Indikator jaringan syaraf tiruan

Grafik NeuroShell Trader dan NeuroShell Day Trader dapat berisi beberapa halaman grafik, masing-masing referensi keamanan yang berbeda. Bagan halaman memungkinkan Anda untuk melihat dan memperdagangkan sistem perdagangan Anda di banyak sekuritas secara bersamaan. Indikator, strategi perdagangan dan prediksi jaringan syaraf tiruan yang ditambahkan ke dalam grafik diulang secara individual, dioptimalkan dan diterapkan di semua sekuritas secara bersamaan. Jika Anda menambahkan dan menghapus bagan halaman dengan cepat, NeuroShell Trader akan secara otomatis melakukan backtest dan mengoptimalkan sekuritas tambahan. Dengan cepat menerapkan prediksi dan sistem perdagangan di seluruh portofolio saham, forex, dan lain-lain. Perangkat lunak trading yang paling kuat dan mudah digunakan tersedia untuk trading forex, saham, indeks, futures dan lebih banyak lagi. Copyright copy 2015 Biarkan sistem Anda mempelajari kearifan dari Usia dan pengalaman Ward Systems Group, Inc. BEBERAPA PERUSAHAAN YANG PALING MENGHARAPKAN PERUSAHAAN KEUANGAN TRUST TEKNOLOGI KAMI NeuroShell Pedagang titik dan antarmuka klik memungkinkan Anda untuk dengan mudah membuat indikator analisis teknis yang kompleks, sistem perdagangan dan perkiraan pasar jaringan syaraf tiruan tanpa pengkodean apapun. Bangun sistem perdagangan yang kuat dalam MINUTES, bukan jam atau hari. Jangan tertipu oleh sistem perdagangan yang terlihat bagus di atas kertas, tapi berhentilah segera setelah Anda memulai trading mereka. Gunakan pengoptimalan trading kertas NeuroShell Trader, di luar backtesting sampel dan optimasi algoritma genetik berjalan untuk secara otomatis membangun model yang kurang sesuai dengan data pas di masa lalu dan mengkonfirmasi kemampuan sistem untuk tampil di perdagangan masa depan. Cari tahu apakah sistem perdagangan Anda bertahan di perdagangan masa depan SEBELUM Anda trading Cant menemukan peraturan perdagangan yang baik Gunakan jaringan syaraf tiruan untuk memberi PREDIK sinyal perdagangan terbaik Indikator pedagang, prediksi, dan strategi trading NeuroShell, perpustakaan video langsung, tutor interaktif dan dokumentasi ekstensif Dengan cepat dan mudah bagi trader pemula untuk menganalisa dan memperdagangkan forex, saham, indeks dan futures. Dirancang untuk SEMUA ORANG dari pemula hingga pedagang profesional. Jika Anda memiliki seperangkat indikator favorit tapi tidak memiliki seperangkat aturan perdagangan yang menguntungkan, pengenalan pola jaringan syaraf tiruan mungkin solusinya. Jaringan syaraf tiruan menganalisa indikator favorit Anda, mengenali pola multi dimensi terlalu rumit untuk dipvisualisasikan, memprediksi dan meramalkan pergerakan pasar dan kemudian menghasilkan sinyal perdagangan berdasarkan pola, prediksi dan prakiraan tersebut. Dengan pelatihan cepat berpemilik NeuroShell Traders Turboprop 2 algoritma jaringan syaraf Anda tidak perlu lagi menjadi ahli jaringan syaraf tiruan. Memasukkan sistem jaringan syaraf tiruan semudah memasukkan indikator. Ward Systems Group, Inc. quotLet sistem Anda mempelajari kebijaksanaan usia dan pengalaman dalam perdagangan Membangun pasar saham, futures, indeks dan sistem perdagangan forex TANPA codingForex prediksi Contoh ini sangat mirip dengan yang sebelumnya. Satu-satunya perbedaan