Diskussion zum Artikel "Praktische Anwendung von neuronalen Netzen im Handel. Python (Teil I)"

[MetaQuotes]

Neuer Artikel Praktische Anwendung von neuronalen Netzen im Handel. Python (Teil I) :

In diesem Artikel werden wir die schrittweise Implementierung eines Handelssystems analysieren, das auf der Programmierung von tiefen neuronalen Netzen in Python basiert. Dies wird unter Verwendung der von Google entwickelten TensorFlow-Bibliothek für maschinelles Lernen durchgeführt. Außerdem werden wir die Keras-Bibliothek zur Beschreibung von neuronalen Netzen verwenden.

Betrachten wir einige Punkte im Zusammenhang mit der Datenvorbereitung für das Training neuronaler Netzwerke.

• Für die Entscheidungsfindung werden wir zwei neuronale Netzwerke für die Eröffnung von Positionen in einer Richtung verwenden.
• Gemäß dem vorherigen Punkt sollten die Trainingsdaten in zwei Gruppen aufgeteilt werden - eine für jede Richtung.
• Wie im vorherigen System wird das erste neuronale Netzwerk so trainiert, dass es Indikatoren bildet, die den technischen Standardindikatoren ähnlich sind. Wir haben diese Lösung im vorherigen System verwendet, weil wir selbstgeschriebene Indikatoren verwendet haben und den funktionierenden Expert Advisor nicht überlasten wollten. Python wird verwendet, weil nur Kurse vom Terminal empfangen werden können. Um Daten für das neuronale Netzwerk vorzubereiten, müssen wir diese Indikatoren in einem Python-Skript erstellen. Indem wir dem neuronalen Netzwerk beibringen, solche Indikatoren zu erstellen, entfällt die Notwendigkeit, sie im Skript zu duplizieren. 
• Das zweite neuronale Netzwerk erstellt den Signalindikator, auf dessen Grundlage wir eine Handelsstrategie erstellen.
• Das neuronale Netzwerk wird für den EURUSD H1-Chart trainiert.
• Um das System zu erstellen, müssen wir also zwei neuronale Netzwerke für den Kauf und zwei Netzwerke für den Verkauf vorbereiten. Es werden also vier neuronale Netzwerke im System arbeiten.

Autor: Andrey Dibrov