Neuronale netzwerke forex ซื้อขาย

Neuronales Netz Neuronales Netz ist eines der neueren Schlagworten im ฮันเดล. Es klingt cool und anspruchsvolle. Nicht zu viele Leute scheinen zu verstehen เป็น alles ber neuronale Netze sind. Neuronen in der realen Welt Unsere Gehirne sind phnomenal kompliziert. ถูก fr die meisten berraschend, jedoch, ist, dass das Gehirn mehr อื่น ๆ weniger eine riesige Kiste Schaltungen. Neuronen sind Zellen, die wie Schaltungen mit quotelektrischen Leitungenquot, axone axone, das auslaufen und ber den menschlichen Krper verbinden. การตรวจสอบความถูกต้อง Jede Bewegung, Wahrnehmung หรือ Aktion, ตาย Sie tun, ist ตาย Summe der Die Axone, ตายแรงกระตุ้น Impulsje. nderung tritt auf, wenn die Frequenz des elektrischen Impulse von den Neuronen gesendet variiert. ความแปรปรวนของความเครียด Weitere Impulse zu einer Reaktion fhren. eine Verringerung der wwirkt, dass eine andere Neuronale Netze versucht, die Prozesse des menschlichen การบริหารงานบุคคลธรรมดา, indem die องค์กร von Informationen in den Neuronen. Im Gegensatz zu tatschlichen Neuron Zellen, eine Neuron Netzwerk ดำรงอยู่ในโรงพยาบาล Es ist ein Maschinengewicht, ตายข้อมูล Informationen darber, was unter Studie. Ein neuronales Netz fr ein Handelssystem mchten gemeinsame จัดทำขึ้นเพื่อให้แน่ใจว่าได้รับการอนุมัติจากผู้เชี่ยวชาญและผู้จัดจำหน่าย Der gleitende Durchschnittswert fr die aktuelle บาร์ zhlt als eigenes neuron. Die RSI ist anders, ดังนั้น wird es ein แยก Neuron sein. Wenn ich zehn อ้างว้างใน meinem Werkzeugkasten haben, dann habe ich 10 คนที่อยู่ใน meinem Netzwerk. คอมพิวเตอร์ที่มีลักษณะเป็นเส้นตรงปัญหาที่เกิดขึ้น Wenn Sie das Ergebnis der mathematischen การดำเนินการตายของ Kubikwurzel จาก Wissen 355, คอมพิวเตอร์ที่สมบูรณ์แบบตาย Aufgabe. แอนท์วอร์ท (Berechnen sie schnell eine przise Antwort) Wie im menschlichen Gehirn, Neuronale Netze รูปแบบและสถาบันการตลาด. Wenn geschult, Gruppen von Nervenzellen knnen lernen, บุคคลที่มีความเชี่ยวชาญ Es ist diese Eigenschaft, ตาย neuronale Netze เพื่อ ntzlich macht. Dies ermglicht es uns, โปรแกรม zu erstellen, die mit traditionellen คอมพิวเตอร์ unmglich wre. โปรแกรมซอฟต์แวร์ Erstellen eines, ein Gesicht zu erkennen, zum Beispiel, extrem schwierig wre. Es ist viel einfacher, ein Netzwerk, ein gesicht zu erkennen, indem er immer wieder zeigt ตาย Netzwerk-Gesichter zu trainieren Das Gehirn ist ein faszinierendes เกี่ยวกับ Thema aus eigenem Recht. Nebenbei bemerkt, Meine Frau und nich nehmen einen Umfrage-Kurs in der Neurologie ber eine วิดีโอเซเรียอา Kurse ที่ยิ่งใหญ่ Wenn Sie Interesse มีส่วนร่วมใน Gegenstand ยืน, Ich empfehle Verstehen des Gehirns von Jeanette Norden Es umfasst im Detail wie Neuronen กายวิภาคศาสตร์ด้านบนและด้านความปลอดภัย Krpers verbinden. Neuronale Netze และ Devisenhandel Neuronale Netze เล่นเกม Spear, wenn ตาย Antwort nicht so ist przise. Kleben mit diesem บล็อก Thema Devisenhandel, Es gibt keine richtige, ได้รับการยืนยันโดย Das perfekte System fr den Handel. Ein typischer Privatanleger knnte sagen, das beste ระบบ fr den มือหนึ่ง, der das meiste Geld macht. Ein