![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Natürlich können Sie das!
Aber es wird deine Regel in 10 Lektionen lernen, und was dann?
Dieser Algorithmus dient als einfaches Beispiel für die Erstellung eines neuronalen Netzes, denn man muss von einem einfachen....
Wenn die Spanne einer Kerze um einen bestimmten Koeffizienten größer ist als die durchschnittliche Spanne der letzten fünf Kerzen (wenn die Kerze steigt - kaufen, wenn die Kerze fällt - verkaufen).
Basierend auf diesem Algorithmus sind die Eingabeparameter die Knackpunkte des durchschnittlichen Bereichs der letzten fünf Balken?
Sie geben Definitionen der von Ihnen verwendeten Begriffe an. Was ist ein "Kerzenbereich"? Ein Netzwerk sollte aus Beispielen lernen. Was sind positive und negative Beispiele für Ihr Netzwerk (aus Ihrer Sicht)? Was ist eine "Überschreitungsquote"?
Sie geben Definitionen der von Ihnen verwendeten Begriffe an. Was ist ein "Kerzenbereich"? Ein Netzwerk sollte aus Beispielen lernen. Was sind positive und negative Beispiele für Ihr Netzwerk (aus Ihrer Sicht)? Was ist der "Überschreitungsfaktor"?
Bereich des zuletzt gebildeten Balkens = High[1]-Low[1];
double cdpb // durchschnittlicher Bereich der letzten fünf Balken
for(i=1;i<5;i++){
сдппб=сдппб+(High[1]-Low[1])/5;
}
Kaufbedingung
if(Bereich des letzten abgeschlossenen Balkens> durchschnittlicher Bereich der letzten fünf Balken* Koeffizient && Close[1]>Open[1]){
nach Markt kaufen
}
Können Sie mir sagen, wie einfach es ist, ein positives oder negatives Beispiel für das Nettoergebnis zu definieren, vielleicht das Ergebnis eines Handels?
диапазон последнего сформировавшегося бара>средний диапазон пяти последних баров*коэффицент
Diese Bedingung bestimmt den Trainingsalgorithmus und die Architektur des Netzes. Als positives Ergebnis für den NS betrachten wir das Zusammentreffen der vorhergesagten Kotirbewegung, die mit der Eröffnung einer Position beginnt und mit ihrer Schließung endet, wenn das Signal für die Umkehrung der Position erscheint. Negativ - beziehungsweise - keine Übereinstimmung. Das Ergebnis des Netzes trine ist die Ermittlung des (aus seiner Sicht) optimalen Koeffizientenwertes. Das Netz wird 7 Eingänge haben. Die erste Eingabe ist ein konstanter Offset (erhöht die Rechenleistung des Netzes und beschleunigt das Lernen), die zweite Eingabe hat den Bereich von 1 bar, die dritte Eingabe hat den Bereich von 2 bar und so weiter bis zur fünften, und die siebte (die letzte Eingabe von NS) hat den Bereich von Null bar (Strom), den sie damit vergleichen würde.
Das von uns gewählte Netz ist das einfachste - das lineare Perseptron. Während des Lernprozesses wird er jedem Balken optimale Ratios zuordnen (nicht eine für alle fünf Balken, wie in Ihrem Fall, sondern eine individuelle (w0, w1...w6) für jeden Balken) und wenn es prinzipiell möglich ist, wird der Nationale Computer Kauf oder Verkauf fast fehlerfrei vorhersagen!
Diese Bedingung bestimmt den Trainingsalgorithmus und die Architektur des Netzes. Als positives Ergebnis für den NS betrachten wir das Zusammentreffen der vorhergesagten Kotirbewegung, die mit der Eröffnung einer Position beginnt und mit ihrer Schließung endet, wenn das Signal für die Umkehrung der Position erscheint. Negativ - beziehungsweise - keine Übereinstimmung. Das Ergebnis des Netzes trine ist die Ermittlung des (aus seiner Sicht) optimalen Koeffizientenwertes. Das Netz wird 7 Eingänge haben. Die erste Eingabe ist ein konstanter Offset (erhöht die Rechenleistung des Netzes und beschleunigt das Lernen), die zweite Eingabe hat den Bereich von 1 bar, die dritte Eingabe hat den Bereich von 2 bar und so weiter bis zur fünften, und die siebte (die letzte Eingabe von NS) hat den Bereich von Null bar (Strom), den sie damit vergleichen würde.
Netzwerk wählen wir das einfachste - das lineare Perseptron. Im Lernprozess wird es jedem Balken die besten Ratios zuordnen (nicht eine für alle fünf, wie in Ihrem Fall, sondern eine individuelle (w0, w1...w6) für jeden Balken) und wenn es prinzipiell möglich ist, wird der NS Kauf oder Verkauf fast fehlerfrei vorhersagen!
