MetaTrader 5 / 测试者
English Русский Español Deutsch 日本語 Português
preview
神经网络实验（第 2 部分）：智能神经网络优化

神经网络实验（第 2 部分）：智能神经网络优化

MetaTrader 5 — 测试者 | 20 十月 2022, 09:39
1 660 0
Roman Poshtar
Roman Poshtar

概述

在上一篇文章神经网络实验（第 1 部分）：重温几何学中，我分享了我与神经网络相关的观察和实验。 也就是说，我研究的是有关将哪种数据传递给神经网络的问题，并演示了一个涉及感知器的简单示例，从中得到可盈利的交易系统。 我在某些方面取得了成功，但也面临着一些困难，这些困难将在这里得到解决。 此外，我还打算迈入更复杂的神经网络。 为了达成此目的，我将运用来自文章利用 MQL 语言从头开始编程深度神经网络中的函数库。 该文作者非常详细地讲述了其工作原理，因此我只需关注主要层面。 本文的主要宗旨是开发一个基于神经网络的成熟交易机器人，立足 MetaTrader 5 且无需第三方软件。


基础和示例

上述函数库的作者用的是深度神经网络，但我建议从小处着手，构建一个具有 4-4-3 结构的网络。 总体来说，我们需要 （4 * 4）+ 4 +（4 * 3）+ 3 = 35 个权重和偏差值。

您可以在文后下载修改后的函数库文件。 我特意在代码中的所有更改处都保留了注释，以便您可以了解如何创建自定义神经网络。 

权重和偏差值：

input double w0=1.0;
input double w1=1.0;
input double w2=1.0;
input double w3=1.0;
input double w4=1.0;
input double w5=1.0;
input double w6=1.0;
input double w7=1.0;
input double w8=1.0;
input double w9=1.0;
input double w10=1.0;
input double w11=1.0;
input double w12=1.0;
input double w13=1.0;
input double w14=1.0;
input double w15=1.0;

input double b0=1.0;
input double b1=1.0;
input double b2=1.0;
input double b3=1.0;

input double x0=1.0;
input double x1=1.0;
input double x2=1.0;
input double x3=1.0;
input double x4=1.0;
input double x5=1.0;
input double x6=1.0;
input double x7=1.0;
input double x8=1.0;
input double x9=1.0;
input double x10=1.0;
input double x11=1.0;
input double x12=1.0;
input double x13=1.0;
input double x14=1.0;
input double x15=1.0;

input double s0=1.0;
input double s1=1.0;
input double s2=1.0;

W 和 X 是权重，B 和 S 是偏离参数。

包含神经网络库文件:

#include <DeepNeuralNetwork2.mqh> 

int numInput=4;
int numHiddenA = 4;
int numOutput=3;

DeepNeuralNetwork dnn(numInput,numHiddenA,numOutput);

接下来，我们将研究来自上一篇文章中的两个示例，即一个造型和一个具有倾角的形态。 我们也看一下函数库作者的策略结果。 最后，在不同的神经网络上检查所有这些 - 4-4-3 和 4-4-4-3。换句话说，我们一次性开发六个 EA。

传递蝴蝶 (轨道)。 图例 EA: 

r1


int error=CandlePatterns(ind_In1[1], ind_In1[10], ind_In2[1], ind_In2[10], _xValues);// Call the function

int CandlePatterns(double v1,double v2,double v3,double v4,double &xInputs[])// Function
  {

   xInputs[0] = (v1-v2)/Point();
   xInputs[1] = (v3-v4)/Point();
   xInputs[2] = (v1-v4)/Point();
   xInputs[3] = (v3-v2)/Point();
   
   return(1);

  }

传递带倾角形态（四条 MA 1 和 MA 24 指标倾角）。 倾角 EA:

r2


int error=CandlePatterns(ind_In1[1], ind_In1[5], ind_In1[10], ind_In2[1], ind_In2[5], ind_In2[10], _xValues);// Call the function

int CandlePatterns(double v1,double v2,double v3,double v4,double v5,double v6,double &xInputs[])// Function
  {

   xInputs[0] = (((v1-v2)/Point())/5);
   xInputs[1] = (((v1-v3)/Point())/10);
   xInputs[2] = (((v4-v5)/Point())/5);
   xInputs[3] = (((v4-v6)/Point())/50);
   
   return(1);

