Neural Transformer
- Asesores Expertos
- Evgeniy Scherbina
- Versión: 1.0
- Activaciones: 10
El experto "Neural Transformer" es un experto totalmente automatizado que está listo para operar en el marco de tiempo diario con 2 símbolos: GBPUSD y USDCAD.
Además, puede entrenar al experto para operar en cualquier marco temporal con cualquier símbolo. El experto recogerá automáticamente los archivos de su nueva red neuronal personalizada.
El "Neural Transformer" ha hecho del entrenamiento de redes neuronales para Forex un proceso fácil y emocionante. Actualmente, estoy ofreciendo un tipo de red - LSTM. Es la red neuronal más popular para clasificar y predecir datos de series temporales. Voy a añadir otros 2 tipos de redes en un futuro próximo: Multi Head Attention y ATFnet (el tipo más avanzado y controvertido que implica la transformada de Fourier y números complejos).
Negociación
El experto está listo para operar en el marco de tiempo diario con 2 símbolos: GBPUSD y USDCAD. Si ha realizado otro entrenamiento, inicie el experto con la propiedad Acción = Comercio. Y ya está.
Entrenamiento (vea las imágenes)
Un ejemplo de entrenamiento EURUSD, timeframe D1
1) La recolección de datos se realiza en el Probador de Estrategias
Seleccione las siguientes opciones en el Probador de Estrategias:
Experto: Neural Transformer
Símbolo: EURUSD
Fecha: 2004.01.01 - 2024.04.01
Modelización: Sólo precios abiertos
Seleccione las siguientes opciones en las entradas del experto:
Acción = Collect_data
Timeframe = D1
Número de barras = 30
Número de barras de previsión = 20
Las demás opciones no tienen importancia para la recopilación de datos. La opción "Sólo precios abiertos" permite recoger datos de segundos. Otros valores de esta opción no mejoran los datos, pero pueden aumentar significativamente el tiempo de ejecución.
Haga clic en "Inicio" en el Probador de Estrategias para recopilar datos.
Aparecerán 2 registros en el log del Probador de Estrategias después de varios segundos: "Entrenamiento completo EURUSD D1 LSTM | patrones 5261" y "Recopilar_archivo de datos guardado en ...".
Puede abrir el archivo de datos e inspeccionarlo en la ubicación indicada.
2) El entrenamiento se realiza en el Probador de Estrategias
Seleccione las siguientes opciones en las entradas del experto:
Acción = Entrenar
Timeframe = D1
Número de barras = 30
Epochs = 1000
Número de capas LSTM = Una
Número de capas densas = Una
Tasa de aprendizaje = 0. 01
Decaimiento para la tasa de aprendizaje = 0.1
Paciencia = 50
Neuronas por capa = 32
Porcentaje de validación = 0.2
Otras opciones del experto no importan para el entrenamiento.
Haga clic en "Inicio" en el Probador de Estrategias para iniciar el entrenamiento.
Por regla general, el entrenamiento dura varios minutos. Habrá diferentes registros en el log del Probador de Estrategias.
"Epoch 10 >> time 0.48500 sec | loss 0.50258 | custom_err 0.99484 <> 1.00055"
"Nuevo lr 0.00729 en epoch 138"
"Mejor configuración en epoch 422 >> entrenamiento detenido"
Aparecerán otros ficheros del entrenamiento una vez finalizado éste, en la misma ubicación donde se almacenó el fichero de datos.
3) Cómo comprobar el entrenamiento en el Probador de Estrategias
Seleccione las siguientes opciones en el Probador de Estrategias:
Experto: Transformador Neural
Símbolo: EURUSD
Fecha: 2020.01.01 - 2024.09.10 (o la fecha actual)
Modelización: OHLC на М1
Seleccione las siguientes opciones en las entradas del experto:
Acción = Trade
Timeframe = D1
Pronóstico mínimo = 0.5
Punto de símbolo = 0.0001
Hora de inicio de operación = 4
Takeprofit = 400
Trail = 100
Volumen = 0.01
Número de barras = 30
Las demás opciones no importan en este paso.
