, desgraciadamente, esta forma de codificación tiene sus desventajas. La desventaja principal es que los números de vecinos difieren entre sí en los valores de varios bits. Por lo tanto, 7 y 8 en su representación poco difieren en 4 posiciones Lo que hace que el funcionamiento del algoritmo genético difícil y aumenta el tiempo que le toma a su convergencia. Para evitar esto, es mejor utilizar la codificación donde los números vecinos difieren una de otra por un menor número de posiciones, idealmente - por el valor de un bit. Dicha codificación está representado por el código de Gray que es conveniente para ser utilizado en la realización de un algoritmo genético. Los valores de código Gray se dan en la siguiente tabla: Tabla 1. Concordancia de códigos binarios y códigos de Gray. Por lo tanto, cuando se codifica un atributo entero, lo dividimos en tétradas y transformar cada tétrada de acuerdo con las reglas de codificación Gray. En realizaciones prácticas de algoritmos genéticos, generalmente no hay necesidad de transformar los valores de los atributos en los valores de genes. En la práctica, el problema inverso tiene lugar donde uno tiene que encontrar el valor del atributo por el valor del gen correspondiente. Por lo tanto, la tarea de decodificar los valores de genes, los cuales tienen atributos enteros, es trivial. Codificación de coma flotante Atributos La forma más sencilla de codificar aquí parece ser el uso de la representación de bits. De esta manera tiene las mismas desventajas que el de los números enteros, sin embargo. Es por esto que, en la práctica, se aplicará la siguiente secuencia de operaciones: El intervalo de la totalidad de los valores permitidos del atributo se divide en piezas con la precisión deseada. El valor gen se toma como un número entero que los números el intervalo (utilizando el código de Gray). El número que es el medio de este intervalo se toma como el valor del parámetro. Vamos a echar un segundo vistazo a la secuencia anterior de operaciones en el siguiente ejemplo: Supongamos que los valores de los atributos se encuentran en el rango de 0,1. La gama se divide en intervalos de 256 para la codificación. Para codificar su número, vamos a necesitar de 8 bits. El valor de genes es, por ejemplo, 00100101bG (la letra mayúscula G significa que es el código Gray). En primer lugar, utilizando el código de Gray, vamos a encontrar el número intervalo correspondiente: 25hG-gt36h-gt54d. Ahora, vamos a comprobar qué intervalo se corresponde con ella. Según los cálculos simples, obtenemos el intervalo de 0,20703125, 0,2109375. Es decir. el valor del parámetro será (0,207031250,2109375) / 20,208984375. Codificación de datos no numéricos Los datos no numéricos debe transformarse en números antes de su cifrado. Esto se describe con más detalle en los artículos sobre nuestro sitio web, que describen el uso de redes neuronales. Cómo determinar el fenotipo objetos por su genotipo Para determinar el fenotipo de los objetos (es decir, los valores de los atributos de los objetos), sólo tenemos que conocer los valores de los genes que se corresponden con estos atributos (es decir, el genotipo de los objetos). En esto, la integridad de los genes que describen el genotipo objetos representa un cromosoma. En algunas realizaciones, también se denomina muestra. Por lo tanto, en la realización algoritmo genético, el cromosoma representa una cadena de bits de longitud fija. En esto, cada intervalo de la cadena se corresponde con un gen. La longitud de los genes dentro de un cromosoma puede ser el mismo o diferente. Los genes de la misma longitud se utilizan con más frecuencia. Consideremos un ejemplo de un cromosoma y las interpretaciones de su valor. Dejar que el objeto tiene 5 atributos, cada ser codificado en un gen de longitud de 4 elementos. Entonces la longitud del cromosoma es 5420 bits: En teoría, estos dos operadores genéticos son suficientes para hacer la función de algoritmo genético. Sin embargo, en la práctica, se utilizan algunos operadores adicionales, así como las modificaciones de estos dos