  }

经过策略测试器后，将权重和偏差的优化值设置为 -1 到 1，步长为 0.1。 得到 3.68597592780611e+51 次验算。 转到下一部分。

r3


解决优化问题

当运行上述 EA 时，策略测试器将在（慢速完整算法）模式下执行略高于 10,000 次的验算，在我们的例子中，该值太小而无法优化神经网络。 我认为，（快速遗传算法）模式在这里没有用处。

主要思路是只传递一个变量，就像某种排序计数器一样。 权重和偏差的其余参数将在 EA 内部设置。 出于这些目的，我决定尝试采用随机数生成器。 此外，有必要记住我们已经在优化中用到了哪些选项。

随机数生成器函数:

double RNDfromCI(double minp, double maxp) 
{ 
  if(minp == maxp) 
    return (minp); 
  double Minp, Maxp; 
  if(minp > maxp) 
  {
    Minp = maxp; 
    Maxp = minp;
  }
  else 
  {
    Minp = minp; 
    Maxp = maxp;
  }
  return (NormalizeDouble(double(Minp + ((Maxp - Minp) * (double)MathRand() / 32767.0)),1));
}

为了记住验算的参数，参考了几个选项。 特别是，EA 内部的数组不合适，因为它在每次 EA 初始化时都会被清零。 由于数据量太大，终端的全局变量也不适合。 还有必要在优化过程之外取得已完成的验算结果，并有可能读取数据。 故我决定使用 CSV 文件。

我们引入一个用于优化的变量：

input int Passages = 10000;

优化验算参数，从 1 至最大值，增量为 1。 在试运行基础上，找出一个变量模式下的最大验算次数。 其量级为 100,000,000。我想，这已足够了。

r4

最初，曾有一个想法是将 EA 分为两部分 — 其一个用于优化，其二用于交易。 但我认为，单一 EA 会更方便。 添加模式开关：

input bool Optimization = true;

主要的优化代码位于 EA 的 OnInit() 初始化函数当中：

if (Optimization==true){
int r=0;
int q=0;

 while(q!=1 && !IsStopped())
 {

string str;
 while(r!=1 && !IsStopped())
 {
   sw0=DoubleToString(RNDfromCI(Min, Max),1);
   sw1=DoubleToString(RNDfromCI(Min, Max),1);
   sw2=DoubleToString(RNDfromCI(Min, Max),1);
   sw3=DoubleToString(RNDfromCI(Min, Max),1);
   sw4=DoubleToString(RNDfromCI(Min, Max),1);
   sw5=DoubleToString(RNDfromCI(Min, Max),1);
   sw6=DoubleToString(RNDfromCI(Min, Max),1);
   sw7=DoubleToString(RNDfromCI(Min, Max),1);
   sw8=DoubleToString(RNDfromCI(Min, Max),1);
   sw9=DoubleToString(RNDfromCI(Min, Max),1);
   sw10=DoubleToString(RNDfromCI(Min, Max),1);
   sw11=DoubleToString(RNDfromCI(Min, Max),1);
   sw12=DoubleToString(RNDfromCI(Min, Max),1);
   sw13=DoubleToString(RNDfromCI(Min, Max),1);
   sw14=DoubleToString(RNDfromCI(Min, Max),1);
   sw15=DoubleToString(RNDfromCI(Min, Max),1);
   
   sb0=DoubleToString(RNDfromCI(Min, Max),1);
   sb1=DoubleToString(RNDfromCI(Min, Max),1);
   sb2=DoubleToString(RNDfromCI(Min, Max),1);
   sb3=DoubleToString(RNDfromCI(Min, Max),1);
   
   sx0=DoubleToString(RNDfromCI(Min, Max),1);
   sx1=DoubleToString(RNDfromCI(Min, Max),1);
   sx2=DoubleToString(RNDfromCI(Min, Max),1);
   sx3=DoubleToString(RNDfromCI(Min, Max),1);
   sx4=DoubleToString(RNDfromCI(Min, Max),1);
   sx5=DoubleToString(RNDfromCI(Min, Max),1);
   sx6=DoubleToString(RNDfromCI(Min, Max),1);
   sx7=DoubleToString(RNDfromCI(Min, Max),1);
   sx8=DoubleToString(RNDfromCI(Min, Max),1);
   sx9=DoubleToString(RNDfromCI(Min, Max),1);
   sx10=DoubleToString(RNDfromCI(Min, Max),1);
   sx11=DoubleToString(RNDfromCI(Min, Max),1);
   
