Interview mit Leonid Velichkovsky: Der größte Mythos über Neuronale Netze ist Super-Profitabilität Der Held unseres Interviews Leonid Velichkovski (LeoV) hat bereits an Automated Trading Championships teilgenommen. Im Jahr 2008 war sein mehrwährendes neuronales Netz wie ein heller Blitz am Himmel und verdiente 110.000 in einem bestimmten Moment, aber schließlich fiel er seinem eigenen aggressiven Geldmanagement zum Opfer. Vor zwei Jahren erzählte Leonid in seinem Interview seine eigene Handelserfahrung und erzählte uns von den Eigenschaften seines Expertenberaters. Am Vorabend der ATC 2010, Leonid spricht über die häufigsten Mythen und Missverständnisse im Zusammenhang mit neuronalen Netzwerken. - Leonid, Sie sind ein seltener Vertreter der Händlergemeinschaft, die neuronale Netze für den Handel verwenden. Das sind ziemlich komplizierte Entwicklungen, aber die Armee ihrer Fans wächst weiter. Was Sie an neuronalen Netzen anzieht: Vor sechs Jahren, von Anfang an, haben neuronale Netze mich mit ihrer Neuheit, ihrem ungewöhnlichen geheimnisvollen Charakter und ihrer scheinbar hohen Profitabilität angezogen. Im Laufe der Jahre sind viele Mythen gegangen, aber neuronale Netze ziehen mich immer noch mit ihrer Fähigkeit, sich an jede Kurve anzupassen und Muster zu finden, wo nichts und niemand anderes sie finden kann. - Könnten Sie mehr über die Mythen, die mit neuronalen Netzwerken assoziiert haben Sie haben jede Enttäuschung in diesem Bereich erfüllt - Der größte Mythos mit neuronalen Netzwerken verbunden ist ihre Super-Rentabilität. Aber das gilt nicht nur für neuronale Netze, sondern für Forex als Ganzes. Zuerst scheint es, dass es einfach ist, zu verdienen - kaufen und verkaufen, dort s nichts kompliziert darin. Später, aber einige Faktoren erscheinen, von denen Sie nicht einmal wissen - nur dann beginnen Sie zu begreifen und zu verstehen. In neuronalen Netzwerken, enttäuschend ist genau das, was Sie zieht - ihre Fähigkeit zu trainieren und an jedem Markt mit allen verfügbaren Daten anzupassen. Ihr großer Vorteil ist ein erheblicher Nachteil bei der Anwendung auf die Finanzmärkte. Dies ist eine erstaunliche Metamorphose - Wie haben Sie zu verstehen, dass neuronale Netze nicht bringen Super-Profits War es eine persönliche Erfahrung - Es gibt keine Super-Profitabilität in Forex auch, nicht nur in neuronalen Netzwerken. Streng genommen sind neuronale Netze die gleichen Handelssysteme (im Folgenden: TS). Sie verwenden nur ein Neuronet statt gemeinsame Indikatoren. Und dann die wichtigste Facette ist Geld-Management, d. H. Der Händler s Gier. Wenn Sie den Handel beginnen, haben Sie nicht das Konzept des Geldmanagements als solches. Aber dann kommen Sie zu erkennen, die Notwendigkeit dieses Werkzeugs. Die Arbeit an Forex, und in der Regel an den Finanzmärkten, ist immer mit Risiken verbunden. Sie müssen sich bewusst sein, dass das Risiko von 100 und 100.000 sind zwei verschiedene Dinge. Als ich auf einer ersten Einlage von 100, 500 und sogar 1000 Dollar handelte, gab es ein gewisses Risiko, und der gesamte Ansatz zum Handel war spezifisch. Und als ich anfing, größere Mengen zu handeln, wurde die Einstellung zum Handel etwas ganz anderes - das Risiko erhöhte sich und ich verstand schnell, dass ich alles verlieren konnte. Dazu kam eine gewisse Verantwortung. Zum Beispiel, wenn der Handel auf die Hinterlegung von 100, kann der Gewinn von 100 pro Jahr kaum befriedigend, denke ich. Aber Handel auf der Hinterlegung von 100.000 ein Gewinn von 100 pro Jahr ist überhaupt nicht schlecht. So gibt es eine Art von psychischen Konflikten - Händler, die auf kleine Einlagen handeln, versuchen, so schnell und so viel wie möglich verdienen. Dies drängt Händler, über alle denkbaren Risiken hinauszugehen. Das Ergebnis ist der natürliche Verlust der Anzahlung Daher glaube ich, ist der Handel auf kleinen Einlagen zum Scheitern verurteilt, weil der natürliche Wunsch eines Händlers, so schnell und so viel wie möglich zu verdienen. Und 100, zum Beispiel, ist nicht groß genug, um Sie weg von Risiken zu halten. - Seit sechs Jahren arbeiten Sie mit neuronalen Netzen im Handel zusammen. Wie schaffen Sie diese geheimnisvollen neuronalen Netzwerken Was verwenden Sie - ich bin kein Programmierer, ich bin ein Händler. Die Programmierung neuronaler Netze und deren Nutzung auf den