anderes knnte sagen, dass bestas ระบบ fr den มือถือที่มีอัตราส่วนของ Sharpe. Viele Wollen etwas in der Mitte Das ปัญหา der quotBest การซื้อขาย Systemquot ist mehrdeutig, wodurch es eenen idealen Kandidat fr Angriffe mit neuronalen Netzen. Die Design-Konturen-Stze von Vorschriften, Die, Laut des Hndlers, Bilden Sie eine Numerische เป็นระบบที่ดีที่สุด Menschliche Gehirn hosten etwa 100 Milliarden Neuronen. Trotz der Bemhungen vieler unserer Kunden, Ich habe noch mit treffen 100 มิลเลนเนียม Marktindikatoren zur Verfgung. Eine Mglichkeit, verstraken die Wirkung von Neuronen ในกล่องเครื่องมือ unserer ist auf ausgeblendete Ebenen erstellen. Ein Netzwerk ได้รับการปรับปรุงโดย Schichten, jeweils mit mehreren Neuronen gebildet. Jedes Neuron ist mit jedem Neuron ในภาพยนตร์เรื่อง Ebene verbunden. เจดีย์ Verbindung dann trgt seine eigene einzigartigen gewichteten Wert Eine Neuron wird des Wert des Neurons เพิ่มทวีคูณและลดขนาดลง Gewicht des die ausgehende Verbindung auf dessen Wert bergeben. Das Neuron am Ende ตาย ausgehende Verbindung wird zusammenfassend alle eingehenden Verbindungen und propagieren dieses Ergebnis auf die nchste Ebene durch alle ausgehenden Verbindungen. เครื่องคิดเลขตาย ห้องเรียน 1 ห้องนอน Die 2 und 3 auf der linken ลงโทษตาย Neting. Diese Eingnge erhalten durch das Gewicht der Verbindung ในทางตรงกันข้าม Ebene multipliziert. Die 2 multipliziert mit dem 0.5 geben uns 1, und 3 von 2 geben uns 6. Die zweite Schicht enthlt einen การตายของแม่พิมพ์ตายไป Ergebnisse aus der vorherigen Schicht, geben uns 7. Der derstoffe Schritt wre zu vermehren 7 durch die Gewichte auf die ausgehenden Verbindungen und bergeben Sie เมื่อเทียบกับ Ebene วันที่ 1: Ein Beispiel fr ein neuronales Netz, ตาย Weitergabe der Ergebnisse nach vorn. Das kurze Beispiel oben knnen wiederholt และในรูปแบบ eines greren Netzwerks miteinander verkettet werden. Unter ใน Abbildung 2, Wir haben ein Beispiel eines greren Netzwerks. Beispielnetzwerk hat 3 คนตาย, ตาย verborgene Ebene verbunden sind. ตาย verborgene Ebene wird dann zu einz einzigen ausgang angeschlossen อ่านเพิ่มเติมเกี่ยวกับ Ebenen werden Schulungen zu erleichtern Je komplexer das ปัญหา je mehr Schichten และ Knoten erforderlich. วันที่ 2: Ein Beispiel fr ein greres neuronales Netz Das Netz lernt durch die Gewichte viele Verbindungen aktualisieren. Es gibt viele ซอฟท์แวร์, ซอฟแวร์สำหรับการประมวลผล, ตาย werden, wlwen ใน neuronalen Netzen zu erreichen. Sie fallen in zwei คนขายของชำ, คนขายอัญมณีและหลังการเก็บเกี่ยว. Betreutes lernen geschieht mit dem พวกเขาจะได้พบกับ Netzwerk zu sagen, wenn seine Vorhersagen korrekt sind. Das Netzwerk dann berechnet seine Fehler und einem der Algorithmen verwendet, um den Fehler zu beheben. เกี่ยวกับผู้แต่ง Ein Beispiel hierfr ist die umgekehrte Vermehrung, ตาย Fehler der Vorhersage des Netzes berechnet. อัลกอริธึม dann alle Gewichte Verbindung mit diesem Fehler aktualisieren. Umgekehrte Vermehrung ist eine der hufigeren กลยุทธ์การฝึกอบรม Unberwachtes Lernen verwendet irgendeine ศิลปะการออกกำลังกายอื่น ๆ ให้คะแนน - อัลกอริทึมในรูปแบบต่างๆของ Netzwerk wird Ergebnis และเลือกจาก Vershub zu verbessern. Ein Beispiel fr unbeaufsichtigt การฝึกอบรมเกี่ยวกับ Algorithmus. อัลกอริธึม Dieser erstellt eine Bevlkerung von neuronalen Netzen und verwendet ein Bewertungsalgorithmus entickelt, die vom Benutzer zum Rang der Bevlkerung. Danach, Es ist berleben der strksten. Die Top-Rang-Netze ปล่อยให้น้ำหมึกและเครื่องดื่มที่ไม่มีแอลกอฮอล์และพลาสม่า Platz geworfen bekommen. Die Netze reproduzieren, indem mischen und Anpassen der Verbindung Gewichte. Neuronale Netze knnen erheblich Systeme Hndler ihre Algorithmechnik durch erforschen มิลเลนเนียมคอมเพรสเซอร์ที่ไม่มีการเชื่อมต่อกล่องเครื่องมือกล่องเครื่องมือ Dies unterscheidet sich vom standard-Optimierung, die wird Zahlen in verschiedenen เครื่องดูดควัน, die auf der Suche nach คือ Kombination gibt das meiste Geld zurck. Die Tatsache, dass Netzwerke knnen mehrere Manahmen zu prfen (Gleichgewicht, Sharpe-Ratio, etc. ) ด้วยความตั้งใจที่ดีที่สุดที่จะทำให้ดีขึ้น Handelssystem verringern hilft die Wahrscheinlichkeit, dass esine bestimme Manahme overemphasizes. Ein gutes Beispiel dafr ist Kontostand. Wenn ein ระบบ das geben und nehmen zwischen ตาย Nettorendite und dem Risiko angepasst wiegt zurck, Es เริ่มต้นด้วย Schritt weg von der Zahlenverarbeitung จะดีกว่า Zahlen zu nutzen und weiter ใน Richtung tatschliche Lern - und Muster-Anerkennung. Neuronale Netze erweisen sich al s sehr ntzlich ใน einer Vielzahl von Anwendungen von Gesichtserkennung nach Whrung Markt Vorhersagen Sie เก่ง wo gibt es Muster, ตาย schwierig fr uns, zu erkennen sind. Diese Fhigkeit macht การเชื่อมต่อเครือข่ายไร้สาย Wert bei der Lsung schlientiger ปัญหาที่เกิดขึ้นกับ Variablen. Hinterlasse eine Antwort Antwort AbbrechenMetaTrader ที่ปรึกษาผู้เชี่ยวชาญ Neuronales Netz ist eines der neueren Schlagworten im Handel. Es klingt cool und anspruchsvolle. Nicht zu viele Leute scheinen zu verstehen เป็น alles ber neuronale Netze sind. Neuronen in der realen Welt Unsere Gehirne sind phnomenal kompliziert. ถูก fr die meisten berraschend, jedoch, ist, dass das Gehirn mehr อื่น ๆ weniger eine riesige Kiste Schaltungen. Neuronen sind Zellen, die wie Schaltungen mit quotelektrischen Leitungenquot, axone axone, das auslaufen und ber den menschlichen Krper verbinden. การตรวจสอบความถูกต้อง Jede Bewegung, Wahrnehmung หรือ Aktion, ตาย Sie tun, ist ตาย Summe der Die Axone, ตายแรงผลักดันที่เกิดขึ้น. nderung tritt auf, wenn die Frequenz des elektrischen Impulse von den Neuronen gesendet variiert. ความแปรปรวนของความเครียด Weitere Impulse zu einer Reaktion fhren. eine Verringerung der wwirkt, dass eine andere Neuronale Netze versucht, die Prozesse des menschlichen การบริหารงานบุคคลธรรมดา, indem die องค์กร von Informationen in den Neuronen. Im Gegensatz zu tatschlichen Neuron Zellen, eine Neuron Netzwerk ดำรงอยู่ในโรงพยาบาล Es ist ein Maschinengewicht, ตายข้อมูล Informationen darber, was unter Studie. Ein neuronales Netz fr ein Handelssystem mchten gemeinsame จัดทำขึ้นเพื่อให้แน่ใจว่าได้รับการสนับสนุนจาก RSI และ Stochastik Oszillator Der gleitende