   ss0=DoubleToString(RNDfromCI(Min, Max),1);
   ss1=DoubleToString(RNDfromCI(Min, Max),1);
   ss2=DoubleToString(RNDfromCI(Min, Max),1);
   
   if(StringFind(sw0,".", 0) == -1 ){sw0=sw0+".0";}
   if(StringFind(sw1,".", 0) == -1 ){sw1=sw1+".0";}
   if(StringFind(sw2,".", 0) == -1 ){sw2=sw2+".0";}
   if(StringFind(sw3,".", 0) == -1 ){sw3=sw3+".0";}
   if(StringFind(sw4,".", 0) == -1 ){sw4=sw4+".0";}
   if(StringFind(sw5,".", 0) == -1 ){sw5=sw5+".0";}
   if(StringFind(sw6,".", 0) == -1 ){sw6=sw6+".0";}
   if(StringFind(sw7,".", 0) == -1 ){sw7=sw7+".0";}
   if(StringFind(sw8,".", 0) == -1 ){sw8=sw8+".0";}
   if(StringFind(sw9,".", 0) == -1 ){sw9=sw9+".0";}
   if(StringFind(sw10,".", 0) == -1 ){sw10=sw10+".0";}
   if(StringFind(sw11,".", 0) == -1 ){sw11=sw11+".0";}
   if(StringFind(sw12,".", 0) == -1 ){sw12=sw12+".0";}
   if(StringFind(sw13,".", 0) == -1 ){sw13=sw13+".0";}
   if(StringFind(sw14,".", 0) == -1 ){sw14=sw14+".0";}
   if(StringFind(sw15,".", 0) == -1 ){sw15=sw15+".0";}

   if(StringFind(sb0,".", 0) == -1 ){sb0=sb0+".0";}
   if(StringFind(sb1,".", 0) == -1 ){sb1=sb1+".0";}
   if(StringFind(sb2,".", 0) == -1 ){sb2=sb2+".0";}
   if(StringFind(sb3,".", 0) == -1 ){sb3=sb3+".0";}
   
   if(StringFind(sx0,".", 0) == -1 ){sx0=sx0+".0";}
   if(StringFind(sx1,".", 0) == -1 ){sx1=sx1+".0";}
   if(StringFind(sx2,".", 0) == -1 ){sx2=sx2+".0";}
   if(StringFind(sx3,".", 0) == -1 ){sx3=sx3+".0";}
   if(StringFind(sx4,".", 0) == -1 ){sx4=sx4+".0";}
   if(StringFind(sx5,".", 0) == -1 ){sx5=sx5+".0";}
   if(StringFind(sx6,".", 0) == -1 ){sx6=sx6+".0";}
   if(StringFind(sx7,".", 0) == -1 ){sx7=sx7+".0";}
   if(StringFind(sx8,".", 0) == -1 ){sx8=sx8+".0";}
   if(StringFind(sx9,".", 0) == -1 ){sx9=sx9+".0";}
   if(StringFind(sx10,".", 0) == -1 ){sx10=sx10+".0";}
   if(StringFind(sx11,".", 0) == -1 ){sx11=sx11+".0";}
   
   if(StringFind(ss0,".", 0) == -1 ){ss0=ss0+".0";}
   if(StringFind(ss1,".", 0) == -1 ){ss1=ss1+".0";}
   if(StringFind(ss2,".", 0) == -1 ){ss2=ss2+".0";}
   