operadores. Por ejemplo, no puede ser no sólo un cruce de un solo punto (descrito anteriormente), pero también un multipunto uno. En este último caso, se crean varios puntos de quiebre (generalmente dos). Además, el operador de mutación lleva a cabo la inversión de sólo un bit seleccionado al azar de un cromosoma en algunas implementaciones del algoritmo. Algoritmo Genético Diagrama de flujo Ahora, con el conocimiento de cómo interpretar los valores de genes, podemos hablar de cómo funciona el algoritmo genético. Vamos a echar un vistazo más de cerca en el diagrama de flujo del algoritmo genético en su representación clásica. Inicializar la hora de inicio, t0. Formar al azar de la población inicial, que consiste en unidades de k. B0 Calcular la aptitud de cada unidad, FaI ajuste (Ai). i1k, y el estado físico de toda la población, Fort ajuste (Bt). El valor de esta función determina en qué medida la unidad descrita por este cromosoma trajes para resolver el problema. Seleccione la unidad de aire acondicionado en la población. Ac Get (Bt) Seleccione la segunda unidad de la población con una cierta probabilidad (la probabilidad de cruce Pc), c1 Get (Bt), y llevar a cabo el operador de cruce, Ac Crossing (Ac, Ac1). Realizar el operador de mutación con una cierta probabilidad (la mutación Pm probabilidad), Ac mutación (Ac). Realizar el operador de inversión con una cierta probabilidad (la inversión Pi probabilidad), Ac inversión (Ac). Coloque el nuevo cromosoma obtenido en la nueva población, inserte (Bt1, Ac). Los pasos 3 a 7 se debe repetir k veces. Aumentar el número época actual, tt1. Si se cumple la condición de parada, terminar el bucle. De lo contrario, vaya al paso 2. Algunas etapas del algoritmo necesitan un examen más detenido. Los pasos 3 y 4, la etapa de selección de los padres cromosomas, juegan el papel más importante en el buen funcionamiento del algoritmo. Puede haber varias alternativas posibles en este. El método de selección de uso más frecuente se llama la ruleta. Cuando se utiliza este método, la probabilidad de que se seleccionará uno u otro cromosoma está determinada por su condición física, es decir PGET (Ai) Fit (Ai) / Fit (Bt). El uso de este método da lugar al aumento de la probabilidad de que los atributos pertenecientes a las unidades más ajustadas se propagará en la descendencia. Antoher método utilizado con frecuencia es la selección del torneo. Consiste en que varias unidades (2, por regla general) son seleccionados al azar entre la población. La unidad más fuerte será seleccionado como winner. Besides, en algunas implementaciones del algoritmo, se utiliza la denominada estrategia de elitismo, lo que significa que son las unidades más ajustadas están garantizados para entrar en la nueva población. Normalmente, este enfoque permite acelerar la convergencia del algoritmo genético. La desventaja de esta estrategia es el aumento de la probabilidad de que el algoritmo de conseguir en el mínimo local. La determinación de los criterios de parada algoritmo es otro punto importante. O bien la limitación de que el algoritmo funcione épocas o determinación de la convergencia del algoritmo (normalmente, a través de la comparación de la aptitud de la población en varias épocas de la parada cuando se estabiliza este parámetro) se utilizan como tales criterios. Advertencia: Todos los derechos sobre estos materiales están reservados por MQL5 Ltd. copia o reimpresión de estos materiales en su totalidad o en parte está prohibited. A sistema de comercio de Forex basado en un algoritmo genético Primera Línea: 04 abril 2012, recibidos: 20 Abril 2010 Aceptado: 21 de marzo de 2012 Citar este artículo como: Mendes, L. Godinho, P. Dias, J. J Heurística (2012) 18: 627. doi: 10.1007 / s10732-012-9201-y 5 citaciones 843 Vistas resumen en este documento, una genética algoritmo se describe que tiene como objetivo la optimización de un conjunto de reglas que constituyen un sistema de comercio para el mercado de divisas. Cada individuo de la población representa un conjunto de diez reglas de negociación técnica (cinco entrarán en