Réseaux neuronaux - page 11
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Salut,
Salut,
J'ai déplacé votre message vers ce fil où la discussion est en cours.
En fait, je commence avec l'indicateur sibus (voir l'image ci-jointe), en utilisant la HMA période 14 (type d'EMA sur le prix fermé), et je croise avec l'EMA normale période 21 sur le prix fermé, et je confirme avec RSI >50 ou RSI <50 pour produire les signaux. très simple. KISS.
Le seul casse-tête est de filtrer les signaux lorsque le marché est en dents de scie. J'ai essayé la bande de Bollinger, ou calculé la pente de la MA, ou la distance entre les signaux, ou calculer l'angle de la MA, ou utiliser ADX. Cependant, cela ne m'aide pas vraiment. Le seul qui m'a aidé à filtrer les signaux de trading non désirés est le réseau neuronal à couche unique.
L'idée ici est de
1) utiliser une méthode très simple et robuste, comme le croisement des EMA ou le signal MACD, ainsi que des règles mathématiques, afin de réduire le nombre de variables.
2) puis d'utiliser un réseau neuronal pour améliorer les résultats produits par les signaux ci-dessus. pour vérifier les profits et le ratio de perte. et filtrer les mauvaises entrées. donc 4 variables maximum ici.
Le système se suffit à lui-même, si nous n'utilisons pas le NN pour l'améliorer.
Ici j'ai l'indicateur sidus attaché. et les signaux sur l'image que je voudrais filtrer. .source
pour l'indicateur sidus est de Forexfactory
Il existe un code qui programme le processus d'optimisation ? afin que nous puissions automatiser l'optimisation.
logique.
0) à faire uniquement le week-end.
1) régler les paramètres dans cette plage, 0. 200 et avec l'étape 1.
2) obtenir le résultat de l'optimisation
3) arrondir le résultat du facteur de profit, à 1.0 chiffres, de sorte que 7.4=7 et 7.5 = 8.
4) puis sélectionner le plus petit numéro de négociation dans le catalogue des 2 premiers niveaux de la gamme du facteur de profit, c'est le résultat d'optimisation que je veux.
5) mettre le nouveau paramètre dans l'EA expert et l'exécuter pour la semaine prochaine.
La partie optimisation peut-elle être codée ?Peut-être que cet article peut vous aider :
Optimisation automatisée d'un robot de trading dans le trading réel - Articles MQL4
forex_nn nouvelle version fixe ?
Désolé pour mon anglais limité. C'est un code source neuro. Il suffit de télécharger à partir du lien de téléchargement du site de l'auteur original ci-dessous.
http://cortex.snowcron.com/cortex.zip
La version corrigée (forex_nn_05b.tsc) semble fonctionner correctement avec les nouvelles pondérations. Qui peut aider à le convertir en metatrader indic & EA ?
Merci d'avance !
Réseau neuronal: je pense que la meilleure prévision pour le forex, les actions ou les matières premières.
question à la signature ci-dessus haba, comment utilisez-vous le neuroshell avec Metatrader ?
Quelqu'un a réussi à utiliser NOXA CSSA dans neuroshell et à le connecter avec la plateforme Metatrader ?
source de données de formation
Je commence à faire mes expériences ici. Il est peu probable que je sois issu d'un milieu différent. Mon diplôme est l'intelligence artificielle, donc plus technique vers les techniques d'IA comme le NN et plus novice dans le forex, contrairement au reste des gourous de ce forum...
utiliser le prix historique pour prédire le prix futur est en quelque sorte impossible en raison de nombreux facteurs...
En résumé, d'après les expériences précédentes, quelles sont les bonnes entrées et les sorties attendues pour un NN ?
Quoi qu'il en soit, quelle est votre opinion sur les bonnes valeurs/indicateurs à utiliser comme entrées dans un réseau neuronal et quels seraient les résultats attendus (indicateurs, mouvements de la courbe, etc.).
Je vais le tester sur une série et différents types de réseaux neuronaux avec la probagation d'erreur arrière. J'ai également trouvé une publication intéressante sur la mutation génétique pour les résultats. J'ai juste un problème maintenant pour savoir où trouver des données fiables pour alimenter le réseau neuronal... où utilisez-vous vos données historiques... des sources ?
Merci,
Hidden Ox.vous pouvez utiliser mT4 pour exporter des données vers mysql (il y a un exemple de code dans la base de code mq4), et ensuite entraîner les données dans matlab (matlab a une boîte à outils de base de données).
Résultats duréseau neuronal
J'ai travaillé à la construction d'un réseau neuronal capable de prédire avec précision le GBPJPY sur un graphique 1H et je pense avoir réussi. J'ai introduit des données de prix et d'indicateurs de GBPJPY et d'autres paires (USDJPY, GBPEUR etc.) dans un réseau de propagation arrière et je me suis entraîné sur les données des dix dernières années. Voici quelques images du tracé cible/sortie. La sortie est la ligne verte et la cible est la ligne bleue. Je ne sais pas pour vous, mais une erreur de 4.2x10^-26 est suffisante pour moi = ) J'ai fait un zoom sur les données les plus récentes pour montrer à quel point cela semble précis. Maintenant, il suffit d'implémenter ce réseau dans un EA fonctionnel et je serai prêt. Quelqu'un a-t-il des suggestions ?
Vous avez fait quelques erreurs de base :
- utiliser des réseaux neuronaux feed forward typiques pour prédire des séries temporelles comme les taux de change est une très mauvaise idée.
- vous essayez de prédire des valeurs dans le cadre temporel H1 - cela ne peut pas être fait pour le Forex avec de bons résultats. Utilisez D1 ou H4 (pour les devises à faible volatilité).
- vous utilisez trop de données en entrée - le réseau neuronal s'habitue trop aux données d'entraînement et ses performances seront très médiocres en temps réel
- vous vous excitez trop en regardant les données d'entraînement
- il est impossible de former un réseau neuronal qui fonctionnera efficacement sur une longue période. Un réseau neuronal typique formé pour prédire des séries chronologiques donne environ 20 à 100 bonnes prédictions, puis il doit être réentraîné pour s'adapter aux changements récents.
Si vous souhaitez créer des réseaux neuronaux utiles pour les prédictions de séries temporelles, lisez les réseaux neuronaux évolutifs (réseaux neuronaux à action directe codés en tant qu'arbres neuronaux flexibles ; leur architecture est optimisée à l'aide de PIPE ou GEP ; les paramètres de la fonction d' activation flexible sont optimisés à l'aide de PSO, EPSO ou du recuit simulé, etc.)