adalah bahwa hal itu menunjukkan data untuk pasangan mata uang valuta asing (forex). Cara kerja dengan applet Jika belum melihat contoh pertama. Silahkan jelajahi dulu - deskripsi dasar tersedia disana. Dalam applet ini, data berikut tersedia. Semuanya nilai akhir hari tutup sepanjang tahun 2007, yaitu 313 nilai. Seperti pada applet sebelumnya, masing-masing deret waktu ini memiliki nilai berikut: nol untuk interval di bawah 0, nilai close pada interval 0-jumlah nilai, dan sekali lagi nol setelah nilai terakhir diketahui. EURUSD - EUR USD data pasangan mata uang forex USDJPY - data pasangan mata uang EUR USD currency USDCHF - EUR USD data pasangan mata uang EURJPY - data pasangan mata uang EUR USD currency Sekali lagi perhatikan bahwa contoh ini hanya diberikan untuk ilustrasi. Trading menggunakan pengaturan sederhana ini biasanya tidak jauh dari menggunakan prediksi dengan nilai terakhir yang tersedia. Perhatikan juga bahwa untuk perdagangan kita perlu mengembangkan peraturan masuk dan keluar, dan itu lebih penting daripada prediksi yang tepat. Tunggu sampai applet dimuat. Applet dan deskripsi (c) Marek Obitko, 2008 jaringan syaraf tiruan di applet menggunakan kelas Java BPNeuron dan BPNet dari NeuralWebspace, (c) Tom Vehovsk, 1998, yang dimodifikasi untuk keperluan applet ini. MetaTrader 4 - Contoh Menggunakan Neural Networks Di MetaTrader Pendahuluan Banyak dari Anda mungkin telah mempertimbangkan kemungkinan menggunakan jaringan saraf di EA Anda. Subjek ini sangat panas khususnya setelah Kejuaraan Perdagangan Otomatis 2007 dan kemenangan spektakuler oleh Better dengan sistemnya berdasarkan jaringan syaraf tiruan. Banyak forum internet dibanjiri topik yang berhubungan dengan jaringan syaraf tiruan dan perdagangan Forex. Sayangnya penulisan asli implementasi MQL4 dari NN tidak mudah. Hal ini membutuhkan beberapa keterampilan pemrograman dan hasilnya tidak akan sangat efisien, khususnya jika Anda ingin menguji hasil akhir Anda pada penguji pada sejumlah besar data. Dalam artikel ini Ill menunjukkan kepada Anda bagaimana Anda dapat menggunakan perpustakaan dengan mudah yang tersedia secara bebas (under LGPL), Perpustakaan Umum Syaraf Tiruan yang Terkenal dengan Cepat (FANN) dalam kode MQL4 Anda sambil menghindari rintangan dan keterbatasan tertentu. Selanjutnya saya berasumsi bahwa pembaca mengenal Artificial Neural Networks (ann) dan terminologi yang berkaitan dengan subjek ini sehingga saya berkonsentrasi pada aspek praktis dalam menggunakan implementasi ann dalam bahasa MQL4. Fitur FANN Untuk memahami kemungkinan penerapan FANN, kita perlu membiasakan dokumentasi dan fungsi yang paling sering digunakan. Penggunaan khas FANN adalah membuat jaringan feedforward sederhana, melatihnya dengan beberapa data dan menjalankannya. Jaringan yang dibuat dan dilatih kemudian dapat disimpan untuk disimpan dan dipulihkan kemudian untuk digunakan lebih lanjut. Untuk membuat satu ann harus menggunakan fungsi fanncreatestandard (). Mari kita lihat sintaksnya: Dimana numlayers mewakili jumlah total lapisan termasuk input dan layer output. Argumen lNnum dan berikut mewakili jumlah neuron di setiap lapisan yang dimulai dengan lapisan masukan dan diakhiri dengan lapisan keluaran. Untuk membuat jaringan dengan satu lapisan tersembunyi