una posición y otros cinco para salir). Estas reglas tienen 31 parámetros en total, que corresponden a los genes de los individuos. La población va a evolucionar en un entorno determinado, definido por una serie temporal de un par de divisas específico. La aptitud de un individuo determinado representa lo bien que ha sido capaz de adaptarse al medio ambiente, y se calcula mediante la aplicación de las normas correspondientes a las series de tiempo, y luego calcular la relación entre el (la relación de Stirling) ganancias y la reducción máxima . Dos pares de divisas se han utilizado: EUR / USD y GBP / USD. Se utilizó datos diferente para la evolución de la población y para probar los mejores individuos. Se discuten los resultados obtenidos por el sistema. Los mejores individuos son capaces de lograr muy buenos resultados en la serie de entrenamiento. En la serie de ensayos, las estrategias desarrolladas muestran cierta dificultad en la consecución de resultados positivos, si se toma en cuenta los costos de transacción. Si pasa por alto los costos de transacción, los resultados son en su mayoría positivos, lo que demuestra que los mejores individuos tienen cierta capacidad de predicción. Palabras clave algoritmos genéticos reglas comerciales Finanzas Técnicas Los tipos de cambio Referencias Álvarez-Díaz, M. Alvarez, A. tipos de cambio de predicción utilizando algoritmos genéticos. Appl. Econ. Letón. 10 (6), 319322 (2003) CrossRef Google Académico Brabazon, A. O'Neill, M. Evolución de las reglas de negociación técnica para los mercados de divisas al contado utilizando la evolución gramatical. Comput. Manag. Sci. 1 (3), 311327 (2004) MATH CrossRef Google Académico Davis, L. Manual de algoritmos genéticos. Van Nostrand Reinhold-, Nueva York (1991) Dempster, M. A.H. Jones, C. M. Un sistema de comercio de adaptación en tiempo real utilizando programación genética. Quant. Finanzas 1 (4), 397413 (2001) CrossRef Google Académico Dunis, C. Harris, A. et al. La optimización de los modelos de transacciones de la jornada con algoritmos genéticos. Neural Serv. Mundial 9 (3), 193223 (1999) Google Académico Eling, M. Schuhmacher, F. ¿La elección de la medida de rendimiento influyen en la evaluación de los fondos de cobertura J. Banco. Finanzas 31 (9), 26322647 (2007) CrossRef Google Académico Fama, mercados de capitales eficientes E. F.: una revisión de la teoría y el trabajo empírico. J. Finanzas 25 (2), 383417 (1970) CrossRef Google Académico Goldberg, D. Algoritmos Genéticos en la Búsqueda, Optimización y Aprendizaje Automático. Addison-Wesley, Reading (1989) MATH Grefenstette, J. J. Los algoritmos genéticos para entornos cambiantes. En: Solución de problema paralelo de la naturaleza 2, Bruselas (1992) Harding, D. Nakou, G. et al. Los pros y los contras de disposición de fondos como una medida estadística de riesgo para las inversiones. AIMA Diario, abril de 1617 (2003) Google Académico Hirabayashi, A. Aranha, C. et al. Optimización de la regla de intercambio comercial de divisas usando el algoritmo genético. En: Actas de la 11ª Conferencia Anual sobre Genética y la computación evolutiva GECCO09 (2009) Hryshko, A. Downs, T. Sistema para el comercio de divisas usando algoritmos genéticos y el aprendizaje por refuerzo. Int. J. Syst. Sci. 35 (13), 763774 (2004) MATH CrossRef Google Académico Kaboudan, M. A. genética de predicción de la programación de precios de las acciones. Comput. Econ. 16 (3), 207236 (2000) MATH CrossRef Google Académico LeBaron, B. Técnica rentabilidad regla de negociación y la intervención cambiaria. J. Int. Econ. 49 (1), 125143 (1999) CrossRef Google Académico LeBaron, B. Técnica rentabilidad de comercio en los mercados de divisas en los años 1990 (2002) Levich, R. M. Thomas, L. R. La importancia de los beneficios de explotación en reglas técnicas en el mercado de divisas: un enfoque de arranque. J. Int. Financ dinero. 12 (5), 451474 (1993) CrossRef Google Académico Menkhoff, L. Taylor, M. P. La pasión obstinada de profesionales de divisas: el análisis técnico. J. Econ. Iluminado. 