   str=sw0+","+sw1+","+sw2+","+sw3+","+sw4+","+sw5+","+sw6+","+sw7+","+sw8+","+sw9+","+sw10+","+sw11+","+sw12+","+sw13+","+sw14+","+sw15
   +","+sb0+","+sb1+","+sb2+","+sb3
   +","+sx0+","+sx1+","+sx2+","+sx3+","+sx4+","+sx5+","+sx6+","+sx7+","+sx8+","+sx9+","+sx10+","+sx11
   +","+ss0+","+ss1+","+ss2;
   if (VerifyPassagesInFile(str)==true)
   {
      ResetLastError();
      filehandle = FileOpen(OptimizationFileName,FILE_WRITE|FILE_READ|FILE_CSV|FILE_COMMON|FILE_ANSI, ";");
      if(filehandle!=INVALID_HANDLE)
       {
        Print("FileOpen OK");
        FileSeek(filehandle, 0, SEEK_END);
        FileWrite(filehandle,Passages,sw0,sw1,sw2,sw3,sw4,sw5,sw6,sw7,sw8,sw9,sw10,sw11,sw12,sw13,sw14,sw15,
        sb0,sb1,sb2,sb3,
        sx0,sx1,sx2,sx3,sx4,sx5,sx6,sx7,sx8,sx9,sx10,sx11,
        ss0,ss1,ss2);
        FileClose(filehandle); 
        
   weight[0]=StringToDouble(sw0);
   weight[1]=StringToDouble(sw1);
   weight[2]=StringToDouble(sw2);
   weight[3]=StringToDouble(sw3);
   weight[4]=StringToDouble(sw4);
   weight[5]=StringToDouble(sw5);
   weight[6]=StringToDouble(sw6);
   weight[7]=StringToDouble(sw7);
   weight[8]=StringToDouble(sw8);
   weight[9]=StringToDouble(sw9);
   weight[10]=StringToDouble(sw10);
   weight[11]=StringToDouble(sw11);
   weight[12]=StringToDouble(sw12);
   weight[13]=StringToDouble(sw13);
   weight[14]=StringToDouble(sw14);
   weight[15]=StringToDouble(sw15);
   
   weight[16]=StringToDouble(sb0);
   weight[17]=StringToDouble(sb1);
   weight[18]=StringToDouble(sb2);
   weight[19]=StringToDouble(sb3);
   
   weight[20]=StringToDouble(sx0);
   weight[21]=StringToDouble(sx1);
   weight[22]=StringToDouble(sx2);
   weight[23]=StringToDouble(sx3);
   weight[24]=StringToDouble(sx4);
   weight[25]=StringToDouble(sx5);
   weight[26]=StringToDouble(sx6);
   weight[27]=StringToDouble(sx7);
   weight[28]=StringToDouble(sx8);
   weight[29]=StringToDouble(sx9);
   weight[30]=StringToDouble(sx10);
   weight[31]=StringToDouble(sx11);
   
   weight[32]=StringToDouble(ss0);
   weight[33]=StringToDouble(ss1);
   weight[34]=StringToDouble(ss2);
        
        r=1;
        q=1;
       }
      else 
       {
       Print("FileOpen ERROR, error ",GetLastError());
       q=0;
       }
   }
 }
 
 }
}

我解释一下代码。 教导 EA 等轮到它时去打开文件是一项令人兴奋的任务。 我遇到了在优化模式下同时打开同一个文件的问题，且同时用到多个 CPU 内核。 此问题已在第一个 “while” 循环中得到解决。 在打开文件进行写入之前，EA 不会退出 OnInit() 函数。 事实证明，EA 是在优化过程中逐个启动的。

当第一个内核进行测试时，EA 可以在第二个内核上打开一个文件写入。 进而，将最小值和最大值范围内的随机参数分配给所有权重和偏差。 如果数字已舍入，向其添加 .0。 将所有值添加到单个 “str” 字符串中。 调用 VerifyPassagesInFile(str) 函数检查字符串，查看文件中是否有相同的字符串。 如果没有，则将其写入文件末尾，并采用获得的权重和偏差的随机值填充 weight[] 数组。

检查参数的代码与先前函数相似：

bool VerifyPassagesInFile(string st){
string str="";
string str1="";
string str2="";
string str3="";
string str4="";
string str5="";
string str6="";
string str7="";
string str8="";
string str9="";
string str10="";
string str11="";
string str12="";
string str13="";
string str14="";
string str15="";
string str16="";
string str17="";
string str18="";
string str19="";
string str20="";
string str21="";
string str22="";
string str23="";
string str24="";
string str25="";
string str26="";
string str27="";
string str28="";
string str29="";
string str30="";
string str31="";
string str32="";
string str33="";
string str34="";
string str35="";
string str36="";

if (FileIsExist(OptimizationFileName)==
true ){
   ResetLastError();
   filehandle = FileOpen(OptimizationFileName,FILE_WRITE|FILE_READ|FILE_CSV|FILE_COMMON|FILE_ANSI, ";");
   if(filehandle!=INVALID_HANDLE)
     {
      Print("FileCreate OK");
     }
   else Print("FileCreate ERROR, error ",GetLastError());
   FileClose(filehandle); 
}