dengan 5 neuron, 10 input dan 1 output, kita harus menyebutnya sebagai berikut: Setelah ann dibuat, operasi selanjutnya adalah melatihnya dengan beberapa data input dan output. Metode pelatihan yang paling sederhana adalah pelatihan tambahan yang dapat dicapai dengan fungsi sebagai berikut: Fungsi ini mengarahkan pointer ke struct fann yang sebelumnya dikembalikan oleh fanncreatestandard () dan keduanya memasukkan vektor data dan vektor data output. Vektor input dan output terdiri dari tipe fanntype. Tipe itu sebenarnya adalah tipe ganda atau float, tergantung pada cara FANN dikompilasi. Dalam implementasi ini vektor input dan output akan menjadi array double. Setelah ann dilatih, fitur yang diinginkan berikutnya adalah menjalankan jaringan itu. Implementasi fungsi yang didefinisikan sebagai berikut: Fungsi ini mengambil pointer ke struct fann yang mewakili jaringan yang sebelumnya dibuat dan vektor masukan tipe yang didefinisikan (array ganda). Nilai yang dikembalikan adalah output vector array. Fakta ini penting karena untuk satu jaringan utput kita allways mendapatkan satu elemen array dengan nilai output daripada nilai output itu sendiri. Sayangnya sebagian besar fungsi FANN menggunakan pointer ke struct fann yang mewakili ann yang tidak dapat ditangani langsung oleh MQL4 yang tidak mendukung struktur sebagai tipe data. Untuk menghindari keterbatasan itu kita harus membungkusnya dengan cara tertentu dan bersembunyi dari MQL4. Metode termudah adalah dengan membuat array struct fann pointer yang memegang nilai yang benar dan merujuknya dengan indeks yang ditunjukkan oleh variabel int. Dengan cara ini kita bisa mengganti tipe variabel yang tidak didukung dengan yang didukung dan membuat library wrapper yang mudah diintegrasikan dengan kode MQL4. Membungkus FANN sekitar Seperti pengetahuan terbaik saya MQL4 tidak mendukung fungsi dengan daftar argumen variabel jadi kami harus menghadapinya juga. Di sisi lain jika fungsi C (dari argumen variabel panjang) disebut dengan terlalu banyak argumen, tidak ada yang salah terjadi sehingga kita dapat mengasumsikan jumlah argumen maksimum yang tetap dalam fungsi MQL4 dilewatkan ke perpustakaan C. Fungsi wrapper yang dihasilkan akan terlihat seperti berikut: Kami mengubah fann terdepan dengan f2M (yang merupakan singkatan dari FANN TO MQL), menggunakan jumlah argumen statis (4 lapisan) dan nilai pengembalian sekarang merupakan indeks ke array internal anns yang memegang struct Data fann yang dibutuhkan oleh FANN untuk beroperasi. Dengan cara ini kita dapat dengan mudah memanggil fungsi seperti itu dari dalam kode MQL. Hal yang sama berlaku untuk: Terakhir, namun tidak kalah pentingnya adalah kenyataan bahwa Anda harus menghancurkan ann Anda yang telah dibuat sebelumnya dengan panggilan ke: Untuk melepaskan pegangan ann Anda harus menghancurkan jaringan dalam urutan terbalik daripada yang diciptakan. Atau mungkin Anda bisa menggunakan: Namun saya cukup yakin beberapa dari Anda mungkin lebih memilih untuk menyimpan jaringan terlatih mereka untuk digunakan nanti: Tentu saja jaringan yang tersimpan nantinya dapat dimuat (atau lebih tepatnya diciptakan kembali) dengan: Setelah kita mengetahui fungsi dasar yang mungkin kita coba Gunakan itu di EA kita, tapi pertama kita perlu menginstal paket