Durchschnittswert fr die aktuelle บาร์ zhlt als eigenes neuron. Die RSI ist anders, ดังนั้น wird es ein แยก Neuron sein. Wenn ich zehn อ้างว้างใน meinem Werkzeugkasten haben, dann habe ich 10 คนที่อยู่ใน meinem Netzwerk. คอมพิวเตอร์ที่มีลักษณะเป็นเส้นตรงปัญหาที่เกิดขึ้น Wenn Sie das Ergebnis der mathematischen การดำเนินการตายของ Kubikwurzel จาก Wissen 355, คอมพิวเตอร์ที่สมบูรณ์แบบตาย Aufgabe. แอนท์วอร์ท (Berechnen sie schnell eine przise Antwort) Wie im menschlichen Gehirn, Neuronale Netze รูปแบบและสถาบันการตลาด. Wenn geschult, Gruppen von Nervenzellen knnen lernen, บุคคลที่มีความเชี่ยวชาญ Es ist diese Eigenschaft, ตาย neuronale Netze เพื่อ ntzlich macht. Dies ermglicht es uns, โปรแกรม zu erstellen, die mit traditionellen คอมพิวเตอร์ unmglich wre. โปรแกรมซอฟต์แวร์ Erstellen eines, ein Gesicht zu erkennen, zum Beispiel, extrem schwierig wre. Es ist viel einfacher, ein Netzwerk, ein gesicht zu erkennen, indem er immer wieder zeigt ตาย Netzwerk-Gesichter zu trainieren Das Gehirn ist ein faszinierendes เกี่ยวกับ Thema aus eigenem Recht. Nebenbei bemerkt, Meine Frau und nich nehmen einen Umfrage-Kurs in der Neurologie ber eine วิดีโอเซเรียอา Kurse ที่ยิ่งใหญ่ Wenn Sie Interesse มีส่วนร่วมใน Gegenstand ยืน, Ich empfehle Verstehen des Gehirns von Jeanette Norden Es umfasst im Detail wie Neuronen กายวิภาคศาสตร์ด้านบนและด้านความปลอดภัย Krpers verbinden. Neuronale Netze และ Devisenhandel Neuronale Netze เล่นเกม Spear, wenn ตาย Antwort nicht so ist przise. Kleben mit diesem บล็อก Thema Devisenhandel, Es gibt keine richtige, ได้รับการยืนยันโดย Das perfekte System fr den Handel. Ein typischer Privatanleger knnte sagen, das beste ระบบ fr den มือหนึ่ง, der das meiste Geld macht. Ein anderes knnte sagen, dass bestas ระบบ fr den มือถือที่มีอัตราส่วนของ Sharpe. Viele Wollen etwas in der Mitte Das ปัญหา der quotBest การซื้อขาย Systemquot ist mehrdeutig, wodurch es eenen idealen Kandidat fr Angriffe mit neuronalen Netzen. Die Design-Konturen-Stze von Vorschriften, Die, Laut des Hndlers, Bilden Sie eine Numerische เป็นระบบที่ดีที่สุด Menschliche Gehirn hosten etwa 100 Milliarden Neuronen. Trotz der Bemhungen vieler unserer Kunden, Ich habe noch mit treffen 100 มิลเลนเนียม Marktindikatoren zur Verfgung. Eine Mglichkeit, verstraken die Wirkung von Neuronen ในกล่องเครื่องมือ unserer ist auf ausgeblendete Ebenen erstellen. Ein Netzwerk ได้รับการปรับปรุงโดย Schichten, jeweils mit mehreren Neuronen gebildet. Jedes Neuron ist mit jedem Neuron ในภาพยนตร์เรื่อง Ebene verbunden. เจดีย์ Verbindung dann trgt seine eigene einzigartigen gewichteten Wert Eine Neuron wird des Wert des Neurons เพิ่มทวีคูณและลดขนาดลง Gewicht des die ausgehende Verbindung auf dessen Wert bergeben. Das Neuron am Ende ตาย ausgehende Verbindung wird zusammenfassend alle eingehenden Verbindungen und propagieren dieses Ergebnis auf die nchste Ebene durch alle ausgehenden Verbindungen. เครื่องคิดเลขตาย ห้องเรียน 1 ห้องนอน Die 2 und 3 auf der linken Seite sind ตาย Eingnge ins Netz. Diese Eingnge erhalten durch das Gewicht der Verbindung ในทางตรงกันข้าม