   ResetLastError();
   filehandle = FileOpen(OptimizationFileName,FILE_WRITE|FILE_READ|FILE_CSV|FILE_COMMON|FILE_ANSI, ";");
   if(filehandle!=INVALID_HANDLE)
     {
      Print("FileOpen OK");
     }
   else Print("FileOpen ERROR, error ",GetLastError());
   
//--- read the data from the file
 while(!FileIsEnding(filehandle) && !IsStopped())
 {
  str1=FileReadString(filehandle);
  str2=FileReadString(filehandle);
  str3=FileReadString(filehandle);
  str4=FileReadString(filehandle);
  str5=FileReadString(filehandle);
  str6=FileReadString(filehandle);
  str7=FileReadString(filehandle);
  str8=FileReadString(filehandle);
  str9=FileReadString(filehandle);
  str10=FileReadString(filehandle);
  str11=FileReadString(filehandle);
  str12=FileReadString(filehandle);
  str13=FileReadString(filehandle);
  str14=FileReadString(filehandle);
  str15=FileReadString(filehandle);
  str16=FileReadString(filehandle);
  str17=FileReadString(filehandle);
  str18=FileReadString(filehandle);
  str19=FileReadString(filehandle);
  str20=FileReadString(filehandle);
  str21=FileReadString(filehandle);
  str22=FileReadString(filehandle);
  str23=FileReadString(filehandle);
  str24=FileReadString(filehandle);
  str25=FileReadString(filehandle);
  str26=FileReadString(filehandle);
  str27=FileReadString(filehandle);
  str28=FileReadString(filehandle);
  str29=FileReadString(filehandle);
  str30=FileReadString(filehandle);
  str31=FileReadString(filehandle);
  str32=FileReadString(filehandle);
  str33=FileReadString(filehandle);
  str34=FileReadString(filehandle);
  str35=FileReadString(filehandle);
  str36=FileReadString(filehandle);
    
    str=str2+","+str3+","+str4+","+str5+","+str6+","+str7+","+str8+","+str9+","+str10+","+str11
    +","+str12+","+str13+","+str14+","+str15+","+str16+","+str17+","+str18+","+str19+","+str20+","+str21
    +","+str22+","+str23+","+str24+","+str25+","+str26+","+str27+","+str28+","+str29+","+str30+","+str31+","+str32+","+str33+","+str34+","+str35+","+str36;
  if (str==st){FileClose(filehandle); return(false);}
 }

FileClose(filehandle); 
 
return(true); 
}

在此，我们首先检查文件 FileIsExist(OptimizationFileName) 是否存在。若无，则创建它。 接着，在 while(!FileIsEnding(filehandle) && !IsStopped()) 循环里读取字符串，保存到 str1- strN 变量之中。 将所有内容合并在一起到 “str” 变量当中。 将每个 “str” 字符串与函数输入处的传入 “st” 字符串进行比较。 最后，返回结果，无论是否存在匹配项。

生成的 EA 参数：

"------------Open settings----------------";

Optimization - 模式切换，优化或交易;

Min - 权重和偏差参数的最小值; 

Max - 权重和偏差参数的最大值; 

OptimizationFileName - 在优化期间写入参数，以及在交易模式下读取的文件名;

Passages - 验算值。 优化参数从 1 到 100,000,000 最大值，增量为 1;

LL - Softmax 函数提供基于 100% 总和的 3 个结果。 0.6 等于高于 60% 的值;

"------------Lots settings----------------";

SetFixLotOrPercent - 选择手数或资金百分比;

LotsOrPercent - 手数或百分比取决于 SetFixLotOrPercent;

"------------Other settings---------------";

MaxSpread - 开立订单的最大点差;

Slippage - 滑点;

Magic - 魔幻数字;

EAComment - 订单注释;

如您所知，默认情况下，MetaTrader 5 在其沙箱中创建文件。 

文件的路径:

C:\Users\您的用户名\AppData\Roaming\MetaQuotes\Terminal\Common\Files


优化

我们执行优化。 区间从 2018.07.12 至 2021.07.12。 EURUSD. H1, 开盘价。 测试运行次数: 10,000.