Finanzmärkten sind ganz anders. Programmierer helfen mir, Expert Advisors - Roman Kramar (Stein), Yuri Zaitsev (YuraZ), Victor Nikolaev (Vinin) und Dmitriy Fedoseev (Integer) zu entwickeln. Alle von ihnen sind Profis auf ihrem Gebiet, ich brauche nicht viel zu erklären - sie wissen alles perfekt. Und ich bin allen für ihre Arbeit und Professionalität sehr dankbar. Außerdem habe ich mit Steve Ward (Ward Systems Group) und Sergei Dolenko (Neuroproject) zusammengearbeitet, die mir wertvolle Informationen über die Anwendung neuronaler Netze in den Finanzmärkten gegeben haben. Darüber hinaus arbeitete ich eng mit Dennis Meyers (Meyers Analytics), Philippe Lonjoux (Noxa Analytics, Inc.) und Mark Simpson (Bowfort Technologies Inc.) zusammen, mit denen ich neue Systeme und Indikatoren getestet habe. Ich möchte darauf hinweisen, dass die Anwendung der neuronalen Netze in den Finanzmärkten viele Merkmale und innovative Konzepte und Techniken hat und sich sehr von ihrem Einsatz in anderen Bereichen unterscheidet. Ich benutze MetaTrader 4, natürlich versuche ich jetzt, mich mit MetaTrader 5 zu treffen. Ein weiteres unentbehrliches Werkzeug für die Arbeit ist NeuroShell, ohne das ich nicht tun kann. Ich benutze MTFeed als Brücke zwischen MetaTrader 4 und NeuroShell. - Es gibt viele Methoden der Ausbildung neuronaler Netze. Leonid, wie trainierst du sie Und endlich die Frage, die viele Anfänger im neuronalen Netzhandel quält: Wie vermeide ich das so genannte Übertraining - es ist eine komplizierte Frage, auf die ich (und nicht nur ich) keine Antwort habe und Was unmöglich ist, klar zu systematisieren. Trotzdem werde ich versuchen, die Kernprobleme der Ausbildung und Wege zur Vermeidung von Übertraining zu berühren. Wegen seiner starken Nichtlinearität und der Fähigkeit, sich an beliebige Daten anzupassen, ist ein neuronales Netzwerk sehr gut angepasst, geschult und als Folge - übertrainiert. Ein neuronales Netzwerk mit nur wenigen Neuronen in seiner inneren Schicht erinnert sich leicht an die Geschichte einiger tausend Takte. Es ist anzumerken, dass Übertraining in neuronalen Netzen nur bei Anwendung auf die Finanzmärkte inhärent ist. Was bedeutet das Wir wissen alle, dass sich der Markt im Laufe der Zeit ändert - was in der Vergangenheit passiert ist, wird in der Zukunft verschwunden sein. Nun, es wird es geben, aber etwas anders, gibt es keine 100 Prozent Spiele. Muster, Gesetze, Marktbereiche - all dies wird auf verschiedenen Teilen des Marktes anders sein. Wenn also ein neuronales Netzwerk die Lektionen (Beispiele) der Vergangenheit zu gut lernt, wenn es auf Historiendaten geschult wird, kann es letztlich einfach fehlen, neue Muster und Marktbereiche in der Zukunft zu erkennen oder zu identifizieren. Weil alle von ihnen einige Änderungen erfahren haben. Das heißt, das neuronale Netz hat sich zu den Marktbedingungen, die es in der Vergangenheit gab, zu gut angepasst, aber es war nicht in der Lage, die neuen Muster in den veränderten Marktbedingungen zu erkennen. Gibt es eine Möglichkeit, Übertraining zu vermeiden Es gibt viele Möglichkeiten, aber die wichtigsten sind zwei von ihnen: der frühe Stopp der Ausbildung und Erhöhung der Ausbildungsintervall. Beide Verfahren haben jedoch gravierende Nachteile. In der frühen Anlaufstelle gibt es eine schwierige Frage, zu der es keine Antwort gibt: An welchem Punkt soll ich aufhören zu trainieren? Welche Kriterien sollten dafür verwendet werden? Es gibt viele Antworten auf diese Frage - verwenden Sie Fehler, Gewinnniveau, Drawdown und andere mathematische Kriterien. Aber sie geben nicht eine hundertprozentige Garantie für rechtzeitige Stopps. Daher hängt diese rechtzeitige Einstellung der Ausbildung nur von den Fähigkeiten des Traders ab. Es gibt ein Missverständnis, dass, je besser es in der Vergangenheit war, desto besser wird es in der Zukunft sein. Je kleiner der Fehler im Trainingsintervall ist, desto besser wird das Netzwerk in Zukunft funktionieren. Allerdings ist das nicht wahr - der Markt verändert sich und ist zu gut geschult in historischen Daten, ein neuronales Netzwerk kann die Zukunft nicht sehen. Ich weiß aus eigener Erfahrung, dass das Verhältnis von Fehlern der Ausbildung und der Gewinne auf OOS (Out Of Sample - außerhalb des Optimierungsintervalls) oder auf einem realen Konto wie folgt