Provedor de preço seguinte usando a rede Neural - indicador para o MetaTrader 4.
26/06/2009 - adicionou um novo indicador BPNN Predictor com Smoothing. mq4, em que os preços são alisados usando EMA antes das previsões.
20/08/2009 - corrigiu o código que calcula a função de ativação do neurônio para evitar a exceção aritmética; BPNN. cpp e BPNN. dll atualizados.
21/08/2009 - adicionou limpeza da memória no final da execução da DLL; BPNN. cpp e BPNN. dll atualizados.
Breve teoria das redes neurais:
A rede neural é um modelo ajustável de saídas como funções das entradas. Consiste em várias camadas:
camada de entrada, que consiste na camada escondida de dados de entrada, que consiste em processar nós chamados camada de saída de neurônios, que consiste em um ou vários neurônios, cujas saídas são as saídas de rede.
Todos os nós das camadas adjacentes estão interligados. Essas conexões são chamadas de sinapses. Toda sinapse tem um coeficiente de escala designado, pelo qual os dados propagados através da sinapse são multiplicados. Esse coeficiente de escala é chamado de pesos (w [i] [j] [k]). Em uma Rede de Neuro Feed-Forward (FFNN), os dados são propagados a partir de entradas para as saídas. Aqui está um exemplo de FFNN com uma camada de entrada, uma camada de saída e duas camadas ocultas:
A topologia de um FFNN é frequentemente abreviada da seguinte forma: & lt; # of input & gt; - & lt; # de neurônios na primeira camada escondida & gt; - & lt; # de neurônios na segunda camada escondida & gt; -. - & lt; # de saídas & gt ;. A rede acima pode ser referida como uma rede 4-3-3-1.
Os dados são processados por neurônios em duas etapas, correspondentemente mostradas dentro do círculo por um sinal de soma e um sinal de etapa:
Todas as entradas são multiplicadas pelos pesos associados e somados. As somas resultantes são processadas pela função de ativação do neurônio, cuja saída é a saída do neurônio.
É a função de ativação do neurônio que dá não linearidade ao modelo de rede neural. Sem isso, não há motivos para ter camadas ocultas, e a rede neural se torna um modelo auto-regenerado linear (AR).
Os arquivos de biblioteca fechados para funções NN permitem a seleção entre três funções de ativação:
O limite de ativação dessas funções é x = 0. Esse limite pode ser movido ao longo do eixo x graças a uma entrada adicional de cada neurônio, chamada entrada de polarização, que também possui um peso atribuído a ele.
O número de entradas, saídas, camadas ocultas, neurônios nessas camadas e os valores dos pesos de sinapse descrevem completamente um FFNN, isto é, o modelo não linear que ele cria. Para encontrar pesos, a rede deve ser treinada. Durante um treinamento supervisionado, vários conjuntos de entradas passadas e as correspondentes saídas esperadas são alimentados na rede. Os pesos são otimizados para obter o menor erro entre as saídas de rede e as saídas esperadas. O método mais simples de otimização de peso é a propagação traseira de erros, que é um método de descida gradiente. A função de treinamento fechada Train () usa uma variante deste método, denominada Back-Propagation Plus (iRProp +) aprimorada Resilient. Este método é descrito aqui.
A principal desvantagem dos métodos de otimização baseados em gradientes é que eles geralmente encontram um mínimo local. Para séries caóticas, como uma série de preços, a superfície do erro de treinamento tem uma forma muito complexa com muitos mínimos locais. Para essas séries, um algoritmo genético é um método de treinamento preferido.
BPNN. dll - arquivo de biblioteca BPNN. zip - arquivo de todos os arquivos necessários para compilar BPNN. dll em C ++ BPNN Predictor. mq4 - indicador prevendo futuros preços abertos BPNN Predictor com Smoothing. mq4 - indicador que prevê preços abertos lisos.
Arquivo BPNN. cpp tem duas funções: Train () и Test (). Train () é usado para treinar a rede com base na entrada passada fornecida e nos valores de saída esperados. Test () é usado para calcular as saídas de rede usando pesos otimizados, encontrados por Train ().
Aqui está a lista de parâmetros de entrada (verde) и output (azul) de Train ():
double inpTrain [] - Dados de treinamento de entrada (matriz 1D com dados 2D, antigo)
double outTarget [] - Saída de dados de destino para treinamento (dados 2D como matriz 1D, 1 maior)
double outTrain [] - Output 1D array para manter as saídas líquidas do treinamento.
int ntr - número de conjuntos de treinamento.
int UEW - Use Ext. Pesos para inicialização (1 = use extInitWt, 0 = use rnd)
double extInitWt [] - Insira a matriz 1D para armazenar a matriz 3D de pesos iniciais externos.