45 (4), 936972 (2007) CrossRef Google Académico Meyers, T. A. El Curso de Análisis Técnico. McGraw-Hill, Nueva York (1989) Mitchell, M. Una Introducción a los Algoritmos Genéticos. MIT Press, Cambridge (1996) Neely, C. Weller, P. técnico de las operaciones intradía en el mercado de divisas. J. Int. Financ dinero. 22 (2), 223 237 (2003) CrossRef Google Académico Neely, C. Weller, P. et al. Es el análisis técnico en la programación genética Un enfoque rentable mercado de divisas. J. Financ. Quant. Anal. 32 (4), 405426 (1997) CrossRef Google Académico Neely, C. J. Weller, P. A. et al. Los mercados de adaptación hipótesis: la evidencia del mercado de divisas. J. Financ. Quant. Anal. 44 (02), 467488 (2009) CrossRef Google Académico Olson, D. ¿Las utilidades de reglas comerciales en los mercados de divisas se redujo con el tiempo J. Banco. Finanzas 28 (1), 85105 (2004) CrossRef Google Académico Osman, I. H. Kelly, J. P. meta-heurística: Aplicaciones Teoría de amplificador. Kluwer Academic, Dordrecht (1996) MATH Park, C.-H. Irwin, S. H. ¿Qué sabemos acerca de la rentabilidad de un análisis técnico J. Econ. Surv. 21 (4), 786826 (2007) CrossRef Google Académico Pictet, O. V. Dacorogna, M. M. et al. El uso de algoritmos genéticos para la optimización robusta en aplicaciones financieras. Neural Serv. Mundial 5 (4), 573587 (1995) Google Académico Reeves, C. R. El uso de algoritmos genéticos con poblaciones pequeñas. En: Actas de la Quinta Conferencia Internacional de Algoritmos Genéticos. Morgan Kaufmann, San Mateo (1993) Rothlauf, F. Goldberg, D. representaciones redundantes en la computación evolutiva. Illinois Laboratorio de Algoritmos Genéticos (illigal) Informe (2002) Schulmeister, S. Los componentes de la rentabilidad del comercio de divisas técnica. Appl. Financ. Econ. 18 (11), 917930 (2008) CrossRef Google Académico Sweeney, R. J. Superando el mercado de divisas. J. Finanzas 41 (1), 163182 (1986) Google Académico Wilson, G. Banzhaf, el comercio de divisas W. interdía utilizando programación genética lineal. En: Actas de la 12ª Conferencia Anual sobre Genética y la computación evolutiva GECCO10 (2010) Información de Copyright Springer ScienceBusiness Media, LLC 2012 Autores y afiliaciones Lus Mendes 1 Pedro Godinho 2 Joana Dias 3 Email Autor 1. Facultad de Economía Universidad de Coimbra Coimbra Portugal 2 . Facultad de Economía y GEMF Universidade de Coimbra Coimbra Portugal 3. Facultad de Economía y INESC-Coimbra Universidade de Coimbra Coimbra Portugal Acerca de este artículo Imprimir ISSNStatistically prueba de cada indicador con mi Algoritm genética Registrado Oct 2013 Estado: Forex Chamán 1.468 Mensajes Sip como el título sugiere, im va a probar cada indicador importante en la plataforma MT4, también puede enviar los personalizados (preferiblemente aquellas que dan señales de compra / venta y puede ser mecánica, no cosas como puntos de giro o así). Ive construir en los últimos 4 meses un complejo de Inteligencia Artificial que puede operar de manera rentable en indicadores, también se puede comprobar y comparar los indicadores de cada uno validity. Now no me voy a poner mi AI en público, ni ninguna información de cómo lo hizo, pero yo lo utilizará para ayudar a la gente fuera que están utilizando indicadores de mitos trading. Certain sobre los indicadores deben desaparecer, algunos de ustedes dicen indicador son BS y no puede obtener beneficios constante con ella, algunos de ustedes dicen que son el Santo Grial, y puede hacer inmenso beneficio. Digo, usted puede hacer dinero por el comercio de forma mecánica, pero, ya no se pueden utilizar de forma estática, lo que significa que usted no puede utilizar los mismos parámetros como en el MACD 12,26,9 que eran us En 1970, el mercado ha cambiado mucho desde entonces. Mi algoritmo genético, los segmentos de precios en grupos al azar, y calcula los mejores parámetros para el clúster, a continuación, después de nuevos clusters / datos viene, que aprende de los que son demasiado, y trata de adaptarse a los mejores parámetros posibles, para el medio ambiente más adecuado. Es bastante inteligente en hacer esto. Así