ist: Der Fehler verringert sich allmählich mit zunehmender Trainingszeit, Aber der Gewinn steigt zuerst an und fällt dann, indem er ein Maximum in einem bestimmten Augenblick bildet. Das ist das Maximum, das wir fangen müssen. Wenn die Trainingszeit zunimmt, wird der Fehler auch allmählich abnehmen, und der Gewinn auf OOS kann mehrere mehr Maxima erzeugen, aber sie sind gewöhnlich kleiner als die allererste. Obwohl ich auf eine Situation gestoßen bin, in der die zweiten und sogar die dritten Maxima höher waren als die ersten. Aber es wird angenommen, dass das erste Maximum ist besser als der Rest in Bezug auf die Rentabilität und Effizienz. Tatsächlich ist es unsere Aufgabe, dieses erste Maximum zu erreichen. Und es hängt von Fähigkeiten und Erfahrungen des Händlers ab - ich kenne keine anderen, genaueren Kriterien. Natürlich können und sollten wir uns nach dem Prozentsatz der Rentabilität, des Fehlers, des Drawdowns, des Sharpe-Verhältnisses und vieler anderer Parameter richten. Aber letztlich hängt es allein vom Händler ab, welche Kriterien zu verwenden sind. Und es hängt davon ab, wie er seine TS versteht und weiß, wie es sich verhält. Während des Trainingsintervalls geschehen völlig verschiedene Dinge. Der Fehler und Gewinn verhalten sich genau gegenüber - der Fehler nimmt allmählich ab und der Gewinn steigt reibungslos. Wenn der Gewinn bei der Optimierung steigt, bedeutet dies, dass der Expert Advisor einfach an die Marktkurve angepasst ist und den Kurs in eine glatte Kurve verwandelt. Diese Kurve sollte steigen und wird als Eigenkapital bezeichnet. In der Tat ist diese Optimierung auch auf den Fehler zu reduzieren. Und wir bekommen folgendes: Je größer der Profit im Bereich Training oder Optimierung ist, desto wahrscheinlicher werden Sie Übertraining oder Überoptimierung (passend) und in der Folge Verluste in der Zukunft haben. Der zweite Weg, ein Übertraining zu vermeiden, besteht darin, das Intervall des Trainings zu erhöhen, d. h. die Datenmenge zu erhöhen, auf der das Netzwerk trainiert wird. Aber diese Methode hat auch seine Fallstricke. Eine Erhöhung der Datenmenge an den Finanzmärkten führt dazu, dass das Netz diese Muster und Marktgebiete, die in dem gegebenen Ausbildungsabschnitt existieren, einfach nicht erkennen oder erkennen kann. Der Abschnitt ist dazu zu groß. Dies ist, weil der Markt ändert sich mit der Zeit. Und ein bestimmtes Muster scheint zu unterschiedlich in diesem großen Intervall, und das Netzwerk kann t definieren, dass dies das gleiche Muster, das nur im Laufe der Zeit verändert hat. Dann ergibt sich eine natürliche Frage: Welcher Teil des Marktes sollte einem Netzwerk für Ausbildung gegeben werden Hier ist die Antwort: der Teil, in dem das Netz erfolgreich Muster und Marktbereiche erkennt, die für einen TS und den Händler notwendig sind. Dies hängt von den Fähigkeiten eines Händlers ab, von der Art, wie er den Markt sieht und wie gut er den richtigen Teil für das Training auswählen kann. Nach meiner Erfahrung ist dies von 500 bis 2000 Bar je nach Zeitrahmen und Marktzustand. Es gibt einige Möglichkeiten, Übertraining zu vermeiden, aber sie sind nicht so bedeutend. Sie sehen, hängt viel davon ab, wie geschickt und erfahren ein Händler ist. So denke ich, dass dieser Beruf nicht nur mathematisches Wissen, sondern auch etwas Kreativität erfordert. Es ist auch klar, dass alle Merkmale und Nuancen der Verwendung von neuronalen Netzen, sowie üblichen TSs, aus der Tatsache, dass der Markt ändert sich im Laufe der Zeit und die Vergangenheit nie wiederholt genau in die Zukunft kommen. Diese Funktion existiert nur an den Finanzmärkten. Es gibt einen beliebten Mythos, dass Sie brauchen, um eine Menge Daten zu einem neuronalen Netzwerk geben und lassen Sie es trainieren - es wird unabhängig lernen, was es braucht. Für den normalen Gebrauch von neuronalen Netzen kann dies wahr sein, aber die Finanzmärkte haben ihre eigenen Besonderheiten, die ich oben beschrieben habe, so dass es in diesem Fall nicht so einfach ist. Meines Erachtens gelten diese beiden Wege zur Vermeidung von Übertraining auch für die Optimierung von gemeinsamen Expertenberatern ohne neuronale Netze. Über-Optimierung oder Anpassung, ist nur für Finanzmärkte spezifisch. Und die Möglichkeiten, es zu vermeiden sind die gleichen. Das Wesen der Überoptimierung