Double TrainingWt [] - Output 1D array para armazenar matriz 3D de pesos treinados.
int numLayers - número de camadas, incluindo entrada, oculto e saída.
int lSz [] - # de neurônios em camadas. lSz [0] é # de entradas líquidas.
int AFT - Tipo de função de ativação do neurônio (0: sigm, 1: tanh, 2: x / (1 + x))
int OAF - 1 permite a função de ativação para a camada de saída; 0 desabilita.
int nep - Número máximo de épocas de treinamento.
duplo maxMSE - Max MSE; O treinamento pára quando o maxMSE é alcançado.
Aqui está a lista de parâmetros de entrada (verde) и output (azul) de Test ():
double inpTest [] - dados de teste de entrada (dados 2D como matriz 1D, o mais antigo primeiro)
double outTest [] - Output 1D array para manter as saídas líquidas do treinamento (o mais antigo primeiro)
int ntt - número de conjuntos de teste.
double extInitWt [] - Insira a matriz 1D para armazenar a matriz 3D de pesos iniciais externos.
int numLayers - número de camadas, incluindo entrada, oculto e saída.
int lSz [] - # de neurônios em camadas. lSz [0] é # de entradas líquidas.
int AFT - Tipo de função de ativação do neurônio (0: sigm, 1: tanh, 2: x / (1 + x))
int OAF - 1 permite a função de ativação para a camada de saída; 0 desabilita.
Quer usar a função de ativação na camada de saída ou não (valor do parâmetro OAF) depende da natureza das saídas. Se as saídas são binárias, o que é frequentemente o caso nos problemas de classificação, a função de ativação deve ser usada na camada de saída (OAF = 1). Por favor, preste atenção que a função de ativação # 0 (sigmoid) tem 0 e 1 níveis saturados, enquanto as funções de ativação # 1 e 2 têm -1 e 1 níveis. Se as saídas de rede forem uma previsão de preço, então não será necessária nenhuma função de ativação na camada de saída (OAF = 0).
Exemplos de utilização da biblioteca NN:
BPNN Predictor. mq4 - prevê preços abertos futuros. As entradas da rede são mudanças de preço relativo:
onde o atraso [i] é calculado como um número de Fibonacci (1,2,3,5,8,13,21 ..). A saída da rede é a variação relativa prevista do próximo preço. A função de ativação é desativada na camada de saída (OAF = 0).
extern int lastBar - Última barra nos dados passados.
extern int futBars - número de barras futuras para prever.
extern int numLayers - número de camadas, incluindo entrada, oculto e amp; saída (2..6)
extern int numInputs - número de entradas.
extern int numNeurons1 - # de neurônios na primeira camada escondida ou saída.
extern int numNeurons2 - # de neurônios na segunda camada escondida ou saída.
extern int numNeurons3 - # de neurônios na terceira camada escondida ou saída.
extern int numNeurons4 - # de neurônios na quarta camada escondida ou saída.
extern int numNeurons5 - # de neurônios na quinta camada escondida ou saída.
extern int ntr - número de conjuntos de treinamento.
extern int nep - Número máximo de épocas.
extern int maxMSEpwr - define maxMSE = 10 ^ maxMSEpwr; O treino pára & lt; maxMSE.
extern int AFT - Tipo de atividade. função (0: sigm, 1: tanh, 2: x / (1 + x))
O indicador traça três curvas no gráfico:
cor vermelha - previsões de preços futuros.
BPNN Predictor. mq4 - prevê futuros preços abertos suavizados. Ele usa o suavização EMA com o período smoothPer.
Copie o arquivo BPNN. DLL para C: \ Program Files \ MetaTrader 4 \ experts \ bibliotecas.
Você também pode compilar seu próprio arquivo DLL usando códigos-fonte em BPNN. zip.