que voy a comparar esos indicadores, por su fórmula no por sus parámetros, por lo que no me pregunte parámetros / ajustes de los indicadores que son los mejores, porque no hay tal cosa, en diferentes condiciones, diferentes parámetros son buenos, pero yo le dirá Atleast que los parámetros mínimos que deben ser utilizados para ser el punto de equilibrio Atleast, pero aún se debe optimizar el indicador después de cada operación o conjunto de operaciones. No es como usted puede utilizar MACD 12,26,9 de mercado que tiende el año 2002 con éxito mismas que en 2010 van market. Thats sin sentido. Pero lo que me voy a mostrar es que, aunque los parámetros pueden variar, ciertos indicadores seguirán siendo en general mejor que otros. Debido a su fórmula, adivina el precio fluya con mayor precisión, con cualquier parámetro, mejor que otros indicadores. Por lo que podría hacer una lista de los 10 después de que hayamos terminado, pero primero deja apenas para probarlos. Tampoco que la Disposición y cosas por el estilo los que no se miden, por lo que puede ser que algunos indicadores son más peligrosas que otras, pero su por lo general no superior a 25, si es entonces que el indicador tiene un tiempo muy Hart predecir el precio y, probablemente, no ser rentable de todos modos. Sencillas, 2 números son clave aquí, voy a medir cada indicador, cuánto pips / pipetas pueden acumulate que en los últimos 12 años de tiempo, mediante la apertura de un comercio en cada señal y cerrándola al contrario. No se utilizará ningún TP y SL, por lo que no se mide Disposición Segunda. voy a medir el índice de exactitud, la precisión con predice el flujo de precio. Voy a utilizar el par EUR / USD solamente, y M30 timeframe. I tener 12 años de datos históricos muy precisos sobre M30. También elegí M30 porque me di cuenta que no se puede ganar dinero en el largo plazo sobre TFS menores de 30 años con estos indicadores, o al menos que sería muy limited. None de los indicadores MT4 puede filtrar el ruido de bajo M30 eficiente. Ahora bien, puede ser que algunos indicadores se obtienen mejores resultados en USD / JPY o AUD / USD, especialmente los observadores de tendencias. Pero creo que el EUR / USD sigue siendo un buen punto de referencia, y ya que muchas personas se comercian, voy a probar sólo here. Also si volviera a probarlo en cada par que llevaría para siempre, y también se necesita mucha potencia de cálculo de ello, por lo que el EUR / USD sólo 1 otra serie será el nr de los oficios, el tamaño de la muestra. ¿Por qué lo hago. Simple, es gratis, y quiero ayudar a salir los chicos que son aún principiantes y tienen dudas sobre indicators. Also i no estropear nada, no tengo manera de mejores indicadores que los clásicos, pero aquellos que sólo tienen indicadores MT4 clásicos, esto es un buen análisis del rendimiento de ellos quotTheres un lechón llevado cada minutequot - PT Barnum Registrado Oct 2013 Estado: Forex Chamán 1468 Mensajes 3) índice de RSI fuerza relativa (Por encima de 30 COMPRA / Menos de 70 VENTA) Par: Periodo de tiempo EURUSD: M30 Años probados: 12 pipetas netas Acumulado (ganar-perder): 35332 Cantidad de operaciones: 2 ( sip Sólo operaciones 2 cuatro el año, 1 ganados 1 perdido) índice de exactitud: 50 parámetros mínimos / cluster precio: No muy bueno en este TF (14 ajuste es un mito), plazos superiores recomienda, a menos que quiera mantener un intercambio por 4 ejercicios abiertos. Rentable: Sí Observaciones: A pesar de que dio más beneficios que el MACD, que sólo tenía 2 operaciones, he comprobado en mayor período de tiempo en el que dio muy buenos resultados, también en otros pares que estaba bien, pero debido a que probarlo en EUR / USD M30, i descartará esto desde el TOP 10, debido a la falta de datos sobre M30 plazo quotTheres un lechón llevado cada minutequot - PT Barnum Registrado Oct 2013 Estado: Forex Chamán 1468 Mensajes 4) Bullpower (compre por encima de 0 / vender por debajo de 0) Par: Periodo de tiempo EURUSD: M30 Años probados: 12 pipetas netas Acumulado (ganar-perder): 21337 Cantidad de operaciones: tasa de 3056 