liegt auch darin, dass sich die Art der Finanzmärkte zeitlich verändert. Streng genommen ist der Markt nicht stationär. - Was sind häufige Fehler, die ein Händler Gesicht, wenn mit der Arbeit mit neuronalen Netzwerken konfrontiert werden kann Die beliebte Täuschung der Händler, die mit neuronalen Netzwerken und verwenden Sie nicht normalisierte Daten am Eingang, versucht, den Preis für die nächste Bar zu bekommen, ist heute Wie gestern, und morgen wird wie heute sein (wenn wir tägliche Bars betrachten). Dies ist eine gemeinsame Übertraining eines Netzwerks. Während Daten über Forex sich nicht sehr voneinander unterscheiden (100 Punkte machen nur 0,7 des Preises), dann wird der Trainingsfehler auch klein sein, und das Netzwerk findet schnell dieses lokale Minimum an Training. - Einige neuronale Händler verwenden Vorverarbeitung von Eingabedaten. Verwenden Sie so etwas in Ihren neuronalen Netzwerken - Im Allgemeinen habe ich nie verwenden reine Zeitreihen für die Eingänge von neuronalen Netzwerken. Zeitreihen werden immer durch einen Indikator transformiert, der die Daten in eine bestimmte Zeile normalisiert. Zum Beispiel von -100 bis 100 oder von -1 bis 1. Eine weitere Normalisierung ist nicht erforderlich, denn wenn die Indikatorwerte größer als 1 sind, können sie immer durch eine entsprechende Zahl dividiert werden, um einen Wert zu erreichen, der 1 nicht übersteigt Versuchen Sie möglichst wenig Eingabedaten zu bearbeiten, da jede Transformation zusätzliche nichtlineare Verzerrungen im Eingangssignal hervorruft. Dies führt dementsprechend zu der falschen Ausbildung eines neuronalen Netzes, da die Verzerrung durch das Netzwerk fehlerhaft interpretiert werden kann. Darüber hinaus kann das Netzwerk bei starken Transformationen und folglich großen nichtlinearen Verzerrungen nicht auf einem realen Eingangssignal, sondern auf nichtlinearen Verzerrungen trainiert werden, was zu Fehlbetrieb und Verlust der Ablagerung führen kann. Hier sind einige Beispiele für nichtlineare Verzerrungen, die für das bloße Auge sichtbar sind. Nehmen wir zum Beispiel die üblichen Stochastiken. Es scheint, dass eine solche einfache Anzeige keine Verzerrungen bringen würde. Aber in einigen Momenten macht es starke nichtlineare Verzerrungen, die das neuronale Netzwerk im Trainingsprozess und in der weiteren Arbeit auf einem realen Konto irreführen können. Diese Bereiche sind mit einem weißen Oval auf der Karte markiert. Im ersten Fall steigt der Preis, und der stochastische Indikator steht in seinen Maximalwerten praktisch still. Im zweiten Fall ist der Preis fast auf ein und demselben Niveau, und der stochastische Indikator schneidet stark von seinem Maximum zu minimalen Werten ab. Im ersten Fall bringt die stochastische Anzeige keine Information ins Netz, während sie im letzteren Fall sie einfach verwirren wird. In beiden Fällen wird sich das Verhalten des stochastischen Indikators sowohl auf die Ausbildung als auch auf die Arbeit des neuronalen Netzes auf einem realen Konto negativ auswirken. Und das kann zu finanziellen Verlusten führen. Es sei darauf hingewiesen, dass diese beiden Beispiele sind ziemlich spürbare Verzerrungen, die Sie leicht sehen können. Und es gibt viel mehr Verzerrungen, die wir nicht sehen und analysieren können Glauben Sie mir. Und all diese Verzerrungen (sowohl groß als auch klein) sind miteinander verbunden. Seien Sie daher besonders vorsichtig bei der Vorverarbeitung von Eingabedaten. Natürlich gibt es Indikatoren, die viel stärkere Verzerrungen zu machen. Es gibt auch diejenigen, die weniger starke machen. Allerdings bleibt die Tatsache - Verzerrung erfolgt durch alle Indikatoren. Obwohl Sie bestimmte Parameter für jeden Indikator (auch stochastisch) auswählen können, so dass er minimale Verzerrungen im ursprünglichen Signal zu bestimmten Marktbedingungen bringt. Natürlich kann sich die Art des Marktes ändern, und Sie müssen die Indikatorparameter ändern, um die Verzerrung zu verringern. Und in dieser Situation ist eine richtige Auswahl von Indikatorparametern und deren zeitgerechte Anpassung (sowohl automatisch als auch manuell) auch völlig abhängig von den Fähigkeiten und Erfahrungen eines Händlers. - Wie beurteilen Sie die Ergebnisse eines neuronalen Netzes nach dem Training oder TS nach der Optimierung Was sind die Kriterien, um