Haga clic en "Iniciar". El experto hará una prueba habitual.
¡Atención! No recomiendo hacer una optimización con este experto en el Probador de Estrategias. El experto carga muchas clases complejas. Una optimización con este experto puede terminar con una caída de MetaTrader. Si es el caso, simplemente reinicie el MetaTrader. Estoy trabajando para corregir este error y hacer las optimizaciones estables. Las pruebas funcionan como siempre.
Propiedades del Experto
Propiedades estándar
- Acción >> hay 3 acciones: Operar, Recopilar_datos y Entrenar.
- Tipo de red >> actualmente sólo dispone de un tipo: LSTM. Es la aproximación más popular para entrenar datos de series temporales. Voy a añadir otros 2 tipos en un futuro próximo: Multi Head Attention y ATFnet.
- Timeframe >> debe ser idéntico para el entrenamiento y el trading.
- Previsión mínima >> los valores por encima de este valor activan señales de trading. Cuanto mayor sea el valor, menos operaciones habrá. Valores válidos: 0,05 a 1,5.
- Punto de símbolo >> se utiliza para calcular los movimientos del precio. Por ejemplo, para GBPUSD, EURUSD y la mayoría de los demás símbolos, es 0,0001. USDJPY - 0,01; USDSEK y USDNOK - 0,001; XAUUSD - 0,2.
- Hora de inicio de las operaciones >> las nuevas operaciones se abren después de esta hora. Se utiliza para omitir las brechas de precios que pueden tener lugar durante la noche.
- Takeprofit
- Rastro
- Stoploss
- Volumen >> volumen por operación. Volumen fijo (ejemplo: 0,02) o porcentaje de los fondos disponibles (ejemplo: 0,015%). El experto imprime el volumen real en la pestaña "Experto" al iniciar o cambiar el marco temporal. Utilice siempre una cantidad fija para las cuentas que utilizan una divisa de depósito distinta del dólar estadounidense (por ejemplo: euro, yuan, bitcoin, dólar australiano, etc.).
Propiedades de entrenamiento
- Número de barras >> barras a analizar para tomar decisiones de negociación.
- Número de barras de previsión >> barras por delante para decidir en qué dirección irá el precio.
- Épocas >> es un número máximo. El entrenamiento de una red neuronal se realiza por épocas. Por regla general, el entrenamiento se detiene mucho antes de alcanzar este valor.
- Número de capas LSTM >> una arquitectura de una red neuronal tiene capas LSTM que se utilizan para aprender dependencias entre barras. Las capas densas, que siguen a las capas LSTM, se utilizan para aprender las dependencias comunes a todas las barras.
- Número de capas densas
- Tasa de aprendizaje >> influye en el cálculo del error durante el entrenamiento. Un valor grande hace que el entrenamiento se desarrolle a saltos y termine rápidamente. Un valor pequeño hace que el entrenamiento se desarrolle lentamente y nunca alcance un estado óptimo.
- Decaimiento de la Tasa de aprendizaje >> si un entrenamiento no mejora, esta propiedad disminuye la Tasa de aprendizaje según esta fórmula: lr = lr - lr*decaimiento. Esto ayuda a empujar un entrenamiento en la dirección correcta.
- Paciencia >> es un número de épocas para esperar una mejora. Un entrenamiento continúa mientras mejora un error de validación. El experto hace avanzar el entrenamiento durante este número de épocas porque espera que el error de validación todavía pueda mejorar. Si no aparece ninguna mejora, se guarda el último mejor estado de la red neuronal.
- Neuronas por capa >> cuanto mayor es este número, más largo es el entrenamiento y más rápida es la adicción a los datos. Deberías buscar un número óptimo de neuronas.
- Porcentaje de validación >> 0,2 representa el 20%, 0,3 el 30%, etc. Todos los datos se dividen en 2 conjuntos: entrenamiento y validación. La validación debe ser menor que el entrenamiento.
