神经网络实验（第 1 部分）：重温几何学

MetaTrader 5 — 测试者 | 6 九月 2022, 12:36

1 822

Roman Poshtar

概述

在本文中，我想与大家分享我的神经网络实验。在阅读了 MQL5 上提供的大量信息后，我得出结论，就是理论知识足够了。那里有许多好文章、函数库和源代码。不幸的是，所有这些数据并不能得出一个合乎逻辑的结论 — 可盈利的一款交易系统。我们试着解决这个问题。

我并非这个领域的专家，更不是作家或记者，但我会尝试以一种易于理解的方式表达我的思路，分享我的经验。

这些素材主要是为初学者设计的，比如我自己。

我的理解。基础

一般来说，神经网络善于识别形态，而传递给神经网络进行训练的数据至关重要。我将从这个假设开始。我们要用到几何学。我将把几何形状转换成神经网络。首先，我们用一个常规的感知器，我在这里找到了它的样本（МTC Сombo - MetaTrader 4 的智能系统）。在执行测试时，我决定放弃振荡器，转而采用均线。测试若是涉及振荡器，则不会产生好结果。我相信，当价格上升，振荡器下降时，每个人都知道所谓的背离。均线参数更接近价格本身。

形状和线条

基准将由参数为 1 和 24、应用简单方法、收盘价的两条移动平均值指标组成。换言之，其思路是不仅要传递当前指标位置，还要传递当前指标之前的状态。在我看到的许多例子中，价格直接传递给神经网络，我认为这是根本错误的。

我以价值点的形式传递所有数值，这非常重要，因为这些数值有一个特定的范围，它们不能超出该范围。将价格传递给神经网络是没有意义的，因为它可能在不同的范围内振荡，例如 10 年。另外，请记住，在构建形状时，我们可用到不同数量的指标参数。形状即可以很复杂，也可以很简单。下面提供了一些可能的选项。当然，您可以提出自己的方法。

形状 1：简单线条

已收盘蜡烛 1、4、7 和 10 距 MA 1 和 MA 24 之间的点数距离。

感知器 1

double perceptron1() 
  {
   double w1 = x1 - 100.0;
   double w2 = x2 - 100.0;
   double w3 = x3 - 100.0;
   double w4 = x4 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In2[1])/Point();
   double a2 = (ind_In1[4]-ind_In2[4])/Point();
   double a3 = (ind_In1[7]-ind_In2[7])/Point();
   double a4 = (ind_In1[10]-ind_In2[10])/Point();
   
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

形状 2：简单线条

已收盘蜡烛 1-4、4-7 和 7-10 距 MA1 之间的点数距离。

感知器 2

double perceptron2() 
  {
   double w1 = y1 - 100.0;
   double w2 = y2 - 100.0;
   double w3 = y3 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In1[4])/Point();
   double a2 = (ind_In1[4]-ind_In1[7])/Point();
   double a3 = (ind_In1[7]-ind_In1[10])/Point();
   
   return (w1 * a1 + w2 * a2 + w3 * a3);
  }

形状 3：简单线条

已收盘蜡烛 1-4、4-7 和 7-10 距 MA 24 之间的点数距离。

感知器 3

double perceptron3() 
  {
   double w1 = z1 - 100.0;
   double w2 = z2 - 100.0;
   double w3 = z3 - 100.0;
   
   double a1 = (ind_In2[1]-ind_In2[4])/Point();
   double a2 = (ind_In2[4]-ind_In2[7])/Point();
   double a3 = (ind_In2[7]-ind_In2[10])/Point();
   
   return (w1 * a1 + w2 * a2 + w3 * a3);
  }

形状 4：蝴蝶（轨迹线）

已收盘蜡烛 1--10 距 MA 1 之间的点数距离。以及已收盘蜡烛 1-10 距 MA 24 点数距离。蜡烛 1 的 MA 1 和蜡烛 10 的 MA 24 之间的点数距离。蜡烛1 的 MA 24 和蜡烛10 的 MA 1 之间的点数距离。结果是一只蝴蝶。

感知器 4

double perceptron4() 
  {
   double w1 = f1 - 100.0;
   double w2 = f2 - 100.0;
   double w3 = f3 - 100.0;
   double w4 = f4 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In1[10])/Point();
   double a2 = (ind_In2[1]-ind_In2[10])/Point();
   double a3 = (ind_In1[1]-ind_In2[10])/Point();
   double a4 = (ind_In2[1]-ind_In1[10])/Point();
   
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

形状 5：四边形

已收盘蜡烛 1-1，10-10 距指标之间的点数距离。以及 MA1 的 1-10 之间的点数距离，和指标 MA 24 的 1-10 之间的点数距离。结果是一个四边形。

感知器 5

double perceptron5() 
  {
   double w1 = c1 - 100.0;
   double w2 = c2 - 100.0;
   double w3 = c3 - 100.0;
   double w4 = c4 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In1[10])/Point();
   double a2 = (ind_In2[1]-ind_In2[10])/Point();
   double a3 = (ind_In1[1]-ind_In2[1])/Point();
   double a4 = (ind_In1[10]-ind_In2[10])/Point();
   
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

形状 6：复杂

在此，我将把上述所有形状组合成一个复杂的形状。

感知器 6

double perceptron6() 
  {
   double w1 = x1 - 100.0;
   double w2 = x2 - 100.0;
   double w3 = x3 - 100.0;
   double w4 = x4 - 100.0;  
   
   double w5 = y1 - 100.0;
   double w6 = y2 - 100.0;
   double w7 = y3 - 100.0;
   
   double w8 = z1 - 100.0;
   double w9 = z2 - 100.0;
   double w10 = z3 - 100.0;
  
   double w11 = f1 - 100.0;
   double w12 = f2 - 100.0;
   double w13 = f3 - 100.0;
   double w14 = f4 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In2[1])/Point();
   double a2 = (ind_In1[4]-ind_In2[4])/Point();
   double a3 = (ind_In1[7]-ind_In2[7])/Point();
   double a4 = (ind_In1[10]-ind_In2[10])/Point();  
   
   double a5 = (ind_In1[1]-ind_In1[4])/Point();
   double a6 = (ind_In1[4]-ind_In1[7])/Point();
   double a7 = (ind_In1[7]-ind_In1[10])/Point();
   
   double a8 = (ind_In2[1]-ind_In2[4])/Point();
   double a9 = (ind_In2[4]-ind_In2[7])/Point();
   double a10 = (ind_In2[7]-ind_In2[10])/Point();
   
   double a11 = (ind_In1[1]-ind_In1[10])/Point();
   double a12 = (ind_In2[1]-ind_In2[10])/Point();
   double a13 = (ind_In1[1]-ind_In2[10])/Point();
   double a14 = (ind_In2[1]-ind_In1[10])/Point(); 
   
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4   +   w5 * a5 + w6 * a6 + w7 * a7   +   w8 * a8 + w9 * a9 + w10 * a10   +   w11 * a11 + w12 * a12 + w13 * a13 + w14 * a14);
  }

角度

我们来研究另一种将价格数据传递给感知器的有趣方法 — 指标倾角。这些数据也不能超出某个范围，而这非常适合我们，因为我们希望传递某个模板，就像前面所用的形状和线条的情况一样。

我遇到了很多定义角度的方法，但其中很多都取决于价格图标的比例，这并不适合我。所以我宁愿用点数与柱线的数量之比来计算切线角度，而非计算图表角度。 tg(α) 正切角度是相对支撑腿 a 与相邻支撑腿 b 的比率。