sie auf ein reales Konto verwenden Ich derzeit fast nie berücksichtigen die Ergebnisse einer TS, die in der Ausbildung erhalten wurden ( Optimierung) Intervall. Ich analysiere Ergebnisse auf OOS oder real, weil ich glaube, dass in der Zeit der Ausbildung (Optimierung), die Ergebnisse einer TS nichts sagen können. Dies kann passende oder Über-Ausbildung und es ist fast unmöglich zu definieren, ob es passt oder nicht. Sie können es nur durch Testen auf OOS oder besser auf einem echten Konto zu definieren. Manchmal vergleichen ich einfach die Ergebnisse auf der realen Rechnung (OOS) und die der Ausbildung (Optimierung). Daher zeigen die Zahlen das Eigenkapital auf einem realen Konto mit dem Handelshebel von 1: 1 (Einlagensumme ist 1 mit der Hebelwirkung von 1: 100, die durch das Handelszentrum gegeben wird). Wenn wir die Hebelwirkung erhöhen, steigt auch das Eigenkapital. Tatsächlich analysiere ich die Ergebnisse einer TS nur mit dem Hebel von 1: 1, d. h. mit einem deaktivierten Geldmanagement. Weil Geldmanagement kann die falsche Vorstellung über die tatsächlichen Drawdown der TS und damit eine unerwartete Margin Call und andere Probleme zu geben. In den Abbildungen können Sie das Eigenkapital mit dem Hebel von 1: 1 sehen. Übrigens ist es das gleiche Handelssystem, das an der ATC 2008 teilgenommen hat, allerdings mit leicht veränderten Parametern. Vor kurzem bemerkte ich folgendes: Wenn der Profitfaktor im Ausbildungsintervall mit dem Hebel von 1: 1 extrem groß ist, können wir mit Sicherheit sagen, dass es Übertraining (Überoptimierung) ist. Und in der Zukunft, bei den unbekannten Daten, wird das Handelssystem mit solchen Parametern schlecht funktionieren (d. h. verliert die Anzahlung). Man merkt, dass in den Zahlen das Eigenkapital reibungslos statt scharf steigt. Sie könnten schließen, dass die Rentabilität eines solchen Handelssystems nicht ganz klein ist. Obwohl, wenn Sie den Handel Leverage erhöhen oder verwenden Sie eine aggressivere Geld-Management, können die Gewinne erhöhen Mannigfaltigkeit. Alles hängt vom Drawdown ab, der mit dem Hebel von 1: 1 erscheint, und der Drawdown, der von einem Trader erlaubt wird. - Fast zwei Jahre sind seit dem ATC 2008 vergangen. Welche Lektionen haben Sie aus den Ergebnissen dieser Meisterschaft gelernt Warum konnte nicht Ihr Expert Advisor den Wettbewerb gewinnen Die Meisterschaft ist ein Wettbewerb. Wer nicht wagt der nicht gewinnt. Ich wagte und überschritt alle möglichen Risiken wegen meines Geldmanagements. Ich schaffte es, 110.000 zu verdienen und fiel dann auf 14.749 wegen dieser zu aggressiven Geld-Management. Für 3 Monate, war der Gewinn fast 50, was ziemlich gut war. Aber der Drawdown war 92, was im wirklichen Leben nicht akzeptabel ist. Dann, nachdem ich meine EA mit einem vernünftigen Geldmanagement im gleichen Zeitraum ausgeführt, bekam ich fast das gleiche Ergebnis von 14.000, aber mit einem Drawdown von etwa 25 - das ist ein gutes Ergebnis für das wirkliche Leben. Die Schlussfolgerung ist, dass Sie sollten nicht jagen die überschüssigen Gewinne, sonst können Sie verlieren. Aber die Meisterschaft macht ihre eigenen Regeln und natürlich müssen Sie Risiken einnehmen, um zu gewinnen. - Hat sich in diesen Entwicklungen etwas verändert? Vielleicht haben Sie irgendein Know-how gefunden und es in der Praxis angewendet. Nein, eigentlich bleibt alles gleich. Es ist nichts Neues passiert. Darüber hinaus kann der gleiche Expert Advisor mit denselben Parametern noch funktionieren, obwohl ich andere, profitablere Parameter gefunden habe. Das Wesen des Marktes ändert sich nicht - nur sein Charakter verändert sich, was ein erfahrener Trader im Auge behalten muss, indem er seine TS zeitnah an die neuen, veränderten Marktbedingungen anpasst. - Der Experte Advisor von Alexander Topchylo, der Gewinner des ATC 2007, bestand aus drei unabhängigen Subsystemen. Allerdings würde der Autor in diese Richtung vorankommen und ein Komitee von neuronalen Netzwerken schaffen. Verwenden Sie solche Komitees in Ihren Entwicklungen - Nein, ich weigerte mich, Komitees zu verwenden, weil sie schwer zu implementieren und zu pflegen. Im Laufe der Jahre bin ich gekommen, einfache TS zu verwenden, weil ein zu komplexes TS, sowie das mit Komitees, nicht einen stabileren und größeren Gewinn im Vergleich zu einem einfachen