Uma rede com três camadas (numLayers = 3: uma entrada, uma escondida e uma saída) é suficiente para a grande maioria dos casos. De acordo com o Teorema de Cybenko (1989), uma rede com uma camada oculta é capaz de aproximar qualquer função contínua e multivariada a qualquer grau de precisão desejado; uma rede com duas camadas ocultas é capaz de aproximar qualquer função descontínua e multivariada:
O gráfico abaixo mostra uma função linear y = b * x (entrada x, saída y) cujas saídas são corrompidas por ruído. Esse ruído adicional faz com que a função de saídas medidas (pontos negros) se desvie de uma linha reta. A função y = f (x) pode ser modelada por uma rede neural de avanço. A rede com um grande número de pesos pode ser ajustada aos dados medidos com erro zero. Seu comportamento é mostrado como a curva vermelha passando por todos os pontos negros. No entanto, esta curva vermelha não tem nada a ver com a função linear original y = b * x (verde). Quando esta rede sobrecarregada é usada para prever valores futuros da função y (x), isso resultará em grandes erros devido à aleatoriedade do ruído adicional.
Tópico: indicadores das Redes Neurais.
Ferramentas de discussão.
Modo linear Mude para o modo híbrido Mude para o modo roscado.
Indicadores das Redes Neurais.
MT4_FANN. dll em bibliotecas /
E fanndoubleMT. dll na raiz (com terminal. exe)
Atenção: este indicador é muito pesado.
Ainda não tenho a foto aqui.
Tópicos semelhantes.
Previsão de preços usando redes neurais.
Redes Neurais Artificiais no forex.
Tags para este tópico.
Publicando Permissões.
Você não pode abrir novos tópicos Você não pode enviar respostas Você não pode enviar anexos Você não pode editar suas postagens.
BB Code is On Smilies is On O código [IMG] está Ligado O código [VIDEO] está Ligado O código HTML está Desligado.
Copyright & copy; 2000 - 2018, Jelsoft Enterprises Ltd.
Indicador Neural de Hlaiman.
Indicador livre que usa redes neurais para prever a direção do movimento de preços. O indicador foi criado automaticamente usando o software Hlaiman EA Generator. A descrição detalhada dos processos de ensino de redes neurais pode ser encontrada no artigo: Criando EAs de rede Neural Usando MQL5 Wizard e Hlaiman EA Generator.
Parâmetros do indicador: THRESOHOLD_BUY e THRESOHOLD_SELL - limiares de sinal da rede neural em% para COMPRAR e VENDER.
repintar e lixo absoluto, a chance de um bom sinal é 50/50.
Даёт много сигналов, и достаточно точных.
Por que você não adicionou alerta sonoro?
Интересный индикатор, но есть недочёты: индикатор переписывается можно ли сделать так чтоб когда возникал сигнал, а потом цена разворачивалась обратно он не пропадал так будет больше наглядности в работе индикатора можно будет высчитать% соотношение всех + и -, а если дожидаться закрытия свечи чтоб подтвердить сигнал то большинство сделок вылетают. Скажите этот индикатор заточен только под EURUSD. Его можно использовать на XAUUSD.
O usuário não deixou nenhum comentário na classificação.
Интересный индикатор при совместном использовании со стохастиком. Нужен алерт при появлении стрелки.
Indicador de rede neural Forex.
Para alcançar o sucesso neste mercado, você precisa estar pensando no futuro. Ao conversar com veteranos de risco, você saberá quanto ênfase se debruçou na previsão dos preços das moedas. De muitas maneiras, parece certo. O Forex é, depois de toda troca de moedas, e, para negociá-los corretamente, você precisa saber como se comportar de presente e como eles estarão nos próximos tempos. Um bom caminho a seguir seria usar o indicador de rede neural Forex.
Os especialistas acreditam que é realmente bom em prever os próximos movimentos de preços!
Este indicador é conhecido por sua previsão financeira precisa e também na representação de padrões de sistemas não-lineares. Alguns especialistas & rsquo; estado - de muitas maneiras, o mercado Forex é uma configuração não-linear que é assustadora para decifrar.
No entanto, esses especialistas também opinam - o mercado também traz padrões específicos que podem ser colocados em estratégias e decisões comerciais. Todas essas teorias e métodos que os comerciantes usam para identificar os padrões de preços são evidência clara disso. E é por isso que eles têm muita confiança no Forex indicador neural.
Um briefing esclarecido sobre este instrumento comercial de rede neural:
Este indicador hospeda um modo alterável consistindo de várias camadas, nomeadamente a entrada, a saída e as camadas ocultas. Mostrando compatibilidade adequada com MetaTrader 4, este indicador prevê preços abertos do futuro.
Assuma um exemplo: você tem seu par de moedas como GBP e USD, e você inclui esse indicador em seu gráfico comercial. Você verá que esse indicador de rede neural divide três curvas distintas nas tabelas, cada uma com sua própria cor diferenciadora.
&touro; As curvas vermelhas indicam as previsões de preços cambiais do futuro.