Fann2MQL. Menginstal Fann2MQL Untuk memudahkan penggunaan paket ini, saya telah membuat installer msi yang berisi semua kode sumber ditambah perpustakaan yang telah dikompilasi dan file header Fann2MQL. mqh yang menyatakan semua fungsi Fann2MQL. Prosedur instalasi cukup mudah. Pertama Anda diberitahu bahwa Fann2MQL berada di bawah lisensi GPL: Pemasangan Fann2MQL, langkah 1 Kemudian pilih folder untuk menginstal paket. Anda dapat menggunakan Program FilesFann2MQL default atau menginstal langsung ke direktori Meta Traderexperts Anda. Yang nanti akan menempatkan semua file langsung ke tempat mereka jika tidak, kamu harus menyalinnya secara manual. Pemasangan Fann2MQL, langkah 2 Installer menempatkan file ke dalam folder berikut: Jika Anda memilih untuk menginstal ke folder Fann2MQL yang berdedikasi, salin isi subfolder sertanya dan perpustakaan ke direktori Meta Trader Anda yang sesuai. Installer juga menginstal library FANN ke dalam folder library sistem Anda (Windowssystem32 dalam banyak kasus). Folder src berisi semua kode sumber Fann2MQL. Anda dapat membaca kode sumber yang merupakan dokumentasi utama jika Anda memerlukan informasi lebih lanjut tentang internal. Anda juga bisa memperbaiki kode dan menambahkan fitur tambahan jika suka. Saya mendorong Anda untuk mengirimi saya tambalan Anda jika Anda menerapkan sesuatu yang menarik. Menggunakan jaringan syaraf di EA Anda Begitu Fann2MQL terinstal, Anda bisa mulai menulis EA atau indikator Anda sendiri. Ada banyak kemungkinan penggunaan NN. Anda dapat menggunakannya untuk meramalkan pergerakan harga di masa depan namun kualitas prediksi dan kemungkinan untuk memanfaatkannya secara nyata diragukan. Anda bisa mencoba menulis strategi Anda sendiri dengan menggunakan teknik Belajar Penguatan, katakanlah Q-Learning atau yang serupa. Anda mungkin mencoba menggunakan NN sebagai filter saring untuk EA heuristik Anda atau menggabungkan semua teknik ini dan apapun yang Anda inginkan. Anda dibatasi oleh imajinasi Anda saja. Di sini saya akan menunjukkan contoh penggunaan NN sebagai filter sederhana untuk sinyal yang dihasilkan oleh MACD. Tolong jangan menganggapnya sebagai EA yang berharga tapi sebagai contoh aplikasi Fann2MQL. Selama penjelasan tentang cara contoh EA: NeuroMACD. mq4 bekerja di Ill menunjukkan bagaimana Fann2MQL dapat digunakan secara efektif di MQL. Hal pertama untuk setiap EA adalah deklarasi variabel global, mendefinisikan dan menyertakan bagian. Inilah awal dari NeuroMACD yang berisi hal-hal tersebut: Perintah include mengatakan untuk memuat file header Fann2MQL. mqh yang berisi deklarasi semua fungsi Fann2MQL. Setelah itu semua fungsi paket Fann2MQL tersedia untuk digunakan dalam script. Konstanta ANNPATH mendefinisikan jalur untuk menyimpan dan memuat file dengan jaringan FANN yang terlatih. Anda perlu membuat folder itu mis. C: JST. Konstanta NAME berisi nama EA ini, yang kemudian digunakan untuk memuat dan menyimpan file jaringan. Parameter input agak jelas dan yang arent akan dijelaskan nanti, begitu pula variabel global. Titik masuk setiap EA adalah init () fungsinya: Pertama, memeriksa apakah EA diterapkan untuk memperbaiki jangka waktu. Variabel AnnInputs berisi jumlah input jaringan syaraf tiruan. Sebaiknya gunakan 3 set argumen berbeda yang kami inginkan