garantieren kann. - Der Autor des einzigen Multicurrency Expert Advisors unter den Gewinnern des ATC, glaubt Nikolay Kositsin, dass Regeln der bevorstehenden Meisterschaft sind günstig für Multi-Währung EAs und lassen wenig Chance für einzelne Währung Roboter. Verwenden Sie Multicurrency in Ihrem Expert Advisors Welche Paare Ihre EAs handeln - Natürlich benutze ich sie. Dies ermöglicht Hedging-Trades und immer eine glattere Eigenkapital. Außerdem, wenn Sie Multicurrency für Analyse verwenden, hilft dies, um stabilere und zuverlässigere Handelssysteme zu schaffen. Auf der Meisterschaft beabsichtige ich, EUR / USD, USD / JPY und AUD / USD zu handeln - hängt davon ab, wie sich die Marktsituation der Championship nähert. - Leonid, vielen Dank für das Gespräch. Viel Glück in der Meisterschaft Wie schreibe ich ein Expert Advisor und nicht zu verletzen die Meisterschaft Regeln In diesem Artikel werden wir zeigen, wie man einen Experten Berater schreiben und Fehler, die Sie daran hindern, von der Teilnahme an der kommenden Automated Trading Championship 2010 Risk Management ist zu vermeiden Eine wesentliche Komponente eines jeden Handelssystems. Ohne sie ist es praktisch unmöglich, rentabel Handel vorstellen. In diesem Artikel teilen erfahrene Entwickler von automatisierten Handelssystemen ihre Tipps zum Risikomanagement mit den Teilnehmern der Meisterschaft. SnowCron SnowCron genetischen Algorithmus in FOREX Trading Systems mit genetischen Algorithmus zu profitable FOREX Trading-Strategie zu schaffen. Genetischer Algorithmus in Cortex Neuronale Netze Software Feedforward Backpropagation Neuronales Netz Anwendung für genetische Berechnungen basierte Forex Trading. Dieses Beispiel verwendet Konzepte und Ideen des vorherigen Artikels, also lesen Sie bitte Neural Network Genetic Algorithm in Forex Trading Systems zuerst, obwohl es nicht obligatorisch ist. Zu diesem Text Zuerst lesen Sie bitte den Haftungsausschluss. Dies ist ein Beispiel für die Verwendung von Cortex Neural Networks Software genetischen Algorithmus-Funktionalität, nicht ein Beispiel, wie man profitabel Handel tun. Ich bin nicht euer Guru, und ich sollte auch nicht für eure Verluste verantwortlich sein. Cortex Neural Networks Software hat neuronale Netzwerke in ihr, und FFBP wir diskutiert, bevor ist nur eine Möglichkeit der Auswahl eines Forex Trading-Strategien. Es ist eine gute Technik, leistungsstark und wenn richtig angewendet, sehr vielversprechend. Allerdings hat es ein Problem - das Neuronale Netz zu lehren. Müssen wir die gewünschte Ausgabe wissen. Es ist ziemlich einfach zu tun, wenn wir Funktion Näherung tun, nehmen wir nur den realen Wert einer Funktion, weil wir wissen, was es sein sollte. Wenn wir neuronale Netzwerk-Prognose. Verwenden wir die in früheren Artikeln beschriebene Technik des Neuronalen Netzes über die Geschichte, wenn wir, wie wir sagen, einen Wechselkurs voraussagt, wissen wir (während des Trainings), was die richtige Vorhersage ist. Allerdings, wenn wir ein Handelssystem zu bauen, haben wir keine Ahnung, was die richtige Handelsentscheidung ist, auch wenn wir wissen, der Wechselkurs Wie die Tatsache, wir haben viele Forex Trading-Strategien können wir zu jedem Zeitpunkt verwenden, und Müssen wir eine gute finden - wie Was sollten wir als die gewünschte Leistung des Neuronalen Netzes füttern Wenn Sie unserem vorherigen Artikel gefolgt sind, wissen Sie, dass wir betrogen haben, um mit diesem Problem umzugehen. Wir lehrten das Neuronale Netz zu tun Wechselkurs (oder Wechselkurs-basierte Indikator) Vorhersage, und dann verwendet diese Vorhersage zu tun Handel. Dann, außerhalb der Neural Network Teil des Programms, haben wir eine Entscheidung, auf die Neural Network ist die beste. Genetische Algorithmen können mit diesem Problem direkt umgehen, können sie lösen das Problem als die besten Trading-Signale finden. In diesem Artikel werden wir Cortex Neural Networks Software verwenden, um ein solches Programm zu erstellen. Mit genetischen Algorithmen genetische Algorithmen sind sehr gut entwickelt und sehr vielfältig. Wenn Sie alles über sie lernen wollen, schlage ich vor, Sie verwenden Wikipedia, da dieser Artikel nur darüber, was Cortex Neural Networks Software tun kann. Mit der Cortex Neural Networks Software. Können wir ein Neuronales Netz schaffen, das einige