Analisis Harga dengan Jaringan Saraf
Halaman 1 dari 462 12 TerakhirTerakhir
Results 1 to 10 of 20

Thread: Analisis Harga dengan Jaringan Saraf

  1. #1
    Tentang Jurnal Ini

    Ini adalah jurnal pribadi saya yang menjelaskan perkembangan saya dari jaringan syaraf tiruan untuk mencoba mendapatkan keuntungan statistik di pasar pada beberapa jangka waktu. Saya akan posting kemajuan saya ketika saya mencapai tonggak, dan kita akan melihat bersama apakah itu sebenarnya mungkin untuk mendapatkan keuntungan yang signifikan secara statistik dengan metode pembelajaran mesin.

    Saya juga akan membahas bagaimana saya memproses manajemen uang yang terhubung dengan keuntungan statistik apa pun yang mungkin saya peroleh dengan siswa saya. Saya akan posting simulasi probabilistik kinerja siswa saya menggunakan berbagai teknik manajemen uang.

    Harap diat bahwa saat ini saya cukup berhasil dalam perdagangan (sedikit, ~ 4K akun live) menggunakan pola grafik sederhana dan analisis SR. Saya juga seorang mahasiswa teknik fulltime, tapi jadi sangat mungkin untuk memiliki agen otomatis baik perdagangan dalam ketiadaan saya atau mengingatkan saya tentang pengaturan probabilitas tinggi. Jika perkembangan saya dari indikator iniEA efektif dalam mendapatkan keunggulan, mungkin saya akan merilisnya ke dalam komunitas dalam beberapa bentuk.

    Saya ingin masukan bijaksana Anda ke dalam pita. Pembangunan bekerja paling baik ketika Anda menonton, pasangan yang secara konstruktif kritis - atau gerakan program berpikiran terbuka telah menginstruksikan kita. Oleh karena itu, jika Anda memiliki sesuatu yang berharga untuk ditambahkan, maka silakan dengan segala cara mempostingnya.

  2. #2
    Apa masukannya? Harga murni? PONDOK? Suku bunga? CPI? Kedua, apa kriteria untuk masukkeluar? Mayoritas menang didasarkan pada NN dalam kerangka waktu? Saya cukup terdidik tentang NN, dan jika Anda memperkenalkan noncorrelated (data tanpa ketergantungan linear yang kuat terhadap harga), Anda akan memasukkan kesalahan ke dalam pembelajaran Anda. Saya yakin Anda sudah tahu itu. Jadi pertanyaannya adalah, masukan apa yang sangat terkait? Saya berani bertaruh bahwa Pasar Mata Uang sangat efisien, sehingga data eksternal baru seperti COT dan CPI kemungkinan sepenuhnya terwujud dari harga dalam beberapa menit dari data ini yang dirilis, sehingga lag dan inefisiensi sangat SANGAT kompak. Baik, NN bukanlah percakapan meja makan. Entah Anda mendapatkan apa yang saya katakan atau Anda tidak katakan. Semoga itu membantu.