Precisión: 23.52 parámetros mínimos / racimo de precio: período es necesario, pero se pueden obtener beneficios en M30 rentable: Sí Observaciones: los periodos de alta necesarios como en el RSI, pero no tiene manera más operaciones que el RSI, aunque su tasa de precisión es baja, considero es más fiable que el RSI en EURUSD M30 5) Bearpower (comprar por encima de 0 / vender por debajo de 0) Par: Periodo de tiempo EURUSD: M30 años probados: 12 pipetas netas Acumulado (ganar-perder): 29986 Cantidad de operaciones: 2796 índice de exactitud: 22.46 mínimo parámetros / racimo de precio: período es necesario, pero puede obtener beneficios en M30 rentable: Sí Observaciones: menos preciso entonces Bullpower, pero hacen más ganancias, con poco más, pero menos operaciones malas quotTheres un lechón llevado cada minutequot - PT Barnum excelente idea que siempre tenía curiosidad de las tasas de cierre de los de los indicadores cuentan, además, si se puede, se puede probarlos en Daily TF y Al probar medias móviles probar con períodos de 5, 10, 20. 50. 100 y 200. exponencial sería estar bien. Para mover los grupos de pruebas de crossover de (5, 10) (10, 20) y (50, 200) Soy un ventilador silencioso de Medias móviles exponenciales, pero los usé un poco voy a dejar las medias móviles para el último, ya que habrá haber muchas combinaciones there. First I PRUEBA del grupo quotOscillatorsquot. Elijo la M30, ya que es el mejor TF. No más pequeños dudan de la diaria y plazos superiores harían todos los indicadores rentable, pero el problema es la ganancia sería lento. ¿Le sostener un comercio abierto durante 4 meses o así. No lo creo, porque su mejor tener 100 pequeños comercios de cada 4 1 mes, entonces el comercio grande, porque se puede agravar el beneficio y hacer más. Si cada comercio en promedio daría 10-15 pips y tenía 1.000 comercios en un año harían al menos 1000x más beneficios, de 15000 pips en el comercio 1 que dura todo el año. Por qué. Debido a que aumente el tamaño del lote, mientras tanto, como su grows. While equidad si sólo tenía 1 el comercio, las permutas probablemente comer todo el beneficio, y que tenía que preocuparse todo el año para que el comercio. Mala idea. quotTheres un lechón llevado cada minutequot - P. T. Barnum seguro que lo haré una lista de ellos y poner enlaces a cada post donde les detallé 6) DeMarker (por encima de 0,3 COMPRAR / Abajo 0,7 VENTA) Par: Periodo de tiempo EURUSD: M30 Años probados: 12 pipetas netas Acumulado (ganar-perder): 48139 Cantidad de operaciones : 49.462 clúster parámetros mínimos / precio: 93: tasa de precisión por encima del 100 al menos rentables: Sí Observaciones: Hasta ahora el mejor indicador, mejor que el MACD demasiado 7) Bandas de Bollinger, el índice de Fuerza, ATR, Momentum, y se omitirán los sobres. El BB y sobres serán omitidos debido a que el precio no se distribuye normalmente, por lo que mira la desviación estándar de ellos no tiene sentido, y probablemente no será precisa. Los otros no se señalan los indicadores, que miden otras cosas. quotTheres un lechón llevado cada minutequot - P. T. Barnum Registrado Oct 2013 Estado: Forex Chamán 1468 Mensajes 8) Ichimoku (Kijun amp Tenkan Cruz) Par: Periodo de tiempo EURUSD: M30 Años probados: 12 pipetas netas Acumulado (ganar-perder): 18404 Cantidad de operaciones: 1093 tasa de precisión: 37.45 parámetros mínimos / clúster de precio: un promedio de alrededor defecto, se parece a los valores por defecto son bastante buenos ichimokus rentable: Sí Observaciones: parece que la configuración por defecto puede ser aceptable, aunque el beneficio no es mucho, pero al menos su preciso. 