Werte, zB Werte eines Indikators, annimmt und einige Outputs erzeugt, zB Handelssignale (Kauf, Verkauf, Halten) und Stop-Loss / Take-Profit für Positionen, die geöffnet werden sollen. Natürlich, wenn wir diese Neural Network s Gewichte zufällig seed, werden die Handelsergebnisse schrecklich sein. Wir wollen aber sagen, dass wir ein Dutzend solcher NNs geschaffen haben. Dann können wir testen Leistung von jedem von ihnen, und wählen Sie die beste, der Gewinner. Dies war die erste Generation von NNs. Um mit der zweiten Generation fortzufahren, müssen wir unserem Sieger erlauben, sich zu formen, aber um zu vermeiden, identische Kopien zu erhalten, lassen wir s einige zufällige Geräusche, um es s absteigenden Gewichte. In der zweiten Generation haben wir unsere erste Generation Gewinner und es ist unvollkommen (mutierte) Kopien. Lassen Sie uns noch einmal testen. Wir haben einen weiteren Sieger, der BESSER ist als jedes andere Neuronale Netzwerk in der Generation. Und so weiter. Wir erlauben es den Gewinnern, zu züchten und die Verlierer zu eliminieren, genau wie in der wirklichen Evolution, und wir werden unser bestes Trading Neural Network bekommen. Ohne vorheriges Wissen über das, was das Handelssystem (genetischer Algorithmus) sein sollte. Neuronales Netzwerk Genetischer Algorithmus: Beispiel 0 Dies ist das erste Beispiel eines genetischen Algorithmus. Und eine sehr einfache. Wir werden Schritt für Schritt durch sie gehen, um alle Tricks zu lernen, die folgende Beispiele nutzen werden. Der Code hat Inline-Kommentare, so lassen s nur auf wichtige Momente konzentrieren. Zuerst haben wir ein neuronales Netzwerk geschaffen. Es ist mit zufälligen Gewichten, und wurde noch nicht unterrichtet. Dann, im Zyklus, machen wir 14 Kopien davon, mit MUTATION NN fumction. Diese Funktion macht eine Kopie eines Quell-Neuronalen Netzes. Zufallswerte von 0 bis (in unserem Fall) 0,1 zu allen Gewichten addieren. Wir halten Griffe zu resultierenden 15 NNs in einem Array, können wir es tun, da Handle ist nur eine ganze Zahl. Der Grund, warum wir 15 NNs verwenden, hat nichts mit dem Handel zu tun: Cortex Neural Networks Software kann bis zu 15 Zeilen auf einem Chart gleichzeitig darstellen. Wir können verschiedene Ansätze für die Prüfung verwenden. Zuerst können wir das Lernset verwenden, alles auf einmal. Zweitens können wir auf 12000 Resonanzen (von 100000) testen und durch das Lernset gehen, von Anfang bis Ende. Das wird lernen, verschiedene, wie wir für Neural Network s, die profitabel sind, auf einem bestimmten Teil der Daten, nicht nur auf den gesamten Satz zu suchen. Der zweite Ansatz kann uns Probleme, wenn Daten ändern, von Anfang bis Ende. Dann wird das Netzwerk entwickeln, die Fähigkeit zu erwerben, am Ende des Datensatzes handeln, und verlieren Fähigkeit, an seinem Anfang zu handeln. Um dieses Problem zu lösen, werden wir zufällige 12000 Datensätze Fragmente aus Daten zu nehmen, und füttern sie an das neuronale Netzwerk. Ist einfach ein endloser Zyklus, da 100000 Zyklen nie bei unserer Geschwindigkeit erreicht werden. Darunter fügen wir ein Kind für jedes Netzwerk, mit etwas anderen Gewichten. Beachten Sie, dass 0,1 für Mutation Tange ist nicht die einzige Wahl, wie die Tatsache, auch dieser Parameter kann mit Hilfe von genetischen Algorithmus optimiert werden. Neu erstellte NNs werden nach 15 bestehenden hinzugefügt. Auf diese Weise haben wir 30 NNs in einem Array, 15 alte und 15 neue. Dann werden wir den nächsten Testzyklus durchführen und Verlierer von beiden Generationen töten. Um Tests durchzuführen, wenden wir Neuronales Netz an unsere Daten an, um Ausgänge zu erzeugen und dann Testfunktion aufzurufen, die diese Ausgänge zur Simulation des Handels verwendet. Die Ergebnisse des Handels werden verwendet, um zu entwerten, welche NNs am besten sind. Wir verwenden ein Intervall von nLearn-Datensätzen, von nStart bis nStart nLearn, wobei nStart ein zufälliger Punkt innerhalb des Lernsatzes ist. Der Code unten ist ein Trick. Der Grund, warum wir es verwenden, ist die Tatsache zu veranschaulichen, dass genetischer Algorithmus einen genetischen Algorithmus erzeugen kann. Aber es wird nicht notwendigerweise die beste sein, und auch, um vorzuschlagen, dass wir das Ergebnis verbessern können, wenn wir einige Einschränkungen des Lernprozesses implizieren. Es