模式: (复杂判则最大值). Angle EA 4-4-3

a1

模式: (复杂判则最大值). Angle EA 4-4-4-3

a2

模式: (复杂判则最大值). 图例 EA 4-4-3

f1

模式: (复杂判则最大值). 图例 EA 4-4-4-3

f2

模式: (复杂判则最大值)。 Original EA 4-4-3. 函数库作者的策略。

o1

模式: (复杂判则最大值)。 Original EA 4-4-4-3. 函数库作者的策略。

o2

优化后（例如 10,000 次验算），我们能够启动新的优化，并继续把新参数填写到文件。 不要忘记事先保存策略测试器优化报告，和所需的验算参数。 我们还需要清除终端历史记录，否则测试程序会直接显示已完成的优化结果。 我用 .bat 类型脚本执行此操作。

del C:\Users\Your Username\AppData\Roaming\MetaQuotes\Terminal\36A64B8C79A6163D85E6173B54096685\Tester\cache\*.* /q /f /s

for /d %%i in (C:\Users\Your Username\AppData\Roaming\MetaQuotes\Terminal\36A64B8C79A6163D85E6173B54096685\Tester\cache\*) do rd /s /q "%%i"


del C:\Users\Your Username\AppData\Roaming\MetaQuotes\Terminal\36A64B8C79A6163D85E6173B54096685\Tester\logs\*.* /q /f /s

for /d %%i in (C:\Users\Your Username\AppData\Roaming\MetaQuotes\Terminal\36A64B8C79A6163D85E6173B54096685\Tester\logs\*) do rd /s /q "%%i"

取您自己电脑里的值替换 (Your Username) 和 (36A64B8C79A6163D85E6173B54096685)。 您可以利用常规文本编辑器打开它。 清理脚本附在下面。


使用优化结果

为了检查优化结果，请将 Optimization 开关设置为 “false”，并在验算参数中设置所需的验算索引。 为此，只需双击所要的结果即可。

加载测试权重和偏差参数的代码：

if (FileIsExist(OptimizationFileName)==false){
int id = 0;
int i = 0;
string f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f11,f12,f13,f14,f15,f16,f17,f18,f19,f20,f21,f22,f23,f24,f25,f26,f27,f28,f29,f30,f31,f32,f33,f34,f35,f36;
 int handle = FileOpen(OptimizationFileName,FILE_WRITE|FILE_READ|FILE_CSV|FILE_COMMON|FILE_ANSI, ";");
  if(handle!=INVALID_HANDLE)
   {Print("Loading optimization file.");
   
  while(!FileIsEnding(handle) && !IsStopped())
   {
   f1=FileReadString(handle);
   f2=FileReadString(handle);
   f3=FileReadString(handle);
   f4=FileReadString(handle);
   f5=FileReadString(handle);
   f6=FileReadString(handle);
   f7=FileReadString(handle);
   f8=FileReadString(handle);
   f9=FileReadString(handle);
   f10=FileReadString(handle);
   f11=FileReadString(handle);
   f12=FileReadString(handle);
   f13=FileReadString(handle);
   f14=FileReadString(handle);
   f15=FileReadString(handle);
   f16=FileReadString(handle);
   f17=FileReadString(handle);
   f18=FileReadString(handle);
   f19=FileReadString(handle);
   f20=FileReadString(handle);
   f21=FileReadString(handle);
   f22=FileReadString(handle);
   f23=FileReadString(handle);
   f24=FileReadString(handle);
   f25=FileReadString(handle);
   f26=FileReadString(handle);
   f27=FileReadString(handle);
   f28=FileReadString(handle);
   f29=FileReadString(handle);
   f30=FileReadString(handle);
   f31=FileReadString(handle);
   f32=FileReadString(handle);
   f33=FileReadString(handle);
   f34=FileReadString(handle);
   f35=FileReadString(handle);
   f36=FileReadString(handle);
 