  3. #3
    Konsep Desain Awal Pertama-tama, penjelasan tentang teori jaringan saraf. Susunan jaringan saraf yang akan saya gunakan sebanding dengan yang ditampilkan dalam gambar di bawah ini. Http://www.gamedev.net/reference/pro...nn/figure1.png Setiap lingkaran yang Anda lihat dari gambar disebut node. Masing-masing simpul berfungsi sebagai tipe operator. Informasi berpindah dari input ke output, dari kiri ke kanan pada gambar. Pada setiap node, input dijumlahkan untuk menciptakan output. Setiap input memiliki bobot yang fleksibel, atau variabel skala, dengan mana ia dikalikan sebelum semuanya dijumlahkan di node. Oke ... jadi kami punya node yang mencakup nilai skala. Bagaimana kita akan memperkirakan tindakan harga di masa mendatang untuk hal ini ?? Nah, ternyata jika Anda memperbaiki bobot ini dengan cara yang cerdas, Anda pada dasarnya dapat melatih jaringan ini untuk mengenali pola pada input dan menghasilkan output yang Anda inginkan sesuai dengan pola tersebut. Jadi di sini adalah desain untuk jaringan: Input gerakan pip Waktu-tertunda. Pada dasarnya ini adalah nilai-nilai yang besarnya sesuai dengan dimensi setiap batang pada grafik dari jangka waktu tertentu. Sebagai contoh, mari kita katakan Anda punya grafik berikut:
    Jika jaringan saraf Anda dirancang untuk memeriksa pola empat-bar, itu akan memiliki 12 input total. Ini adalah, untuk setiap pub, itu akan memiliki input untuk sumbu yang lebih rendah, batang tubuh, dan juga bagian atas belakang. Kedua nilai sumbu baik nol atau positif, dan nilai batang tubuh akan menjadi positif atau negatif. Jadi untuk bagan lilin Anda di atas, Anda akan melihat masukan berikut (kira-kira) dari pengaturan atas | body | reduced: 0.02 | -0.26 | 0.18 | 0.06 | -0.12 | 0.00 | 0.20 | -0.03 | 0.23 | 0.00 | 0.30 | 0.10 karena Anda mungkin telah melihat, semua nilai ini di bawah 1.0; itu karena input ke jaringan saraf harus menjadi kecocokan antara 1 dan -1. Output Jadi sekarang kami memiliki input. Apa yang kita inginkan untuk hasilnya? Mari kita pilih downside dan indikator risiko terbalik untuk berbagai jangka waktu. Katakan ... dua di setiap sisi. Singkatnya: Satu output untuk masa depan Anda tinggi setelah 1 jam. Satu output untuk masa depan Anda setelah 4 jam. Satu output untuk masa depan Anda rendah setelah 1 jam. Satu output untuk masa depan Anda rendah setelah 4 jam. Untuk melatih sistem, kita melihat tinggi dan terendah setelah pola input, menghitung output, kemudian menggunakan apa yang disebut algoritma back-propogation untuk menyesuaikan bobot jaringan sehingga output yang diinginkan muncul ketika kita menyajikan pola input tersebut. Kami kemudian melakukan ini melalui sejumlah besar kombinasi inputoutput, dan kami diharapkan akan tiba dengan komunitas yang, ketika disajikan dengan set input baru, dapat meramalkan masa depan tinggi dan terendah dengan beberapa tingkat akurasi. Ketika kita memiliki komunitas yang dapat meramalkan masa depan dan posisi terendah di masa mendatang, kita dapat menempatkan perdagangan dengan level TP dan SL yang memaksimalkan kemungkinan keberhasilan kita. Kita juga dapat memilih untuk hanya mengambil perdagangan yang memiliki rasio risiko-imbalan yang baik. Sebagai contoh, kita dapat memilih untuk hanya membeli ketika jaringan memprediksi rasio 2: 1 tinggi ke rendah, dan hanya menjual untuk inverse. Ini dapat membantu membatasi eksposur pasar terhadap risiko, sambil memaksimalkan peluang statistik keberhasilan. Jika Anda menginginkan informasi lebih lanjut tentang jaringan syaraf, lihatlah entri Wikipedia di
    http://en.wikipedia.org/wiki/Artificial_neural_network. Harapkan artikel lain segera tentang perangkat lunak (khusus) dan informasi yang akan saya gunakan untuk pelatihan dan pengaturan jaringan.

  4. #4
    Quote Originally Posted by ;
    Nah, NN bukanlah percakapan meja makan. Apakah Anda mendapatkan apa yang saya katakan atau tidak. Semoga itu membantu.
    Mereka ada di rumah saya
    . Atau setidaknya ketika saya bekerja kembali di departemen Neuroengineering di UPenn. Harapannya adalah jaringan akan memiliki kemampuan untuk mempelajari pola kompleks setelah sejumlah besar ilustrasi. Saya akan memisahkan data menjadi beberapa bagian dan melakukan pelatihanpengujianvalidasi putaran-robin dengan banyak reinkarnasi dari jaringan syaraf yang dipertanyakan. Saya akan memiliki jaringan untuk jangka waktu yang signifikan. Mungkin satu untuk 15 menit, satu untuk 1 jam, satu untuk 4 jam, dan satu untuk harian. Setelah masing-masing dilatih dengan tepat, saya harus bereksperimen dengan skema kesimpulan perdagangan yang berbeda. Yang paling jelas adalah proses pengambilan keputusan mayoritas suara atau mungkin dengan suara bulat. Program-program ini juga hanya berfungsi sebagai peringatan untuk mendapatkan instalasi dengan probabilitas tinggi, dan kemudian analisis teknis dan mental diskresioner dapat memberi tahu keputusan perdagangan terakhir.

