Обсуждение статьи "Создание нейросетевых торговых роботов на базе MQL5 Wizard и Hlaiman EA Generator" - страница 9
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Эх, как же все это уныло :( И ведь действительно, нет смысла даже дискутировать...
А где результаты торговли?
Учёные пусть дискутируют, трейдеры торгуют, а программисты программируют...
Как упоминалось в статье, информация по обученным нейросетям сохраняется отдельно от исходного MQL кода, в соответствующих файлах данных, которые загружаться советниками, при запуске их в тестере стратегий или на графике.
Теперь Hlaiman EA Generator имеет возможность конвертировать любой из таких файлов данных нейросетей в исходный код двух отдельных MQL4 и MQL5 индикаторов, которые после компиляции могут самостоятельно использоваться, например для ручной торговли в MT4, MT5 терминалах или при создании других советников.
Причем, эта возможность может быть полезной, так же, как средство косвенной отладки и оптимизации индикаторов, посредством отладки и оптимизации советников с нейросетями, которые затем становятся прототипами, генерируемых индикаторов.
Особенно это может быть актуально для пользователей MT4, где пока еще нет опции для непосредственного прогона индикаторов в тестере.
Внешний вид и настройки, генерируемых индикаторов такие же как и у ранее опубликованных в маркете, бесплатных тестовых индикаторов. https://www.mql5.com/ru/market/product/2551 https://www.mql5.com/ru/market/product/2553
Отличие новых индикаторов состоит в том, что они рассчитываются по паттерну сформированных бар и потиково не перерисовываются.
Теперь с помощью Hlaiman EA Generator можно попробовать повысить эффективность торговли других, готовых советников, если те представлены в исходниках и основаны на движении цен, например на техническом анализе.
Для этого, непосредственно в исходный код, такого советника добавляется нейросетевой фильтр, который первоначально может быть включен на обучение при прогоне советника в тестере, а затем можно включить в работу.
Причем в настройки советника добавляются переменные для управления, режимами работы фильтра и необходимой степенью фильтрации.
Бесплатный образец советника на примере штатного Moving Average, можно скачать в маркете, там же можно посмотреть видео, процессов обучения и тестирования.
https://www.mql5.com/ru/market/product/8460
Теперь с помощью Hlaiman EA Generator можно попробовать повысить эффективность торговли других готовых советников, если они представлены в исходном коде и основаны на движении цен, например, на техническом анализе.
Для этого непосредственно в исходный код советника добавляется нейросетевой фильтр, который можно изначально включить в тренировочный запуск советника в тестере, а затем можно запустить в работу.
В настройках советника добавлены переменные для управления, режим фильтрации и необходимая степень фильтрации.
Бесплатный образец советника на примере Moving Average, можно скачать с Маркета, где также можно посмотреть видео, процессы обучения и тестирования.
https://www.mql5.com/ru/market/product/8460
Прям какие-то двойные стандарты со стороны администрации. Меня, помнится, забанили через несколько минут после первой же ссылки на Маркет. ;-)
Бесплатный образец советника на примере штатного Moving Average, можно скачать в маркете, там же можно посмотреть видео, процессов обучения и тестирования.
https://www.mql5.com/ru/market/product/8460
В данном примере, обучение нейросетевого фильтра выполнялось по результатам торговли оригинального Moving Average за 2014 год, последнее обновление советника - март 2015 года.
Для того что бы проверить эффективность фильтра я прогнал советник в тестере за весь период прошедший после публикации, т.е. с апреля по текущую дату августа.
Первый прогон выполнен с отключенным фильтром (соответствует оригинальному Moving Average), а второй с включенным (см. отмеченную переменную UseNeuro = true), вот результаты:
Таким образом, можно убедиться, что обученный в прошлом году нейросетевой фильтр, за прошедшее время, не утратил эффективность, причем может повышать продуктивность торговли, практически вдвое.
Now, with Hlaiman EA Generator can try to improve the efficiency of the trade of other ready EAs if they are presented in the source code and are based on the movement of prices, such as technical analysis. To do this, directly in the source code of the adviser added neural network filter that can be initially included in the training run advisor in the tester, and can then be put into operation. In EA settings added variables to control, filter mode, and the necessary degree of filtration.
Бесплатный образец советника на примере Moving Average, можно скачать на Маркете, где также можно посмотреть видео, процессы обучения и тестирования.
https://www.mql5.com/ru/market/product/8460
В данном примере обучение нейросетевого фильтра выполнено на результатах торговли оригинальной Moving Average за 2014 год, последнее обновление советника - март 2015 года.
Для проверки эффективности фильтра я запустил советник в тестере за весь период с момента публикации, то есть с апреля по август текущей даты.
Первый прогон сделал с отключенным фильтром (соответствующим оригинальной скользящей средней), а второй - с включенным (см. отмеченную переменную UseNeuro = true), вот результаты:
Таким образом, мы видим, что обучение в течение последнего года, нейросетевой фильтр, с течением времени, остается эффективным и позволяет увеличить производительность торговли почти в два раза.
Таким образом, можно убедиться, что обученный в прошлом году нейросетевой фильтр, за прошедшее время, не утратил эффективность, причем может повышать продуктивность торговли, практически вдвое.
Приведенные Вами картинки говорят прямо обратное: нельзя пользоваться Вашим советником не при каких обстоятельствах, так как в самом начале происходит не объяснимый скачок прибыли, который затем разбазаривается длительное время. А если этот скачок прибыли убрать (кто сказал, что на реале торговля начнется с такого скачка?), то на первой картинке видим падение, а на втором рисунке - в конечном итоге прибыль с промежуточными просадками.
На сайте была опубликована моя статья, из которой следует, что проблема не в модели (нейросети или что-то более эффективное), а в исходных данных. Показано применение Rattle, желающие могут приобрести у меня книгу, которая представляет расширенную версию статьи. Так с помощью Rattle можно понять одну очень простую и чрезвычайно важную вещь: проблема не в алгоритме, а проблема в исходных данных, которые могут порождать переобученные модели, а могут и не порождать переобучение. Вот Rattle и помогает экспериментировать с наборами входных данных с целью отбора таких, которые не приводят к переобученности (сверхподгонке).
А выбор модели - дело десятое.
ПС.
По моим исследованиям использование любых разновидностей МА дает переобученные модели, т.е. модели, которые показывают прекрасные результаты на исторических данных и абсолютно убыточные на реальных данных.