Neyron New Generation
- Experten
-
Andriy Sydoruk
https://www.mql5.com/ru/users/andreys/seller
Large selection of products for different tastes.
e-mail: andriisydoruk@gmail.com - Version: 1.7
- Aktivierungen: 10
Erfordert ein lernendes Netzwerk (Optimierung)!
Professionelle Roboter, die Handelsstrategie mit neuronalen Netzen umgesetzt. Verwendet mehrschichtige voll verbundene Feedforward-Netzwerke MLP (Multilayer Perceptron).
Die Fähigkeit zu lernen ist das Hauptmerkmal des Gehirns. Künstliche neuronale Netze für das Lernen beziehen sich auf den Prozess der Konfiguration der Netzarchitektur (Struktur der Verbindungen zwischen Neuronen) und der synaptischen Gewichtung (Koeffizienten für die Beeinflussung der Signale) für die effiziente Lösung des Problems. In der Regel wird das Training des neuronalen Netzes anhand einer Stichprobe (historische Daten) durchgeführt. Durch den Lernprozess, der durch einen Algorithmus (der für das Training der Optimierung des genetischen Algorithmus verwendet wird) stattfindet, muss das Netz immer besser auf die Eingangssignale reagieren.
Es bleibt nur noch zu prüfen, wie genau die optimierten Parameter eine Prognose für die Zukunft ermöglichen. Zu diesem Zweck wird eine stufenweise Überprüfung der Ergebnisse durchgeführt. Ein Beispiel ist in den Kommentaren zusammen mit den Optimierungseinstellungen angegeben.
Der Indikator RSI wird zu Beginn des aktuellen Balkens analysiert. Die Ergebnisse von 10 Balken jedes Indikators fallen auf den Eingang des neuronalen Netzes. Die Gewichtungsfaktoren werden getrennt für Käufe und Verkäufe gebildet. Das Netzwerk wird auf Daten von den Indikatoren trainiert und je nach Signalpegel am Ausgang des neuronalen Netzwerks kann es 4 Teams geben (bei TypeDual = true): Öffnen/Schließen einer Kauforder, Öffnen/Schließen einer Verkaufsorder. Je nachdem eröffnet der Roboter einen KAUF- oder VERKAUFsauftrag und hält das Geschäft aufrecht, bis das Schließungssignal vom Netzwerk empfangen wird. Es gibt auch einen Modus des neuronalen Netzes mit zwei Ausgängen (wenn TypeDual = false): erstens - der Eingang zum Kauf mit automatischem Ausstieg aus dem Markt, der zweite - Eingang zum Verkauf mit automatischem Ausstieg aus dem Kauf.
Der Experte behandelt Fehler korrekt und arbeitet zuverlässig mit einem Kapital von 100 USD. Expert verwendet die grundlegenden Konzepte: Breakeven, Trailing Stop, Stop Loss und Take Profit, sowie die Schließung auf das entgegengesetzte Signal, das Schließen des Signals und die korrekte Berechnung des Risikos.
Wichtigste Parameter:
- WorkOpenLong - Ermöglicht die Eröffnung einer Long-Position.
- WorkOpenShort - Ermöglicht die Eröffnung einer Short-Position.
- WorkCloseLong - Ermöglicht es Ihnen, Long-Positionen zu schließen.
- WorkCloseShort - Ermöglicht es Ihnen, eine Short-Position zu schließen.
- WorkCloseReversLong - Ermöglicht es Ihnen, eine Long-Position zu schließen, wenn Sie eine Short-Position eröffnen.
- WorkCloseReversShort - Ermöglicht es Ihnen, eine Short-Position zu schließen, wenn Sie eine Long-Position eröffnen.
- SignalBar - Der Hauptsignalbalken.
- PeriodSignal - Die Periode, in der die Indikatoren und damit das neuronale Netzwerk aktiviert sind.
- TypeDual - Schaltet den Modus des neuronalen Netzwerks mit 2 oder 4 Ausgängen um.
- LevelInLong - Eingangsschwelle des neuronalen Netzwerks für eine Long-Position.
- LevelOutLong - Ausgangsschwelle des neuronalen Netzes für eine Long-Position.
- LevelInShort - Eingangsschwelle des neuronalen Netzes für eine Short-Position.
- LevelOutShort - Ausgabeschwelle des neuronalen Netzes für eine Short-Position.
Die folgenden Felder beziehen sich auf den RSI-Indikator und analog dazu auf alle nachfolgenden Indikatoren:
- EnabledRSI - Aktivierung des Indikators.
- k1_RSI_long - Faktor des Einflusses des Indikators auf das Gesamtsignal für eine Long-Position.
- k1_RSI_short - Faktor des Einflusses des Indikators auf das Gesamtsignal für eine Short-Position.
- Periode1_RSI - Indikatorperiode.
- Layer_1AL - Feld 1 für die Anpassung des neuronalen Netzes für eine Long-Position.
- Layer_1BL - Feld 2 für die Anpassung des neuronalen Netzes für eine Long-Position.
- Layer_1AS - Feld 1 für die Anpassung des neuronalen Netzes für eine Short-Position.
- Layer_1BS - Feld 2 zur Einstellung des neuronalen Netzes für eine Short-Position.