  5. #5
    Perangkat Lunak Saya akan menulis program CC saya sendiri yang disesuaikan yang menangani input data dan merakit koleksi pelatihanpengujian informasi. Program saya juga akan menangani pelatihan dan pengujian jaringan saraf yang dibuat. Sistem saraf itu sendiri mungkin akan dieksekusi menggunakan paket perangkat lunak berkinerja tinggi yang disebut Jaringan Syaraf Tiruan Buatan (Fast Artificial Neural Network).
    http://leenissen.dk/fann/). Ini memiliki binding untuk banyak bahasa, tetapi saya akan menggabungkan perpustakaan dengan program CC untuk efisiensi maksimum. Akhirnya saya mungkin akan memeriksa hasil secara visual dengan memprogram indikator MT4 yang menunjukkan output sistem ke grafik.

  6. #6
    Semuanya tampak hebat, itu menyerupai banyak orang yang tertarik pada jaringan saraf yang digunakan di Valuta Asing setelah sukses besar EA menurut jaringan saraf dalam kontes EA.

  7. #7
    Quote Originally Posted by ;
    semuanya tampak baik, sepertinya banyak orang mulai tertarik dengan jaringan saraf yang diterapkan di Mata Uang Asing setelah sukses besar EA menurut jaringan saraf dalam kontes EA.
    Saya seharusnya. Minat saya tentu saja diperbarui setelah melihat ini di Kejuaraan Perdagangan Otomatis MetaTrader, tapi saya awalnya mulai meneliti NN dan metode pembelajaran mesin lainnya dalam kaitannya dengan analisis pasar pada akhir tahun 2006. Selain itu, jaringan saraf ini mungkin akan membaca aksi harga langsung daripada indikator yang dihitung, seperti yang dilakukan EA pemenang saat ini. Saya sudah beberapa perubahan baru pada rencana saya yang akan saya posting ketika saya lebih waspada dan tidak harus menyelesaikan desain VHDL sebelum jam 11 besok
    .

  8. #8
    Alih-alih mengubah nilai numerik dari penekanan ini ke nilai pip, mungkin akan lebih baik daripada memimpin semacam histogram probabilitas. Artinya, untuk setiap periode waktu yang dipertimbangkan, memiliki sepasang output sebagai berikut (misalnya): Kemungkinan prospektif tinggi 100 pips Peluang prospektif tinggi 50 pips Peluang prospektif tinggi 30 pips Peluang prospektif tinggi 20 pips Kemungkinan prospektif tinggi 10 pips Kemungkinan prospektif rendah -10 pips Kemungkinan prospektif rendah -20 pips Kemungkinan prospektif rendah -30 pips Kemungkinan prospektif rendah -50 pips Kemungkinan prospektif rendah -100 pips Oleh karena itu, setiap sinyal output akan memprediksi kemungkinan, mengingat pola arus pada sinyal input, tinggi atau rendah masa depan adalah jarak tertentu terpisah dari harga saat ini. Menekan ini mungkin akan lebih disukai karena alasan yang menjadi jelas setelah Anda memanfaatkan NN untuk sementara waktu. Semua alat pembelajaran mesin akhirnya menjadi sejenis analisis statistik, tetapi NN khususnya demikian, karena tujuan di bawah minimisasi adalah kesalahan rata-rata-kuadrat Anda dalam pengumpulan data dari output mereka versus tujuan. Diterjemahkan: output umumnya cenderung ke mean dari tujuan mereka. Jadi, jika Anda mendapatkan 100 ilustrasi pola dan perubahan masa depannya sendiri di sekitar rata-rata, jaringan akan belajar untuk hanya menghasilkan yang berarti. Sedih untuk mengatakan, artinya tidak memberi tahu kami apa pun tentang bentuk pasokan ini. Bayangkan jika 50 dari 100 kasus ini hanya memindahkan sepuluh pips, bersama dengan 50 pips 100 pips lagi? Jaringan akan memberi tahu kita bahwa gerakan yang diharapkan itu rata-rata (10.100) = 55 pips, ketika gerakan ini bahkan tidak pernah terjadi! Bekerja dengan sepasang percikan berbasis histogram, bagaimanapun, kita akan melihat bahwa kekuatan output dari simpul-simpul yang sesuai dengan 10 dan 100 keduanya 0,5, dan kekuatan yang melekat pada node lainnya adalah 0. Jadi, ketika membangun algoritma yang benar-benar menggunakan output ini untuk berdagang, kita bisa menganalisis tidak hanya rata-rata dari perubahan harga yang diharapkan tetapi suplai. Perhatikan bahwa dengan membagi kisaran yang akan datang ke dalam keranjang dan jangka waktu harga yang cukup, kita akan mendapatkan sepasang output yang terlihat seperti gambar seperti berikut:
    Untuk melatih, menguji, dan terutama berdagang secara otomatis berdasarkan dari gambar akan sangat memakan waktu, namun, jadi kami akan mematuhi pasangan sampah dan kerangka waktu yang lebih ringkas untuk saat ini. Semua parameter jaringan ini dan sistem pelatihanpengujian akan tersebar, namun, jika jaringan ternyata berharga dan melatihmenguji dengan cepat, mungkin kita dapat mencoba meningkatkan resolusi dengan memasukkan lebih banyak keranjang dan kerangka waktu.