也可以使用不同指标数字，处理复杂结构，并用不同数量蜡烛进行分析。坡度在屏幕截图上显示为非固定线。我们来研究几个例子。

感知器 1。 MA 1 位置 3 坡度

蜡烛 1-4、1-7 和 1-10 与 MA 1 之间的倾角。

感知器 t1

double perceptront1() 
  {
   double w1 = x1 - 100.0;
   double w2 = x2 - 100.0;
   double w3 = x3 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In1[4])/4;
   double a2 = (ind_In1[1]-ind_In1[7])/7;
   double a3 = (ind_In1[1]-ind_In1[10])/10;

   return (w1 * a1 + w2 * a2 + w3 * a3);
  }

感知器 2。 MA 1 和 MA 24 位置 4 坡度

蜡烛 1-4、和 1-10 与 MA 1 之间的倾角，蜡烛 1-5、和 1-10 与 MA 24 之间的倾角。

感知器 t2

double perceptront2() 
  {
   double w1 = x1 - 100.0;
   double w2 = x2 - 100.0;
   double w3 = x3 - 100.0;
   double w4 = x4 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In1[5])/5;
   double a2 = (ind_In1[1]-ind_In1[10])/10;
   double a3 = (ind_In2[1]-ind_In2[5])/5;
   double a4 = (ind_In2[1]-ind_In2[10])/10;
   
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

感知器 3。 MA 1 和 MA 24 位置 4 坡度（以或多或少复杂的设计为例）

角度与 MA 1 和 MA 24 之间的斜率相关。

感知器 t3

double perceptront3() 
  {
   double w1 = x1 - 100.0;
   double w2 = x2 - 100.0;
   double w3 = x3 - 100.0;
   double w4 = x4 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In1[10])/10;
   double a2 = (ind_In2[1]-ind_In1[4])/4;
   double a3 = (ind_In2[1]-ind_In1[7])/7;
   double a4 = (ind_In2[1]-ind_In1[10])/10;
   
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

感知器 4。 MA 1 和 MA 24 位置 4 坡度（以或多或少复杂的设计为例）

角度与 MA 1 和 MA 24 之间的斜率相关。

感知器 t4

double perceptront4() 
  {
   double w1 = x1 - 100.0;
   double w2 = x2 - 100.0;
   double w3 = x3 - 100.0;
   double w4 = x4 - 100.0;
   
   double a1 = (ind_In1[1]-ind_In1[10])/10;
   double a2 = (ind_In2[1]-ind_In1[10])/10;
   double a3 = (ind_In1[1]-ind_In1[10])/10;
   double a4 = (ind_In2[1]-ind_In2[10])/10;
   
   return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
  }

策略

我决定在下面的代码中明确指定，采用逆势趋势策略进行训练。对于卖出，第一根蜡烛上的 MA 1 高于 MA 24。买入的情况则相反。这对于明确区分买卖是必要的。另一方面，您可以做相反的事情 — 顺势而为。

您还可以用其她指标或其数值，例如 TEMA 指标。在五位小数的品种上预测 400 点的价格走势是不可能的。没有人知道行情将走向何方。因此，为了进行测试，我为五位小数品种设置了 600 点的固定止损和 60 点的止盈。您可以从下面下载现成的 EA。我们看看结果。

//SELL++++++++++++++++++++++++++++++++++++++++++++++++

if ((CalculatePositions(symbolS1.Name(), Magic, POSITION_TYPE_SELL, EAComment)==0) && (ind_In1[1]>ind_In2[1]) && (perceptron1()<0) &&(SpreadS1<=MaxSpread)){//v1
  OpenSell(symbolS1.Name(), LotsXSell, TakeProfit, StopLoss, EAComment);
}

//BUY++++++++++++++++++++++++++++++++++++++++++++++++

if ((CalculatePositions(symbolS1.Name(), Magic, POSITION_TYPE_BUY, EAComment)==0) && (ind_In1[1]<ind_In2[1]) && (perceptron1()>0) && (SpreadS1<=MaxSpread)){//v1
  OpenBuy(symbolS1.Name(), LotsXBuy, TakeProfit, StopLoss, EAComment);
}