9) Ichimoku (estrategia de nube Kumo) se ha parado, porque necesita 3 parámetros. También vamos a saltar el OSMA también, su parecido al MACD, sin embargo, también tiene 3 parámetros así, eso es demasiado para calcular con. Además: La verdad soy muy decepcionado sobre su desempeño i pensó que el ichimoku llevaría a cabo de mejor manera, me refiero a todos los 300 años de tradición japonesa comerciante de arroz y la sabiduría es un valor de casi nada hoy en día es triste. Tal vez funciona mejor en los futuros de arroz, pero por desgracia la ichimoku es probablemente un mito sobrevalorado en divisas. quotTheres un lechón llevado cada minutequot - P. T. Barnum EDIT: Es sólo una idea, ¿podría poner también las ganancias medias mensuales, así como mensual más alto y el más bajo. En este momento el no trabaja AI así, segmentos enteros de los datos históricos en paquetes al azar, o clusters, y calcula los mejores parámetros, a continuación, selecciona la mejor y sigue adelante, y se pone mejor y mejor con más datos, al igual que un niño se más inteligente por aprender más, su inteligencia artificial, una usando un algoritmo heurístico para aprender. No tengo forma de saber la intra-semana o intra-mes lucro, sé las estadísticas globales al final eso es que es mejor tener tantas operaciones como sea posible para no tener un mes entero en menos, eso SCK muy mal . Es por eso que no puedo decir que 189 es la mejor configuración de la RSI, porque ¿no es cierto, en diferentes momentos diferentes ajustes son buenos, pero yo puedo medir el ajuste mínimo, por lo que su lógica de que si digo algo por debajo de 100 es malo, es debido a que el algoritmo nunca se recogió cualquier valor por debajo de 100 por lo que deben ser todo lo pierdan los parámetros, pero esto todavía no significa que todos los parámetros por encima de 100 es bueno. usted tiene que optimizar, pero al menos tienen un quotTheres referencia nace un tonto cada minutequot - P. T. Barnum Registrado Oct 2013 Estado: Forex Chamán 1468 Mensajes 10) RVI Índice Relativo de Vigor (Por encima de 30 COMPRA / Menos de 70 VENTA) Par: Periodo de tiempo EURUSD: M30 Años probados: 12 pipetas netas Acumulado (ganar-perder): 42040 Cantidad de operaciones: 1529 Exactitud tasa: 34.401 clúster mínimo parámetros / precio: por encima de 150 para ser rentable: Sí Observaciones: un poco mal en el filtrado, que necesita ajustes altos, pero el segundo mejor indicador aún después de DeMarker 11) Rango del porcentaje de Williams WPR (por encima de -80 compra / abajo - 20 venta) Par: Periodo de tiempo EURUSD: M30 años prueba: 12 pipetas netas Acumulado (ganar-perder): -33321 Cantidad de operaciones: 3351 tasa de precisión: 57.20 parámetros mínimos de racimo / precio: ninguno, al menos no para este TF rentable: Nope Comentarios: el primer indicador de mierda hasta el momento, que fue diseñado ya sea para plazos mayores o que no funciona en all. â poco sorprendente ya que su precisión es muy alta, sin embargo, no puedo obtener beneficios, mientras que todos los demás indicadores hasta ahora, no importa lo mal hecho, pero beneficio, éste aún no ha. Se confirmó, el AUDUSD hizo -69.862, su estrategia teoría sorry. Chaos realmente no trabaja podría ser aswell obsoleta. quotTheres un lechón llevado cada minutequot - P. T. Barnum Registrado Oct 2013 Estado: Forex Chamán 1.468 Mensajes 11) índice de flujo de dinero IMF, no te confunda con índice de facilitación del mercado (más del 20 Comprar / por debajo de 80 venta) Par: Periodo de tiempo EURUSD: M30 Años probados: 12 pipetas netas Acumulado (ganar-perder ): 47802 Cantidad de operaciones: tasa de 46 Precisión: 42.3 parámetros mínimos / racimo precio: Zona de defecto rentable: Sí Observaciones: a primera vista parece que hizo al segundo lugar después de la DeMarker, pero en realidad no hizo, la muestra del comercio es demasiado pequeñas y probablemente poco fiables oficios demasiado tiempo con gran DD. So segundo lugar todavía está reservado para RVI 12) Acelerador oscilador (Compra / Venta encima / debajo de 0) Par: Periodo de tiempo EURUSD: M30 años probados: 12 pipetas netas Acumulado (ganar-perder ): -352618 Cantidad de operaciones: tasa de 16134 Precisión: 38,94 parámetros mínimos / racimo precio: no tiene parámetros rentables: Comentarios: Nope desastre completo y pérdida de tiempo, ya que no tiene parámetros, no puedes ajustarlo al precio de mercado, y la fórmula inicial sí solo doenst seguir el precio, su indicador muy rentable 13) (NO) oscilador impresionante (compra / venta por encima / debajo de 