  9. #9
    Hai Drummer!
    Saya berharap bahwa utas ini akan menjadi sangat menyenangkan dan pengalaman belajar yang luar biasa! Saya punya beberapa pertanyaan, satu di input dan satu di output. 1. Apakah Anda akan mengubah jumlah bar yang digunakan untuk menghasilkan parameter input dengan mudah? Jika memang demikian, ini menciptakan tingkat kebebasan yang lain tetapi dapat memberikan wawasan tentang bagaimana panjang pola prediksi memengaruhi fungsionalitas. Apakah 4-bar NN lebih atau kurang berhasil daripada NN 10-bar, hal semacam itu. 2. Saya tahu mengapa Anda beralih ke distribusi, seperti biasanya saya melihat perincian kuartil dalam penelitian saya. Namun, masih sulit untuk ditukar dari distribusi. Bagaimana dengan memanfaatkan pilihan perdagangan nyata sebagai output? Mungkin ada tiga faktor; variabel tindakan untuk membeli, menahan atau menjual dengan nilai (-1,0,1), nilai SL dalam pips dan nilai TP dalam pips (karena input Anda diukur dalam pips yang saya percaya). Jika Anda kembali-propogate, maka Anda akan membandingkan output nyata dengan output yang sempurna. Sebagai contoh, jika selama periode pengujian, harga mencapai titik terendah 37 pips di bawah penutupan output terakhir dan 19 pips pada penutupan itu, maka perdagangan yang ideal bisa berubah menjadi penjualan dengan menghentikan 19 pips dan TP sebesar 37 pips, yaitu hasil dari (-1,19,37). Saya tidak pernah bekerja dengan perangkat lunak NN dan bahwa saya hanya mengetahui dasar-dasar teori dan pengaturan jaring, jadi ini mungkin tidak masuk akal.
    Apa yang kamu percayai?

  10. #10
    Quote Originally Posted by ;
    1. Apakah Anda akan memvariasikan jumlah bar yang digunakan untuk menghasilkan parameter input dengan mudah? Jika memang demikian, ini menciptakan tingkat kebebasan yang lain tetapi dapat memberikan wawasan tentang bagaimana rentang pola prediktif mempengaruhi kinerja. Apakah NN 4-bar kurang lebih efektif daripada NN 10-bar, hal semacam itu.
    iya nih