   if (StringToInteger(f1)==Passages){
   weight[0]=StringToDouble(f2);
   Print(weight[0]);
   weight[1]=StringToDouble(f3);
   Print(weight[1]);
   weight[2]=StringToDouble(f4);
   Print(weight[2]);
   weight[3]=StringToDouble(f5);
   weight[4]=StringToDouble(f6);
   weight[5]=StringToDouble(f7);
   weight[6]=StringToDouble(f8);
   weight[7]=StringToDouble(f9);
   weight[8]=StringToDouble(f10);
   weight[9]=StringToDouble(f11);
   weight[10]=StringToDouble(f12);
   weight[11]=StringToDouble(f13);
   weight[12]=StringToDouble(f14);
   weight[13]=StringToDouble(f15);
   weight[14]=StringToDouble(f16);
   weight[15]=StringToDouble(f17);
   
   weight[16]=StringToDouble(f18);
   weight[17]=StringToDouble(f19);
   weight[18]=StringToDouble(f20);
   weight[19]=StringToDouble(f21);
   
   weight[20]=StringToDouble(f22);
   weight[21]=StringToDouble(f23);
   weight[22]=StringToDouble(f24);
   weight[23]=StringToDouble(f25);
   weight[24]=StringToDouble(f26);
   weight[25]=StringToDouble(f27);
   weight[26]=StringToDouble(f28);
   weight[27]=StringToDouble(f29);
   weight[28]=StringToDouble(f30);
   weight[29]=StringToDouble(f31);
   weight[30]=StringToDouble(f32);
   weight[31]=StringToDouble(f33);
   
   weight[32]=StringToDouble(f34);
   weight[33]=StringToDouble(f35);
   weight[34]=StringToDouble(f36);
   
   FileClose(handle);  
   break; 
   }
  
   }  
 FileClose(handle);
   }
   else{
   PrintFormat("Could not open file %s, error code = %d",OptimizationFileName,GetLastError());
   return(INIT_FAILED);
   }
}else{
   PrintFormat("Could not open file %s, error code = %d",OptimizationFileName,GetLastError());
   return(INIT_FAILED);
   }

Optimization 开关禁用时读取文件。 将第一列的值与 Passages 参数的值进行比较。 如果存在匹配项，将权重和偏差参数的值分配到我们的权重[]数组。 因此，我们可以测试最佳结果。

针对获得的结果进行前向验证测试，以便找到最好的三个。 在我的情况下，选择判则是最大盈利因子和交易数量超过 100：

  • 测试间隔: 从 2021.07.12 至 2022.07.12;
  • 模式: (基于真实跳价的每次跳价);
  • 初始资金: 10,000;
  • 时间帧: H1;
  • 固定手数 0.01;
  • Angle EA 4-4-3.

测试 1:

t1

测试 2:

t2

测试 3:

t3

  • 测试间隔: 从 2021.07.12 至 2022.07.12;
  • 模式: (基于真实跳价的每次跳价);
  • 初始资金: 10,000;
  • 时间帧: H1;
  • 固定手数 0.01;
  • Angle EA 4-4-4-3.

测试 1:

t4

测试 2:

t5

测试 3:

t6

  • 测试间隔: 从 2021.07.12 至 2022.07.12;
  • 模式: (基于真实跳价的每次跳价);
  • 初始资金: 10,000;
  • 时间帧: H1;
  • 固定手数 0.01;
  • 图例 EA 4-4-3.

测试 1:

t7

测试 2:

t8

测试 3:

t9

  • 测试间隔: 从 2021.07.12 至 2022.07.12;
  • 模式: (基于真实跳价的每次跳价);
  • 初始资金: 10,000;
  • 时间帧: H1;
  • 固定手数 0.01;
  • 图例 EA 4-4-4-3.

测试 1:

t10

测试 2:

t11

测试 3:

t12

接下来，在神经网络 4-4-3 和 4-4-4-3 中测试函数库作者的原始策略。

  • 测试间隔: 从 2021.07.12 至 2022.07.12;
  • 模式: (基于真实跳价的每次跳价);
  • 初始资金: 10,000;
  • 时间帧: H1;
  • 固定手数 0.01;
  • Original EA 4-4-3.

测试 1:

t13

测试 2:

t14

测试 3:

t15

  • 测试间隔: 从 2021.07.12 至 2022.07.12;
  • 模式: (基于真实跳价的每次跳价);
  • 初始资金: 10,000;
  • 时间帧: H1;
  • 固定手数 0.01;
  • Original EA 4-4-4-3.