0) Par: Periodo de tiempo EURUSD: M30 años probados: 12 pipetas netas Acumulado (ganar-perder): -102321 Cantidad de operaciones: 6075 tasa de precisión: 33,33 (3) el grupo parámetros mínimos / precio: no tiene parámetros rentables: Nope Comentarios: opuesto total a su nombre, no es impresionante en general, es un bullsht lugar quotTheres un lechón llevado cada minutequot - PT Barnum permite recapitular un poco. Terminamos todos los grupos de osciladores e indicadores de volumen, sólo el grupo quottrendingquot a la izquierda, y por supuesto los indicadores personalizados. Nos saltamos unos indicadores aquí y allá, por ejemplo, el cocodrilo, que tenía 6 parámetros OMG, incluso con 3 parámetros de las permutaciones total sería como 5003 porque mi tope máximo parámetro es 500. Es razonable porque si un indicador necesita más de 500 entonces es probable que no fue diseñado para M30 marco de tiempo, ¿por qué preocuparse calcular más. Así, con 3 parámetros mis 8 núcleos de procesador PC tiene que calcular 125000000 combinaciones de 12 años de datos M30, al igual que 200.000 candeleros el procesador individual de trabajo que requiere un indicador para cada cálculo de la CPU que la IA tiene que aprender y combinar los racimos. Ahora, con 2 parámetros por lo general un cálculo toma 5-15 minutos, sin embargo, con 3 parámetros que se necesitan al menos 8 horas. El requisito de CPU crece más rápido que la exponencial si se agrega más parámetros. Me gustaría tener un PC como este para estas tareas. Y el indicador Fractales simplemente laggs como el demonio, tengo unos pocos personalizados, pero no apto para el comercio de AI, pero nunca entiendo por qué usarlos si LAGG 2-3 bars. SnowCron SnowCron Algoritmo Genético en las operaciones de cambio Sistemas Utilizando Algoritmos Genéticos Estrategia para crear rentable las operaciones de cambio. Algoritmo Genético en la corteza Redes Neuronales Software Feedforward retropropagación Neural Network Application para los cálculos genéticos basa operaciones de cambio. Este ejemplo utiliza conceptos e ideas en el artículo anterior, así que por favor lea red neuronal de algoritmo genético en las operaciones de cambio de sistemas en primer lugar, aunque no es obligatorio. Sobre este texto En primer lugar, por favor, lea la declaración. Este es un ejemplo del uso de redes neuronales de la corteza Software funcionalidad algoritmo genético, no es un ejemplo de cómo hacer el comercio rentable. No soy su gurú, ni debería ser responsable de sus pérdidas. Córtex Redes Neuronales Software cuenta con redes neuronales en ella, y FFBP hemos comentado antes es sólo una manera de elegir a las estrategias de comercio de divisas. Es una buena técnica, potente y cuando se aplica correctamente, muy promicing. Sin embargo, tiene un problema - para enseñar TNE de red neuronal. necesitamos saber la salida deseada. Es bastante fácil de hacer cuando hacemos aproximación de funciones, sólo tomamos el valor real de una función, porque sabemos lo que debería ser. Cuando hacemos la predicción de red neural. utilizamos la técnica (descrito en artículos anteriores) de la enseñanza de la red neuronal en la historia, de nuevo, si podemos predecir, por ejemplo, un tipo de cambio, sabemos (durante el entrenamiento) lo que la predicción correcta es. Y así. NN lleva a cabo en gran medida - en el aprendizaje conjunto. quotHINTquot es un acrónimo que significa para los ingresos quothigh sin taxes. quot Se aplica a altos ingresos que evitan el pago de la renta federal. Un creador de mercado que compra y vende bonos corporativos extremadamente corto plazo denominados papeles comerciales. Un distribuidor de papel es típicamente. Un pedido realizado a una casa de valores para comprar o vender un número determinado de acciones a un precio determinado o mejor. El libre adquisición y venta de bienes y servicios entre los países sin la imposición de restricciones tales como. En el mundo de los negocios, un unicornio es una empresa, por lo general una start-up que no tiene un registro de funcionamiento establecido.
No comments:
Post a Comment