    Quote Originally Posted by ;
    2. Saya tahu mengapa Anda berubah menjadi pasokan, karena saya biasanya melihat kerusakan kuartil dalam penelitian saya sendiri. Namun, masih sulit untuk mengganti pasokan. Bagaimana dengan menggunakan pilihan perdagangan nyata sebagai sinyal output? Mungkin ada tiga variabel; variabel tindakan untuk membeli, menahan atau menjual dengan nilai (-1,0,1), nilai SL dalam pips dan nilai TP dalam pips (karena input Anda diukur dalam pips yang saya percaya). Ketika Anda kembali-propogate, maka Anda akan membandingkan output nyata dengan output yang sempurna. Sebagai contoh, jika selama interval evaluasi, harga mencapai titik terendah 37 pips di bawah penutupan output sebelumnya dan 19 pips di atas yang dekat, maka perdagangan yang sempurna bisa berubah menjadi penjualan dengan berhenti 19 pips dan TP 37 pips, yaitu sinyal hasil (-1,19,37). Saya tidak pernah bekerja dengan perangkat lunak NN dan bahwa saya hanya mengetahui dasar-dasar konsep dan struktur jaring, jadi ini mungkin tidak masuk akal.
    Apa yang kamu percayai?
    Data perdagangan sempurna yang Anda sebutkan sebenarnya adalah apa yang saya bicarakan dalam posting saya berikutnya di jurnal ini. Apa yang Anda maksud adalah menargetkan masa depan rendah dan tinggi untuk setiap pola masukan. Sinyal belijual sebenarnya berlebihan, asalkan Anda dapat menghitungnya dengan pepatah (highgt; rendah) * 2-1. Setelah melatih pada satu set besar pola-pola ini, tetapi jaringan syaraf mungkin akan belajar untuk mengeluarkan rasa nilai-nilai ini di atas set pola yang sebanding. Sebaliknya, saya lebih suka memiliki jaringan mempelajari pasokan. Mengetahui distribusi statistik sebelumnya memungkinkan Anda untuk membuat egi berdasarkan probabilitas yang dihitung untuk mencapai titik harga yang berbeda. Sebagai contoh, kita digunakan untuk konsep mengambil perdagangan dengan 2: 1 atau 3: 1 TP ke rasio SL, tetapi kita tidak dapat memastikan bahwa mereka benar-benar akan meningkatkan kemenangan kita, karena tanpa tepi prediktif, lebih dekat berhenti umumnya lebih cenderung menjadi hit daripada mengambil untung lebih lanjut. Jika kita tahu distribusi statistik dari titik harga selama satu jam berikutnya (atau hari, atau minggu ... apa saja), kita dapat menetapkan stop yang, secara historis, sebenarnya dua kali lebih mungkin untuk diserang daripada tingkat take profit kita. Idealnya, kita akan memiliki kemampuan untuk memilih perdagangan yang sangat kemungkinan tinggi dan imbalan yang tinggi, di mana akhirnya tidak mungkin disambar, profit taking sangat mungkin akan terpukul, dan take profit secara signifikan lebih jauh daripada akhirnya. . Warren Buffet selalu mengaitkan kesuksesannya dalam menciptakan investasi berisiko rendah dan bernilai tinggi. Tujuan kami harus sama - yaitu, untuk memaksimalkan kemungkinan menang sambil mengurangi kemungkinan kehilangan - atau dalam kondisi trader: untuk memiliki keunggulan di pasar.

Similar Threads

  1. Huskins, analisis tindakan Harga Harian Jurnal Video
    By wahhido03 in forum Pendidikan Forex
    Balasan: 20
    Postingan Terakhir: 12-22-2021 14:45, 02:45 PM
  2. Scalping ekstrim menggunakan jaringan saraf - EAManual
    By Cesahideh in forum Sistem dan Strategi Perdagangan
    Balasan: 40
    Postingan Terakhir: 12-07-2021 15:49, 03:49 PM
  3. FR2 - Analisis Pasangan dengan Perdagangan
    By Whoucho53 in forum Sistem dan Strategi Perdagangan
    Balasan: 22
    Postingan Terakhir: 07-03-2018 00:56, 12:56 AM
  4. Analisis Harga dengan Jaringan Saraf
    By ahybehgkminixneox7 in forum Sistem dan Strategi Perdagangan
    Balasan: 19
    Postingan Terakhir: 05-30-2018 04:43, 04:43 AM
  5. Huskins, analisis tindakan Harga Harian Jurnal Video
    By wahhido03 in forum Sistem dan Strategi Perdagangan
    Balasan: 20
    Postingan Terakhir: 06-03-2006 21:46, 09:46 PM

Izin Posting

  • Anda tidak boleh memposting thread baru
  • Anda tidak boleh memposting balasan
  • Anda tidak boleh memposting lampiran
  • Anda tidak boleh menyunting postingan Anda
  •  
  • Kode BB Aktif
  • Smilies Aktif
  • Kode [IMG] Aktif
  • Kode [VIDEO] Aktif
  • Kode HTML tidak aktif
This website uses cookies
We use cookies to store session information to facilitate remembering your login information, to allow you to save website preferences, to personalise content and ads, to provide social media features and to analyse our traffic. We also share information about your use of our site with our social media, advertising and analytics partners.