agar bisa dibagi oleh 3. AnnPath dihitung untuk mencerminkan EA NAME dan MagicNumber. Yang dihitung dari SlowMA. Argumen masukan FastMA dan SignalMA yang kemudian digunakan untuk sinyal indikator MACD. Setelah mengetahui AnnPath, EA mencoba memuat jaringan syaraf tiruan menggunakan fungsi annload () yang akan dijelaskan Ill di bawah ini. Setengah dari jaringan yang dimuat dimaksudkan untuk penyaringan posisi panjang dan separuh lainnya dimaksudkan untuk celana pendek. Variabel AnnsLoaded digunakan untuk menunjukkan fakta bahwa semua jaringan diinisialisasi dengan benar. Seperti yang mungkin Anda perhatikan, contoh ini EA mencoba memuat beberapa jaringan. Aku ragu yang benar-benar diperlukan dalam aplikasi ini namun saya ingin menunjukkan potensi penuh Fann2MQL, yang menangani banyak jaringan pada saat yang sama dan dapat memprosesnya secara paralel dengan memanfaatkan beberapa core atau CPU. Untuk memungkinkan Fann2MQL memanfaatkan teknologi Intel Threading Building Blocks. Fungsi f2Mparallelinit () digunakan untuk menginisialisasi antarmuka tersebut. Berikut adalah cara saya untuk menginisialisasi jaringan: Seperti yang Anda lihat jika f2Mcreatefromfile () gagal, yang ditunjukkan oleh nilai pengembalian negatif, jaringan dibuat dengan fungsi f2Mcreatestandard () dengan argumen yang menunjukkan bahwa jaringan yang diciptakan harus memiliki 4 lapisan (Termasuk input dan output), input AnnInput, neuron AnnInput pada lapisan tersembunyi pertama, neuron AnnInput21 pada lapisan tersembunyi 2 dan 1 neuron pada lapisan keluaran. F2Msetactfunctionhidden () digunakan untuk mengatur fungsi aktivasi lapisan tersembunyi ke SIGMOIDSYMMETRICSTEPWISE (lihat dokumentasi FANN tentang fannactivationfuncenum) dan hal yang sama berlaku untuk lapisan output. Lalu ada panggilan ke f2mrandomizeweights () yang digunakan untuk menginisialisasi bobot koneksi neuron di dalam jaringan. Disini saya menggunakan range lt-0.4 0.4gt namun anda bisa menggunakan yang lain tergantung dari aplikasi anda. Pada titik ini Anda mungkin telah memperhatikan fungsi debug () yang saya gunakan beberapa kali. Salah satu metode paling sederhana untuk mengubah tingkat verbose EA Anda. Bersama dengan itu dan parameter masukan DebugLevel Anda dapat menyetel cara kode Anda menghasilkan keluaran debug. Jika argumen pertama debug () berfungsi, tingkat debug lebih tinggi dari DebugLevel fungsinya tidak menghasilkan output apapun. Jika nilainya lebih rendah sama dengan string teks yang dicetak. Jika tingkat debug adalah 0, string ERROR: ditambahkan ke awal. Dengan cara ini Anda dapat membagi debug yang dihasilkan oleh kode Anda ke beberapa tingkat. Yang paling penting mungkin adalah kesalahan sehingga mereka ditugaskan ke level 0. Mereka akan dicetak kecuali Anda menurunkan DebugLevel Anda ke bawah 0 (yang tidak disarankan). Pada level 1 beberapa informasi penting akan dicetak, seperti konfirmasi keberhasilan pemuatan atau pembuatan jaringan. Pada level 2 atau lebih tinggi pentingnya informasi yang dicetak secara bertahap menurun. Sebelum penjelasan rinci tentang fungsi start (), yang cukup panjang, saya perlu menunjukkan beberapa fungsi lagi yang dimaksudkan untuk mempersiapkan masukan jaringan dan menjalankan jaringan yang sebenarnya: Fungsi annprepareinput () digunakan untuk