&touro; As curvas de cor preta mostram esses preços abertos de treinamento prévios utilizados como resultados anteriores.
&touro; Por último, aqueles com curvas azuis implicam a saída de rede existente.
Como funciona a coleta de dados?
Usuários anteriores afirmam que o primeiro passo é reunir informações com base nas quais sua estrutura de negociação se formará. Mas, como não é possível acumular tais massas de dados, faça isso em segmentos separados.
Cada um desses segmentos que incorporam vários setores de barras por comerciantes está disponível. Estas coleções de barras são sobre a barra a seguir e são conhecidas como a barra futura. Cada uma dessas informações, é coletada em uma folha de cálculo e indica o Open, Close, High e Low.
Esses dados são importados dentro de indicadores de divisas da rede neural e oferecem sugestões para selecionar aquele que você pretende usar. Se você estiver procurando por preços abertos, você pode personalizar apenas as entradas de dados Open. Dependendo do tipo de saída que você deseja usar, você pode configurá-lo e começar sua prática comercial.
É um pouco confuso se você está ouvindo sobre isso pela primeira vez. Mas, quando você realmente usá-lo para algumas negociações, você entenderá que é realmente bastante interessante e divertido de trabalhar.
O fato de esse indicador de rede neural forex lhe fornecer previsões de preços precisas o tempo todo é um grande ponto positivo. E de muitas maneiras, esse recurso em si é o que poderia fazer a diferença entre ganhar e perder.
O conteúdo deste artigo reflete a opinião do autor e não reflete necessariamente a posição oficial do LiteForex. O material publicado nesta página é fornecido apenas para fins informativos e não deve ser considerado como provisão de consultoria de investimento para efeitos da Diretiva 2004/39 / CE.
Postagens recentes:
24 de outubro de 2017 9:40:14 PM.
Ao negociar, você deve ter encontrado flechas e triângulos engraçados, bem sobre seus padrões de castiçal. E sem conhecimento sobre isso, a primeira pergunta.
24 de outubro de 2017 9:33:50 PM.
O mundo Forex está ganhando popularidade de forma transcendente em cada fase passageira. A natureza expansiva deste empreendimento, é de mais de US $ 5 trilhões de rotas e cardina.
24 de outubro de 2017 9:29:19 PM.
Entre todos os benefícios que o download gratuito do preditor do indicador Forex tem, um dos mais importantes é melhor comerciante em menos tempo. Considerando a situação o.
Neste risco de moeda, existem 2 tipos de situações de mercado que um comerciante sempre.
Simplesmente falando formas de envelope com algumas linhas de média móvel. Mais distintamente.
Obtenha acesso aos materiais exclusivos e ferramentas analíticas adicionais da Claws & Horns.
Caros comerciantes! Acompanhe o nosso canal Telegram e obtenha acesso a um pacote analítico eficaz diariamente entregue por verdadeiros especialistas:
- análises e previsões analíticas únicas;
- análise técnica, fundamental, onda;
- Opiniões de especialistas e materiais de treinamento.
Este site usa cookies para aprimorar sua experiência. Ao continuar navegando no site, você concorda com o uso de cookies.
Aviso de risco: a negociação nos mercados financeiros traz riscos. Os Contratos de Diferença (CFDs) são produtos financeiros complexos que são negociados na margem. Trading CFDs traz um alto nível de risco, uma vez que a alavancagem pode funcionar tanto para sua vantagem quanto para sua desvantagem. Como resultado, os CFDs podem não ser adequados para todos os investidores porque você pode perder todo seu capital investido. Você não deve arriscar mais do que está preparado para perder. Antes de decidir comercializar, você precisa garantir que compreenda os riscos envolvidos levando em consideração seus objetivos de investimento e nível de experiência. Clique aqui para obter nossa Divulgação de risco completa.
LiteForex Investments Limited registrado nas Ilhas Marshall (número de registro 63888) e regulamentado de acordo com a Lei das Sociedades Comerciais das Ilhas Marshall. Endereço da empresa: Ajeltake Road, Ajeltake Island, Majuro, Marshall Islands MH96960. E-mail: clientes @ liteforex.
A Liteforex Investments Limited não fornece serviços aos residentes dos EUA, Israel, Bélgica e Japão.
Construa o Indicador de Rede Neural no MT4 usando o Neuroshell.
Construa o Indicador de Rede Neural no MT4 usando o Neuroshell.