Vielen Dank , Neutron.
Wenn ich es richtig verstanden habe, sind die Einträge als Wn gekennzeichnet. Wenn dem so ist, besteht meine nächste Aufgabe darin, jeden Eintrag z. B. durch einen Code zu beschreiben:
Ist dies korrekt?
Das ist richtig!
Was an der konstanten Eingabe ist unklar? Wir müssen die Eingabedaten vorher normalisieren. Dieses Verfahren ist nicht obligatorisch, aber wünschenswert (es hilft dem Netz, schneller zu lernen und erhöht seine Vorhersagekraft). Als Ergebnis dieses Verfahrens wird die gesamte Vielfalt der Eingangssignale (von -unendlich bis +unendlich) auf ein endliches Intervall +/-1 abgebildet. Als konstanten Offset geben wir +1 (zur Verdeutlichung) an den ersten Eingang des NS. Der Ausgang gibt Out>0 für Bue und Out<0 für Sell aus.
Das ist richtig!
Was an der konstanten Eingabe ist unklar? Wir müssen die Eingabedaten vorher normalisieren. Dieses Verfahren ist nicht obligatorisch, aber wünschenswert (es hilft dem Netz, schneller zu lernen und erhöht seine Vorhersagekraft). Als Ergebnis dieses Verfahrens wird die gesamte Vielfalt der Eingangssignale (von -unendlich bis +unendlich) auf ein endliches Intervall +/-1 abgebildet. Als konstanten Offset speisen wir +1 (für Sicherheit) in den ersten Eingang des NS ein.
Ist das richtig?
Das ist immer noch nicht richtig.
Bei dieser Formulierung sind die Eingänge zum NS nur positive Amplitudensignale, und das Netz erhält nicht alle möglichen Informationen, auf die sich die Analyse stützen wird. Am besten multiplizieren Sie den Wert Ihrer Eingabe mit der Farbe der Kerze: +1, wenn die Kerze gestiegen ist, und -1, wenn sie gefallen ist. Und zwar nicht einmal um +/-1, sondern um den Wert des Inkrements: Close[i]-Open[i].
Sie wird folgendermaßen aussehen:
w1=(High[1]-Low[1])/Point*( Close[1]-Open[1])/Point;
w1=(High[2]-Low[2])/Point*( Close[2]-Open[2])/Point;
w1=(High[3]-Low[3])/Point*( Close[3]-Open[3])/Point;
Dies gilt vorerst ohne Normalisierung.
P.S. Ich verstehe das nicht: // Sollen alle unten beschriebenen Eingaben über die Geschichte funktionieren?
Dies ist immer noch nicht korrekt.
Bei dieser Formulierung sind die Eingänge zum NS nur positive Amplitudensignale, und das Netz erhält nicht alle möglichen Informationen, auf die es sich bei der Analyse stützen kann. Am besten multiplizieren Sie den Wert Ihrer Eingabe mit der Farbe der Kerze: +1, wenn die Kerze gestiegen ist, und -1, wenn sie gefallen ist. Und zwar nicht einmal +/-1, sondern um den Wert des Inkrements: Close[i]-Open[i].
Sie wird folgendermaßen aussehen:
w1=(High[1]-Low[1])/Point*( Close[1]-Open[1])/Point;
w1=(High[2]-Low[2])/Point*( Close[2]-Open[2])/Point;
w1=(High[3]-Low[3])/Point*( Close[3]-Open[3])/Point;
Dies gilt vorerst ohne Normalisierung.
P.S. Ich verstehe das nicht: // Sollen alle unten beschriebenen Eingaben über die Geschichte funktionieren?
In Ihrem Beispiel haben Sie w1 in allen drei Zeilen, sollte das so sein?
P.S. Was ich nicht verstehe, ist folgendes: // ist es so, dass alle unten beschriebenen Eingaben in der Geschichte abgearbeitet werden können?
Ich versuche zu verstehen, welche Funktion w0 ausführen wird, und ich nahm an, es ist ein Schritt in der Geschichte, wie in Schleifen, wenn nicht, können Sie mir mehr sagen...
In Ihrem Beispiel haben Sie w1 in allen drei Zeilen, sollte dies der Fall sein?
Ich versuche herauszufinden, welche Funktion w0 ausführen wird, also nahm ich an, dass es ein Schritt in die Geschichte war, wie in Schleifen, wenn nicht, erklären Sie bitte mehr...
Um zu verstehen, welche Funktion w0 erfüllt, sollten wir besser mit einigen Lehrbüchern beginnen, anstatt uns in den NS zu stürzen, IMHO.