测试 1:

t16

测试 2:

t17

测试 3:

t18

结果就是，Angle EA 4-4-3 和 Angle EA 4-4-4-3 策略比之 图例 EA 4-4-3 和 图例 EA 4-4-4-3 工作得更加出色。 我认为，原因在于它们采用了非标准的方式进行市场分析。 优化过程基于 3 年内、2 个内核，大约需要 20 分钟。 此外，在实验之后，出现了许多需要解决的问题：

  1. 需要很长一段区间内执行优化。
  2. 增加验算数量。
  3. 决定前进的最佳策略。
  4. 开发一种算法，可同时处理某个交易优化结果的数据库。 我已经开始考虑这个问题了。 
  5. 开发同时优化和交易的算法。
  6. 采用不同的时间帧来查找最佳结果。
  7. 在一个 EA 中结合两个或多个神经网络，以及不同的数据集合。

    当然，完整的测试需要更深入的训练。 但取得的成果不言自明。 此外，这样的实验需要大量的计算资源。


    结束语

    在本文中，我们转向了更复杂的神经网络。 为了识别需传递给神经网络的必要数据，已经为此做了很多工作。 但可能并不会止步于此。 我们需要尝试从更多的指标传递数据，并使用复杂的链接。 我希望这将引导我们在开发可盈利交易机器人方面取得新的成功。 正如事实证明，MetaTrader 5 可以在没有第三方软件的情况下使用。 此外，我还开发了一个非常有趣的优化算法，它将扩展我们的能力。 

    像往常一样，我把进行更深入的优化和前向验证测试留给您来完成。

    附件：

    Angle EA 4-4-3 - МA1 和 МA24 指标倾角策略，神经网络 4-4-3。

Angle EA 4-4-4-3 - МA1 和 МA24 指标倾角策略，神经网络 4-4-4-3。

Figure EA 4-4-3 - МA1 和 МA24 指标蝴蝶（轨迹线）策略，神经网络 4-4-3。

Figure EA 4-4-4-3 - МA1 和 МA24 指标蝴蝶（轨迹线）策略，神经网络 4-4-4-3。

Original EA 4-4-3 - 蜡烛大小百分比策略，神经网络 4-4-3。

Original EA 4-4-4-3 - 蜡烛大小百分比策略，神经网络 4-4-4-3。

Clear.bat - 清理终端文件(Log 和 Cache).的脚本。

DeepNeuralNetwork – 4-4-4-3 神经网络库。

DeepNeuralNetwork2 – 4-4-3 神经网络库。


    本文由MetaQuotes Ltd译自俄文
    原文地址： https://www.mql5.com/ru/articles/11186

    附加的文件 |
    下载ZIP
    EA.zip (610.58 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。

    该作者的其他文章

    前往讨论
    学习如何基于标准偏差设计交易系统 学习如何基于标准偏差设计交易系统
    此为我们该系列中的一篇新文章，介绍如何利用 MetaTrader 5 交易平台中最受欢迎的技术指标来设计交易系统。 在这篇新文章中，我们将学习如何运用标准偏差指标设计交易系统。
    DoEasy. 控件 (第 11 部分): WinForms 对象 — 群组，CheckedListBox WinForms 对象 DoEasy. 控件 (第 11 部分): WinForms 对象 — 群组，CheckedListBox WinForms 对象
    本文将讨论 WinForms 对象群组，及创建 CheckBox 对象列表对象。
    神经网络变得轻松（第二十一部分）：变分自动编码器（VAE） 神经网络变得轻松（第二十一部分）：变分自动编码器（VAE）
    在上一篇文章中，我们已熟悉了自动编码器算法。 像其它任何算法一样，它也有其优点和缺点。 在其原始实现中，自动编码器会尽可能多地将对象与训练样本分开。 这次我们将讨论如何应对它的一些缺点。
    神经网络变得轻松（第二十部分）：自动编码器 神经网络变得轻松（第二十部分）：自动编码器
    我们继续研究无监督学习算法。 一些读者可能对最近发表的与神经网络主题的相关性有疑问。 在这篇新文章中，我们回到了对神经网络的研究。