优化、测试和资源

正如我们所知，神经网络的优化需要大量的计算资源。因此，在利用策略测试器进行优化时，我建议采用“仅开盘价”模式，在代码中明确显示收盘价。否则，即便以我相当有限的能力，也觉得这不是一项可行的任务。但是，即使采用了这种优化模式，我也建议使用云网络服务。优化的目标是找到某些可盈利的形态。这种形态的发生率（可盈利的交易数量）应该远远高于无利可图形态。这一切都取决于止损/获利比率。

往前看，我应该说我针对每个 EA 已经连续进行了 10 次优化。会有很多优化值，这导致在遗传算法模式下每次通过的结果约为 10000-15000。相应地，通过次数越多，找到所需权重比值的机会就越高。该问题应通过 MQL5 手段解决。我真的不想放弃策略测试。

与上面引用的文章（其中步骤等于 1）相比，5 步优化值不是偶然选择的。在实验期间，我注意到这导致感知器权重比的结果更加分散，而这对结果有更佳的影响。

优化 EA 1 感知器 1 图例。简单线条。（一个感知器一个形状）。

优化日期从 2010 年 5 月 31 日至 2021 年 5 月 30 日。
模式 (仅开盘价), (遗传算法), (最大盈利)。
初始资金 10,000。
止盈 = 60，止损 = 600。
周期 H1.
固定手数 0.01。
优化参数 x1, x2, x3, x4 - 感知器权重比。从 0 到 200，以 5 为增量进行优化。

优化和前向验证测试结果。

1 感知器 1 图例。

如您所见，结果距有希望甚远。最佳结果为 0.87。运行正向验证测试没有任何意义。

优化 EA 1 感知器 1 图例。（一个感知器一个形状）。

优化日期从 2010 年 5 月 31 日至 2021 年 5 月 30 日。
模式 (仅开盘价), (遗传算法), (最大盈利)。
初始资金 10,000。
止盈 = 60，止损 = 600。
周期 H1.
固定手数 0.01。
优化参数 x1, x2, x3, x4, y1, y2, y3, z1, z2, z3, f1, f2, f3, f4 - 感知器权重比。从 0 到 200，以 5 为增量进行优化。

优化和前向验证测试结果。

1 感知器 4 图例。

结果与之前的结果非常相似。最佳结果为 0.94。

优化 EA 4 感知器 4 图例。（四个感知器四个不同形状）。

主要代码如下所示：

//SELL++++++++++++++++++++++++++++++++++++++++++++++++

if ((CalculatePositions(symbolS1.Name(), Magic, POSITION_TYPE_SELL, EAComment)==0) && (ind_In1[1]>ind_In2[1]) && (perceptron1()<0) && (perceptron2()<0) && (perceptron3()<0) && (perceptron4()<0) && (SpreadS1<=MaxSpread)){//v1
  OpenSell(symbolS1.Name(), LotsXSell, TakeProfit, StopLoss, EAComment);
}

//BUY++++++++++++++++++++++++++++++++++++++++++++++++

if ((CalculatePositions(symbolS1.Name(), Magic, POSITION_TYPE_BUY, EAComment)==0) && (ind_In1[1]<ind_In2[1]) && (perceptron1()>0) && (perceptron2()>0) && (perceptron3()>0) && (perceptron4()>0) && (SpreadS1<=MaxSpread)){//v1
  OpenBuy(symbolS1.Name(), LotsXBuy, TakeProfit, StopLoss, EAComment);
}

优化日期从 2010 年 5 月 31 日至 2021 年 5 月 30 日。
模式 (仅开盘价), (遗传算法), (复杂准则最大化)。
初始资金 10,000。
止盈 = 200，止损 = 200。
周期 H1.
固定手数 0.01。
优化参数 x1, x2, x3, x4, y1, y2, y3, z1, z2, z3, f1, f2, f3, f4 - 感知器权重比。从 0 到 200，以 5 为增量进行优化。

