Вероятностная сеть - библиотека для MetaTrader 4

Эта вероятностная нейронная сеть создана в виде библиотеки dll специально для советников, написанных на MQL4. Б

иблиотека способна содержать несколько сетей одновременно. Я старался сделать сеть максимально самостоятельной, однако вкоре решил вынести ряд функций во внешнее управление для большего контроля на первых порах. В таком виде ее и представляю. Особенностью данной сети является тот факт, что ее размер меняется динамически в зависимости от ситуации. Сеть может проходить первичное обучение и обучение по ходу дела. При этом новые нейроны будут рождаться самостоятельно, а также подстраиваться и умирать. На каждый класс необходимо создавать свою сеть. Например, для генерации сигналов перекупленности и перепроданности необходимо создать одну сеть для первого случая и отдельную для второго.

Обучение

На вход сети подается нормированный на единицу вектор. Выходом сети будет являться чило [0..1] обозначающее принадлежность входного вектора классу сети. При этом, если сеть в процессе обучения не нашла образ с заданной вероятностью, то она автоматически добавит его себе в память посредством нового нейрона. В случае первичного обучения рекомендую прогонять 2-3 повторения. В любом случае наступает момент, когда сеть хорошо усвоила первичные данные. Это наступает обычно не более чем через 5 прогонов.

Предсказание, а точнее классификация

Задачей сети является классификация представленного входного образа на соответствие классу сети. Если сеть обучалась классифицировать сигналы разворота тренда с медвежьего на бычий, то подобные ситуации должны сопровождаться высоким выходным значением, близким к 1. Дальнейшие действия с полученными откликами сетей и их интеграцией в советники оставляю на усмотрение экспертописателя.

Основные необходимые функции для работы с сетью

Для создания сети используется функция CreateNet

Для удобства я решил обращаться к сетям по имени. Напоминаю, что можно одновременно работать с целым набором сетей. Настройки каждой сети указываются во время ее создания и остаются неизменными до уничтожения.

Порог нидивидуальности нужен для принятия решений о рождении новых нейронов в процессе обучения. Обычно 0.95. При более низких значения (меньшей степени индивидуальности) сеть будет пытаться модернизироваться так, чтобы небольное количество нейронов соответствовало бОльшему числу вариантов. В этос случае точность предсказания падает. При высоких значениях MaxTV сеть будет стремиться создать новый нерон почти на каждый новый вектор, и сеть может достигать очень больших размеров. Сеть постоянно модернизирутся таким образом, чтобы нейроны не конфликтовали друг с другом(образы не должны быть похожи друг на друга). Для этой цели предусмотрен MinTV, который у меня обычно 0,2. Параметры MaxTV,MinTV и MW достаточно определить один раз. В дальнейшем применение оптимизации для нахождения лучших параметров не требуется.

Выживают сильнейшие! Этот принцип используется и тут. Слабые нероны, это те, веса которых понизились ниже минимального значения MW. Такие нейроны несут скорее вредную информацию и должны погибнуть дабы не породить случайно другой сигнал.

При необходимости более старые нероны можно убивать, и такм образом, освобождаться от "старых стереотипов". Для этого укажите время жизни неронов в барах NL. При создании каждого нейрона запоминается время его создания, в последствии, эта метка позволяет его удалить. Поэтому при вводе любых данных в сеть указание временного фактора обязательно.

Для уничтожения сети используем DestroyNet. Очень просто. Не забывайте уничтожать ненужные сети, а то они останутся жить в памати компьютера до момента закрытия MetaTrader.

Я не поставил функцию проверки уникальности имен, и вы можете наплодить много сетей под одним именем. Хотя они и будут отличаться порядковым номером.

Тренеровать сеть нужно функцией TrainNet. Правильный ответ скорее нужен для внесения порядка. Например для сигналов BUY принимаем 1, а для SELL -1. Так как для BUY своя сеть, а для SELL своя, то внутри сети он не учитывается. Время берем текущее, или время создания бара.

В процессе обучения можно определить распознала ли сеть образ и модернизироавлаь или добавила как новый. Для этого используем SizeOfNet

Считывать отклик нужно функцией GetPredict. Параметры как и у TrainNet. Ели подать на вход точно такой же вектор какому была обучена сеть, то ответ будет 1.

А вот эти функции необходимы для внутренней работы сети. Просто используйте их как показано в примере.

Примеры использования

Пример кода из функции init()

Пример кода из функции start()

Пример кода из функции deinit()

Сеть проверена на работоспособность успешно. Хорошие результаты зависят от способа создания входящего вектора. Важно понимать, что во время обучения в сеть должны подаваться вектора заведомо зная, что они отвечают критериям класса. Простым языком - если сеть создана для сигналов SELL, то на баре, с которого снимается обучающий вектор, должен действительно быть сигнал SELL. В противном случае сеть нахватает противоречивых данных и желаемого результата не будет.

Приглашаю обсудить следующие вопросы:

1. Формирование входного ветора - В настоящее время использую 24 параметра (разницу между скользящими средними), нормированную на 1 за промежуток в 24 бара. Т.е. вычисляю матрицу 24x24. Потом ее нормирую и беру последние значения.

2. Определения "правильного ответа" - т.е когда входной вектор является сигналом. В настоящее время использую AMA. Получается что о том, был ли на этом баре сигнал, я узнаю через 2 бара.