menyiapkan nama masukan untuk jaringan (Demikian namanya). Tujuannya cukup mudah, namun inilah saatnya saya harus mengingatkan Anda bahwa data masukan harus dinormalisasi dengan benar. Tidak ada normalisasi yang canggih dalam kasus ini, saya hanya menggunakan nilai utama dan sinyal MACD yang tidak pernah melebihi kisaran yang diinginkan pada data yang dipertanggungjawabkan. Dalam contoh nyata Anda mungkin harus lebih memperhatikan masalah ini. Karena Anda mungkin menduga memasukkan argumen masukan yang tepat untuk input jaringan, mengkodekannya, membusuk dan menormalkan adalah salah satu faktor terpenting dalam pemrosesan jaringan syaraf tiruan. Seperti yang saya sebutkan sebelumnya, Fann2MQL memiliki kemampuan untuk memperluas fungsionalitas normal MetaTrader, yaitu pemrosesan multithreading paralel jaringan syaraf tiruan. Argumen global Paralel mengontrol perilaku ini. Fungsi runanns () menjalankan semua jaringan yang diinisialisasi dan mendapatkan output dari mereka dan menyimpannya dalam array AnnOutput. Fungsi annsrunparallel bertanggung jawab untuk menangani pekerjaan dengan cara multithreaded. Ini memanggil f2mrunparallel () yang mengambil sebagai argumen pertama jumlah jaringan yang akan di proses, argumen kedua adalah array yang berisi pegangan ke semua jaringan yang ingin Anda jalankan dengan memberikan vektor masukan sebagai argumen ketiga. Semua jaringan harus dijalankan pada data masukan yang sama. Mendapatkan output dari jaringan dilakukan dengan beberapa panggilan ke f2mgetoutput (). Sekarang mari kita lihat fungsi start (): Ill mendeskripsikannya sebentar karena cukup berkomentar. Tradeallowed () memeriksa apakah diperbolehkan untuk berdagang. Pada dasarnya, cek variabel AnnsLoaded yang menunjukkan bahwa semua anns diinisialisasi dengan benar, kemudian memeriksa saldo minimum akun kerangka waktu yang tepat dan pada akhirnya memungkinkan untuk berdagang hanya pada tick pertama dari bar baru. Selanjutnya dua fungsi yang digunakan untuk menyiapkan input jaringan dan menjalankan pengolahan jaringan digambarkan hanya beberapa baris di atas. Selanjutnya kita hitung dan dimasukkan ke dalam variabel untuk kemudian memproses nilai MACD dari sinyal dan garis utama untuk bar buildup terakhir dan yang sebelumnya. Bar saat ini dihilangkan karena tidak dibangun dan mungkin akan ditarik ulang. SellSignal dan BuySignal dihitung sesuai dengan sinyal MACD dan crossover garis utama. Kedua sinyal digunakan untuk pemrosesan posisi panjang dan pendek yang simetris sehingga Ill hanya menjelaskan kasus untuk rindu. Variabel LongTicket memegang nomor tiket dari posisi yang saat ini dibuka. Jika sama dengan -1 tidak ada posisi yang dibuka jadi jika BuySignal disetel yang mungkin menunjukkan peluang bagus untuk membuka posisi long. Jika variabel NeuroFilter tidak mengatur posisi long dibuka dan itu terjadi tanpa penyaringan jaringan syaraf sinyal - perintah dikirim untuk membeli. Pada titik ini variabel LongInput dimaksudkan untuk mengingat InputVector yang disiapkan oleh annprepareinput () untuk penggunaan selanjutnya. Jika variabel LongTicekt memegang nomor tiket yang valid maka EA mengecek apakah masih dibuka atau ditutup oleh StopLoss atau TakeProfit. Jika pesanan tidak ditutup tidak ada yang terjadi, namun jika pesanan tersebut