Ebene multipliziert. Die 2 multipliziert mit dem 0.5 geben uns 1, und 3 von 2 geben uns 6. Die zweite Schicht enthlt einen การตายของแม่พิมพ์ตายไป Ergebnisse aus der vorherigen Schicht, geben uns 7. Der derstoffe Schritt wre zu vermehren 7 durch die Gewichte auf die ausgehenden Verbindungen und bergeben Sie เมื่อเทียบกับ Ebene วันที่ 1: Ein Beispiel จาก ein neuronales Netz, die Weitergabe der Ergebnisse nach vorn. Das kurze Beispiel oben knnen wiederholt และในรูปแบบ eines greren Netzwerks miteinander verkettet werden. Unter ใน Abbildung 2, Wir haben ein Beispiel eines greren Netzwerks. Beispielnetzwerk hat 3 คนตาย, ตาย verborgene Ebene verbunden sind. ตาย verborgene Ebene wird dann zu einz einzigen ausgang angeschlossen อ่านเพิ่มเติมเกี่ยวกับ Ebenen werden Schulungen zu erleichtern Je komplexer das ปัญหา je mehr Schichten และ Knoten erforderlich. วันที่ 2: Ein Beispiel fr ein greres neuronales Netz Das Netz lernt durch die Gewichte viele Verbindungen aktualisieren. Es gibt viele ซอฟท์แวร์, ซอฟแวร์สำหรับการประมวลผล, ตาย werden, wlwen ใน neuronalen Netzen zu erreichen. Sie fallen in zwei คนขายของชำ, คนขายอัญมณีและหลังการเก็บเกี่ยว. Betreutes lernen geschieht mit dem พวกเขาจะได้พบกับ Netzwerk zu sagen, wenn seine Vorhersagen korrekt sind. Das Netzwerk dann berechnet seine Fehler und einem der Algorithmen verwendet, um den Fehler zu beheben. เกี่ยวกับผู้แต่ง Ein Beispiel hierfr ist die umgekehrte Vermehrung, ตาย Fehler der Vorhersage des Netzes berechnet. อัลกอริธึม dann alle Gewichte Verbindung mit diesem Fehler aktualisieren. Umgekehrte Vermehrung ist eine der hufigeren กลยุทธ์การฝึกอบรม Unberwachtes Lernen verwendet irgendeine ศิลปะการออกกำลังกายอื่น ๆ ให้คะแนน - อัลกอริทึมในรูปแบบต่างๆของ Netzwerk wird Ergebnis เลือกและใช้งานได้ดีกับ Versuch zu verbessern. Ein Beispiel fr unbeaufsichtigt การฝึกอบรมเกี่ยวกับ Algorithmus. อัลกอริธึม Dieser erstellt eine Bevlkerung von neuronalen Netzen und verwendet ein Bewertungsalgorithmus entickelt, die vom Benutzer zum Rang der Bevlkerung. Danach, Es ist berleben der strksten. Die Top-Rang-Netze ปล่อยให้น้ำหมึกและเครื่องดื่มที่ไม่มีแอลกอฮอล์และพลาสม่า Platz geworfen bekommen. Die Netze reproduzieren, indem mischen und Anpassen der Verbindung Gewichte. Neuronale Netze knnen erheblich Systeme Hndler ihre Algorithmechnik durch erforschen Milliarden Kombinationen unter eine relativ kleine กล่องเครื่องมือของเราจะไม่สามารถใช้งานได้ Dies unterscheidet sich vom standard-Optimierung, die wird Zahlen in verschiedenen เครื่องดูดควัน, die auf der Suche nach คือ Kombination gibt das meiste Geld zurck. Die Tatsache, dass Netzwerke knnen mehrere Manahmen zu prfen (Gleichgewicht, Sharpe-Ratio, etc. ) ด้วยความตั้งใจที่ดีที่สุดที่จะทำให้ดีขึ้น Handelssystem verringern hilft die Wahrscheinlichkeit, dass esine bestimme Manahme overemphasizes. Ein gutes Beispiel dafr ist Kontostand. Wenn ein ระบบ das geben und nehmen zwischen ตาย Nettorendite und dem Risiko angepasst wiegt zurck, Es เริ่มต้นด้วย Schritt weg von der Zahlenverarbeitung จะดีกว่า Zahlen zu nutzen und