ist möglich, dass unser Handelssystem sehr gut auf langen Trades funktioniert und sehr schlecht auf kurzem, oder umgekehrt. Wenn, sagen wir, lange Trades SEHR gut sind, kann dieser genetische Algorithmus gewinnen, auch mit großen Verlusten auf Short Trades. Um es zu vermeiden, weisen wir den Long-Trades in ungeraden und kurzen Trades in gleichmäßigen Zyklen mehr Gewicht zu. Dies ist nur ein Beispiel, es gibt keine Garantie, dass es etwas verbessern wird. Mehr darüber unten, in der Diskussion über Korrekturen. Technisch, Sie don t haben, es zu tun, oder kann es anders machen. Fügen Sie einem sortierten Array einen Gewinn hinzu. Es gibt eine Einfügeposition zurück, dann verwenden wir diese Position, um Neural Network Griff hinzuzufügen, Lernen und Testen von Gewinnen in nicht sortierte Arrays. Jetzt haben wir Daten für das aktuelle Neuronale Netzwerk mit dem gleichen Array-Index wie sein Gewinn. Die Idee ist, zu Array von NNs, sortiert nach Rentabilität zu gelangen. Da Array nach Gewinn sortiert ist, um 1/2 von Netzwerken zu entfernen, die weniger rentabel sind, müssen wir nur NNs 0 bis 14 entfernen. Entscheidungen für den Handel basieren auf dem Wert des Neuronalen Netzwerksignals, von diesem Standpunkt aus ist das Programm identisch Beispiele aus dem vorherigen Artikel. FOREX Trading-Strategie: Diskussion Beispiel 0 Zunächst einmal, lassen Sie uns einen Blick auf Charts. Das erste Diagramm für den Gewinn während der ersten Iteration ist nicht gut, wie zu erwarten ist, verliert das Neuronale Netz Geld (image evolution 00 gen 0.png kopiert nach der ersten Iteration aus dem Bilderordner): Das Bild für Profit auf Zyklus 15 ist Besser, manchmal genetische Algorithmus kann wirklich schnell lernen: Allerdings bemerken die Sättigung auf einer Gewinn-Kurve. Interessant ist auch, wie sich einzelne Profite verändern, wobei man bedenkt, dass die Kurvenzahl, sagen wir, 3 nicht immer für dasselbe Neuronale Netz gilt. Wie sie geboren und beendet werden die ganze Zeit: Beachten Sie auch, dass aus kleinen Forex-automatisierte Handelssystem führt schlechte auf kurze Trades, und viel besser auf Longs, die möglicherweise mit der Tatsache, dass der Dollar im Vergleich zu sinken In diesem Zeitraum. Es kann auch etwas mit den Parametern unseres Indikators zu tun haben (vielleicht brauchen wir verschiedene Zeit für Shorts) oder die Wahl der Indikatoren. Hier ist die Geschichte nach 92 und 248 Zyklen: Zu unserer Überraschung, genetischen Algorithmus völlig versagt. Lassen Sie uns versuchen, herauszufinden, warum, und wie die Situation zu helfen. Zunächst einmal ist nicht jede Generation besser als die vorherrschende Die Antwort ist nein, zumindest nicht innerhalb des Modells, das wir verwendet haben. Wenn wir ENTIRE Lernen auf einmal gesetzt und es immer wieder verwendet, um unsere NNs zu lehren, dann ja, werden sie auf jede Generation zu verbessern. Stattdessen nahmen wir zufällige Fragmente (12000 Datensätze in der Zeit), und verwendet sie. Zwei Fragen: Warum das System auf zufälligen Fragmenten des Lernsatzes fehlgeschlagen ist und warum haben wir das gesamte Lernset gut genutzt. Um die zweite Frage zu beantworten, habe ich. NNs durchgeführt sehr - auf Lern-Set. Und sie fehlgeschlagen beim Testen Set, aus dem gleichen Grund scheitert es, wenn wir FFPB-Lernen verwendet. Um es anders auszudrücken, wurden unsere NNs überspezialisiert, sie haben gelernt, in der Umgebung zu überleben, die sie gewohnt sind, aber nicht draußen. Das geschieht sehr viel in der Natur. Der Ansatz, den wir stattdessen beabsichtigten, war zu kompensieren, dass durch die zwingende NNs, um gut auf jedem zufälligen Fragment des Datensatzes durchzuführen, so dass hoffentlich konnten sie auch auf einem unbekannten Test-Set. Stattdessen scheiterten sie sowohl beim Testen als auch beim Lernsatz. Stellen Sie sich vor, Tiere, die in einer Wüste leben. Viel Sonne, kein Schnee. Dies ist eine Metafor für rizing Markt, wie für unsere NNs Daten spielen die Rolle der Umwelt. Tiere lernten, in einer Wüste zu leben. Stellen Sie sich vor, Tiere, die in einem kalten Klima zu leben. Schnee und keine Sonne. Nun, sie stellten sich. Allerdings haben wir in unserem Experiment zufällig unsere NNs in einer Wüste, im Schnee, im Wasser, an den Bäumen platziert. Danke für Ihr Interesse.
No comments:
Post a Comment