ditutup, vektor trainoutput, yang hanya memiliki satu otput, dihitung untuk menahan nilai -1 jika pesanan ditutup dengan kerugian atau 1 jika pesanan ditutup dengan keuntungan. . Nilai itu kemudian diteruskan ke fungsi anntrain () dan semua jaringan yang bertanggung jawab untuk menangani posisi panjang dilatih dengannya. Sebagai input vektor variabel LongInput digunakan, yaitu menahan InputVector pada saat membuka posisi. Dengan cara ini jaringan diajarkan sinyal mana yang menghasilkan keuntungan dan mana yang tidak. Setelah Anda memiliki jaringan yang terlatih untuk mengubah NeuroFilter menjadi benar ternyata penyaringan jaringan. The annwiselong () menggunakan jaringan syaraf tiruan yang dihitung sebagai rata-rata nilai yang dikembalikan oleh semua jaringan yang dimaksudkan untuk menangani posisi panjang. Parameter Delta digunakan sebagai nilai ambang batas yang menunjukkan bahwa sinyal yang disaring valid atau tidak. Seperti banyak nilai lainnya yang didapat melalui proses optimasi. Sekarang setelah kita tahu bagaimana cara kerjanya, tunjukkan bagaimana cara menggunakannya. Pasangan uji ini tentu saja EURUSD. Saya menggunakan data dari Alpari. Dikonversi ke kerangka waktu M5. Saya menggunakan periode dari tahun 2007.12.31 sampai 2009.01.01 untuk pengoptimalan pelatihan dan 2009.01.01-2009.03.22 untuk tujuan pengujian. Pada tahap pertama saya mencoba mendapatkan nilai yang paling menguntungkan untuk argumen StopLoss, TakeProfit, SlowMA, FastMA dan SignalMA, yang kemudian saya masukkan ke file NeuroMACD. mq4. NeuroFIlter dimatikan begitu juga SaveAnn. AnnsNumber diset ke 0 untuk menghindari proses syaraf. Saya menggunakan algoritma genetika untuk proses optimasi. Setelah nilai diperoleh laporan yang dihasilkan terlihat sebagai berikut: Laporan data pelatihan setelah optimasi parameter dasar. Seperti yang Anda lihat, saya telah menjalankan EA ini di akun mini dengan ukuran Lot 0,01 dan saldo awal 200. Namun Anda dapat menyetel parameter ini sesuai dengan pengaturan atau preferensi akun Anda. Pada titik ini kita memiliki cukup banyak keuntungan dan kehilangan perdagangan sehingga kita bisa menyalakan SaveAnn dan mengatur AnnsNumber menjadi 30. Setelah selesai, saya menjalankan tester sekali lagi. Hasilnya persis sama dengan kecuali kenyataan bahwa prosesnya jauh lebih lambat (akibat proses syaraf) dan folder C: ANN dihuni dengan jaringan terlatih seperti yang ditunjukkan pada gambar di bawah ini. Pastikan folder C: ANN ada sebelum folder C: ANN dijalankan. Setelah kita melatih jaringan waktunya untuk menguji bagaimana perilaku tersebut. Pertama coba juga pada data training. Ubah NeuroFilter menjadi true dan SaveAnn menjadi false dan mulailah penguji. Hasil yang saya dapatkan ditunjukkan di bawah ini. Perhatikan bahwa hal itu mungkin sedikit berbeda untuk kasus Anda karena ada beberapa keacakan di dalam jaringan dalam bobot koneksi neuron yang disediakan pada proses inisialisasi jaringan (dalam contoh ini saya menggunakan panggilan eksplisit ke f2Mrandomizeweights () di dalam annload ()). Hasil yang diperoleh pada data pelatihan dengan penyaringan syaraf sinyal dinyalakan. Laba bersih sedikit lebih besar (20,03 versus 16,92), namun faktor keuntungannya jauh lebih tinggi (1,25 versus 1,1). Jumlah perdagangan jauh lebih sedikit (83 vs 1188) dan rata-rata jumlah kerugian berturut-turut diturunkan dari 7 menjadi 2. Namun hanya menunjukkan bahwa penyaringan sinyal saraf bekerja namun tidak mengatakan apa-apa tentang bagaimana ia beroperasi pada data yang tidak digunakan untuk Selama pelatihan Hasil yang saya dapatkan dari periode pengujian (2009.01.01 - 2009.30.28) ditunjukkan di bawah ini: Hasil yang diperoleh dari pengujian data dengan penyaringan saraf dinyalakan. Jumlah perdagangan yang dilakukan cukup rendah dan sulit untuk mengatakan kualitas strategi ini, namun saya tidak akan menunjukkan cara menulis EA yang menguntungkan terbaik tapi untuk menjelaskan bagaimana Anda bisa menggunakan jaringan syaraf tiruan di kode MQL4 Anda. Efek sebenarnya dari penggunaan jaringan syaraf tiruan dalam hal ini dapat dilihat hanya bila dibandingkan hasil EA pada data uji dengan NeuroFilter dinyalakan dan dimatikan. Berikut ini adalah hasil yang diperoleh dari pengujian data periode tanpa penyaringan sinyal saraf: Hasil dari pengujian data tanpa penyaringan saraf. Bedanya cukup jelas. Seperti yang Anda lihat, penyaringan sinyal saraf mengubah EA yang kalah menjadi satu yang menguntungkan Kesimpulan Saya harap Anda telah belajar dari artikel ini bagaimana menggunakan jaringan syaraf tiruan di MetaTrader. Dengan bantuan paket Fann2MQL yang sederhana, gratis, dan terbuka, Anda dapat dengan mudah menambahkan lapisan jaringan syaraf ke hampir semua Expert Advisor atau mulai menulis yang Anda sendiri yang sepenuhnya atau sebagian didasarkan pada jaringan syaraf tiruan. Kemampuan multithreading yang unik dapat mempercepat proses Anda berkali-kali, tergantung pada jumlah inti CPU Anda, khususnya saat mengoptimalkan parameter tertentu. Dalam satu kasus, ini memperpendek pengoptimalan pembelajaran Berbasis Penguatan Pembelajaran Berbasis Pengetahuan dari sekitar 4 hari hingga hanya 28 jam pada CPU inti 4 inti. Selama penulisan artikel ini saya telah memutuskan untuk menempatkan Fann2MQL di situsnya sendiri: fann2mql. wordpress. Anda dapat menemukan versi terbaru Fann2MQL dan mungkin semua versi masa depan serta dokumentasi semua fungsi. Saya berjanji untuk menyimpan perangkat lunak ini di bawah lisensi GPL untuk semua rilis jadi jika Anda mengirimi saya komentar, permintaan fitur atau tambalan yang akan saya temukan menarik, pastikan untuk menemukannya di rilis berikutnya. Perlu diketahui bahwa artikel ini hanya menunjukkan penggunaan Fann2MQL yang sangat mendasar. Karena paket ini tidak lebih dari FANN Anda dapat menggunakan semua alat yang dirancang untuk mengelola jaringan FANN, seperti: Dan masih banyak lagi tentang FANN di situs Perpustakaan Jaringan Syaraf Tiruan Cepat: leenissen. dkfann Post Scriptum Setelah menulis artikel ini, saya telah menemukan Kesalahan yang tidak signifikan di NeuroMACD. mq4. Fungsi OrderClose () untuk posisi short diberi nomor tiket posisi panjang. Ini menghasilkan strategi miring yang cenderung menahan celana pendek dan rindu: Dalam versi naskah yang benar, saya telah memperbaiki kesalahan ini dan menghapus strategi OrderClose () sama sekali. Ini tidak mengubah keseluruhan gambaran pengaruh penyaringan saraf pada EA namun bentuk kurva keseimbangannya sangat berbeda. Anda bisa menemukan kedua versi EA ini yang melekat pada artikel ini.