Esta é uma discussão sobre Build Neural Network Indicator no MT4 usando o Neuroshell nos fóruns de Software de Negociação, parte da categoria Comercial; Desenvolver um indicador baseado na Rede Neural tem algumas vantagens: - O indicador pode consistir em valores previstos, como líder.
- O indicador pode consistir em valores previstos, como um indicador avançado.
- Este indicador avançado será útil antes de colocar qualquer comércio.
- Treinamento de rede neural pode ser realizado usando softwares disponíveis (freeware e comercial estão disponíveis).
- o NN treinado pode ser implementado como indicador no Metatrader, ou configuração neural escrita (peso) ou ligando a dll.
Aqui anexei todo o arquivo discutido no link acima, a idéia básica para criar a rede neural é explicada no arquivo (description. doc).
1. Prepare os dados de treinamento, ou seja. consistem em entradas e saídas para NN. Usando o script MT 4 para coletar os dados. A entrada pode ser indicadores disponíveis no MT4, como EMA, RSI, CCI, WPR, etc. O resultado pode ser previsto EMA, Close, etc, o que é útil para nossa negociação depende da estratégia NN (propagação traseira, kohonen, PNN, GRNN ou GMDH ).
2. Treine a rede usando neuroshell:
- Crie um novo problema.
- NN avançado: carregar os dados, definir entrada / saída, extrair dados (treinamento e teste), projetar NN para escolher a estratégia NN, criar a dll usando instalações de tempo de execução.
3. Copie a dll criada para a pasta MT4.
4. Crie um indicador MT4 que consista em: definição de link de arquivo dll, iniciação NN OpenNet (na função init MT4), calcule o indicador usando FireNet e CloseNet (na função MT4 deinit). FireNet é usado para disparar a rede neural usando entradas como definidas ao preparar os dados para obter a saída NN (dados previstos).
5. Indicador de melhoria, no meu anexo, uso média móvel e comparação entre a rede de saída para gerar sinal de negociação e indicador de classificação.
6. Conversão do indicador MT4 para consultor especialista (preciso de alguém para me ajudar a criar a EA com base em indicadores criados).
Neuroshell é diferente.
- Descrição. doc (breve descrição do originador)
- Script. zip de coleta de dados (código de exemplo para coletar dados)
- Indicador, arquivo met, modelo incluindo instruções (no zip)
- aa Neurotred. jpg (indicador produzido com base em Neuroshell dll)
- Neuro Trend Classifier 4H. jpg (indicador melhorado)
Acabei de carregar o arquivo indicador, arquivo de rede e instruções para usá-los.
.. \ experts \ script \, para usá-lo expandir o script + do navegador MT4 terminal, clique duas vezes no arquivo. Você precisa fechar e reabrir MT4 se não conseguir vê-lo.
qualquer software comercial para treinar seu NN.
1. Design de rede.
Alto (t), Alto (t + 1), Alto (t + 2), Alto (t + 3), Alto (t + 4), Alto (t + 5)
Baixo (t), Baixo (t + 1), Baixo (t + 2), Baixo (t + 3), Baixo (t + 4), Baixo (t + 5)
Fechar (t), Fechar (t + 1), Fechar (t + 2), Fechar (t + 3), Fechar (t + 4), Fechar (t + 5)
Alto (t-1), Alto (t-2), Alto (t-3), Alto (t-4), Alto (t-5) para a Rede 1.
Baixo (t-1), Baixo (t-2), Baixo (t-3), Baixo (t-4), Baixo (t-5) para a Rede 21.
3 lajes escondidas, com 38 neurônios, laje de entrada com 15 neurônios e laje de saída com 5 neurônios.
Taxa de aprendizado, impulso e peso inicial usando valores padrão.
Seleção de padrões: rotação, atualizações de peso: turboélice, Salvar treinamento: melhor conjunto de testes, evento desde min. avg. erro = 1.000.000.
4. Use o indicador.
Imaginação é mais importante que conhecimento.
A imaginação deve ser usada de forma construtiva com base no conhecimento.
Embora o primeiro seja um pouco mais selvagem e o último um pouco mais lento.
Imaginação é mais importante que conhecimento.
A imaginação deve ser usada de forma construtiva com base no conhecimento.
Parece que estão fechando o lado da equidade para se concentrar no Forex.
NNs imho ainda não estão em alta velocidade. Mas isso vai mudar à medida que os mercados se tornem cada vez mais previsíveis com uma melhor tecnologia. Em última análise, deixa de existir.
Imaginação é mais importante que conhecimento.
A imaginação deve ser usada de forma construtiva com base no conhecimento.
No comments:
Post a Comment