优化和前向验证测试结果。

4 感知器 4 图例。

前向验证测试日期从 2021 年 5 月 31 日至 2022 年 5 月 30 日。在所有结果中，我们应选择具有最大利润因子的结果，其中复杂标准的最大化值超过 40-50。

测试 1

测试 2

优化日期从 2010 年 5 月 31 日至 2021 年 5 月 30 日。
模式 (仅开盘价), (遗传算法), (最大盈利)。
初始资金 10,000。
止盈 = 60，止损 = 600
周期 H1.
固定手数 0.01。
优化参数 x1, x2, x3, x4, y1, y2, y3, z1, z2, z3, f1, f2, f3, f4 - 感知器权重比。从 0 到 200，以 5 为增量进行优化。

优化和前向验证测试结果。

4 感知器 4 图例。

得到了结果。最佳结果为 32。把日期从 2021 年 5 月 31 日更改为 2022 年 5 月 30 日，并运行正向验证测试。在所有结果中，我们应该选择利润因子最大、交易数量最小值不少于 10-20 的结果。

测试 1

测试 2

优化 EA 4 感知器 4 正切。 (四个感知器 四个不同的角度)。

优化日期从 2010 年 5 月 31 日至 2021 年 5 月 30 日。
模式 (仅开盘价), (遗传算法), (复杂准则最大化)。
初始资金 10,000。
止盈 = 200，止损 = 200。
周期 H1.
固定手数 0.01。
优化参数 x1, x2, x3, x4, y1, y2, y3, z1, z2, z3, f1, f2, f3, f4 - 感知器权重比。从 0 到 200，以 5 为增量进行优化。

优化和前向验证测试结果。

4 感知器 4 正切。

前向验证测试日期从 2021 年 5 月 31 日提前至 2022 年 5 月 30 日。在所有结果当中，我们应该选择具有最大利润因子的一个，复杂准则的最大化值超过 20-40。

测试 1

测试 2

优化日期从 2010 年 5 月 31 日至 2021 年 5 月 30 日。
模式 (仅开盘价), (遗传算法), (最大盈利)。
初始资金 10,000。
止盈 = 60，止损 = 600。
周期 H1.
固定手数 0.01。
优化参数 x1, x2, x3, x4, y1, y2, y3, z1, z2, z3, f1, f2, f3, f4 - 感知器权重比。从 0 到 200，以 5 为增量进行优化。

优化和前向验证测试结果。

4 感知器 4 正切。

得到了结果。最佳结果为 32。我会留下一个前向验证测试作为家庭作业。我认为，这样会更有趣味。此外，应当注意的是，与利润因子相关的交易数量有所增加。

在我的实验过程中，我遇到了几个需要解决的问题。

首先。由于优化多个权重比参数的复杂性，有必要在 EA 代码中移动它们。
其二。我们应该有一个包含所有优化参数的数据库，然后在 EA 中同时采用它们进行交易。我认为，这可以用 .CSV 类型的文件。

结束语

我真的希望我的实验能给您带来新的发现，并最终取得成功。我的目标是获得一个现成的盈利策略。通过优良的前向验证测试结果，我已经部分达成了这一目标。然而，还有许多工作要做。现在是时候转向更复杂的系统，同时从掌握的经验中获益。此外，我们应该更多地利用我们所拥有的。我们会在实验的第二部分来讨论这个问题。不要错过！事情变得越发令人兴奋。

本文由MetaQuotes Ltd译自俄文
原文地址： https://www.mql5.com/ru/articles/11077

附加的文件 |

下载ZIP

EA.zip (181.54 KB)

注意: MetaQuotes Ltd.将保留所有关于这些材料的权利。全部或部分复制或者转载这些材料将被禁止。