Советники: Swetten - страница 2
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
вы как-то писали, что используете для обучения сети алгоритм обратного распределения.
я просто тоже недавно начал экспериментировать с нейронными сетями в советниках. сразу стал строить самообучающуюся сеть, где тоже для обучения используется алгоритм обратного распределения.
в качестве активационной функции использую классический экспонентный сигмоид. в качестве эталонных значений использую события: проход какого-то количества пунктов вверх/вниз, если событие есть то соответствующий выход должен приближаться к 1, нет - к 0. отсюда получается 3 выхода сети: движение больше указанного кол-ва пунктов вверх/вниз, движение на меньшее кол-во пунктов. обучение производится на лету, для чего на определенном смещении назад от текущей позиции берутся исходные значения и определяется к чему они приводят. в итоге погрешностью считается разница между фактическими значениями выходов и эталонными. затем по результатам расчета сети для текущей ситуации открываются позиции на покупку или продажу. значения выходов интерпретируются как вероятность наступления соответствующего события.
но особыми успехами пока похвастаться не могу. перепробовал достаточно много вариантов с разными индикаторами и их комбинациями. пока результат не очень хороший, но надежда на успех еще меня не покидает.
из моих практических экспериментов, лучшая обучаемость сети получается, если использовать OsMA. на лету по этому индикатору обучение не очень хорошо происходит, но если совершить определенное кол-во проходов по истории, то результат впечатляет. однако, на следующем, неизвестном сети, периоде уже все не так красиво и частенько даже совсем печально.
с комбинациями скользящих средних другая ситуация. там наоборот сеть лучше угадывает события при обучении на лету, но плохо обучается на истории даже при большом количестве проходов.
использую период H4, т.к. на более мелких периодах все еще печальнее. ваш советник, кстати, на H4 дает лучший результат, чем на M5. это если брать период с 29.10.2008, как в вашем примере, по сейчас.
вот интересно узнать по какому принципу у вас вычисляется погрешность, т.е. каким образом вы определяете эталонные значения для обучения сети?
Очень хорошие вопросы!
Ушла писать развернутые ответы.
За сегодня постараюсь уложиться.
:)))
Зачем усе так усложнять не понемаю.
Переделала, перекомпоновала в один файл.
А каким образом перекомпоновывается из .def в .mq4 ? Вы это вручную или автоматом? Если можно утилитку такую...
А нельзя-ли сделать нейросоветник работающий на предварительно подготовленном текстовом файле, например такого типа или вообще настраиваемого, что бы можно было вводить любую информацию в колонку, строковую, числовую и т.д. ?