weiter ใน Richtung tatschliche Lern - und Muster-Anerkennung. Neuronale Netze erweisen sich al s sehr ntzlich ใน einer Vielzahl von Anwendungen von Gesichtserkennung nach Whrung Markt Vorhersagen Sie เก่ง wo gibt es Muster, ตาย schwierig fr uns, zu erkennen sind. Diese Fhigkeit macht Netzwerke von unschtzbarem Were bei der Lsung schweriger ปัญหาที่เกิดขึ้น Variablen. MetaTrader 4 - Beispiele Rezepte f252r neuronale Netzwerke Einleitung Es ist ไม่มี not so niche ดังนั้นเธอ, als Hndler noch keine คอมพิวเตอร์ของคุณตายเทคโนโลยีการวิเคราะห์และการจัดการกับ Hilfe von Formeln und Regelmigkeiten, die durch sie erfunden wurden, die zuknftigen Kurse zu prognostizieren. Sie wurden จากอัลส์ Scharlatane bezeichnet Die Zeit verging, die วิธีการจัดส่งข้อมูลให้ถูกต้องและไม่เสียค่าใช้จ่าย Hndler, denen die technische Analyze gleichgltig ist. Jeder Anfnger kann ganz einfach แผนภูมิข้อมูลเกี่ยวกับการจัดทำดัชนี Indchatoren sowie die Suche nach Die Zahl der ฟอร์ด - Hndler wchst tglich Damit steigen auch ตาย Anforderungen fr die เธเธเธดเธเน Eine dieser relativ neuen วิธีการตาย Verwendung von theoretischen Fuzzy-Logiken und neuronalen Netzwerken. Wir stellen fest, dass Fragen zu diesem รูปแบบของตัวละครใน verschiedenen thematischen Foren diskutiert werden. Es gibt และ und wird sie weiterhin geben. Ein Mensch, der den Markt หมวกแก๊ป, wird ihn kaum mehr verlassen. Es ist eine Herausforderung fr ตาย Intelligenz, das Gehirn und die Willensstrke. Deshalb hrt ein Hndler ไม่ระบุ, และเป็น Neues zu lernen und verschiedene Anstze in die ชื่อผู้ใช้. ในเครือข่ายของคุณจะมีการเชื่อมต่อกับเครือข่ายประสาทเทียม Neuronaler Netze และเครือข่ายอื่น ๆ ที่เชื่อมต่อกับเครือข่าย Netz erfahren Auerdem werden wir ein wenig ber die เมทเทนเดอร์ Handelsoptimierung sprechen. Dieser Artikel ist vor allem จาก Hindler gedacht, die am Anfang sind beim Studieren der neuronalen ข้อมูลเพิ่มเติม 1) 10.000 historische Balken eines Whrungspaars 2) 5 Gramm gleitende Durchschnitte (Moving Averages) อื่น ๆ อีกมากมาย - ตายอยู่ Ihre Entscheidung 3) 2-3 Schichten der inversen Verteilung 4 ) Methoden der Optimierung als Fllung) 5) wachsender Saldo und eine steigende Zahl richtig erratenen Richtungen beim Handel. ความเสี่ยงที่เกิดขึ้น Abschnitt I. Rezept der Kohonen-Schicht เริ่มต้นกับพวกเขา Abschnitt fr diemenigen, die ganz am Anfang stehen. Wir werden verschiedene Anstze zum Einarbeiten der Kohonen-Schicht จากอืม genuel zu sein, dessen การแปลงสภาพดิสก์, denn es gibt viele Varianten davon. Es gibt eigentlich nichts เบรคเกอร์และแท่นชาร์จ, alle Erklrungen stammen ฟอน den klassischen อ้างอิงจาก zem diesem Thema. Der Vorteil dieses Kapitels ist ist die groe Anzahl von erluternden ผู้แต่งรายแรกของ ในรูปแบบของการแต่งกายของคุณ: - ตายศิลปะและ Weise wie Kohonen Wichtungsvektoren werden - vorlufige Vorbereitung von Eingabevektoren - Auwahl der Ursprnglichen Gewichtungen der Kohonen Neuronen. Laut Wikipedia reprsentiert ein Kohonen neuronales เครือข่ายความรู้ Integration System ซอฟต์แวร์สำนักงาน Desktop แปลเป็นเพิ่ม Netzwerken, wobei das Hauptelement von ihnen die Kohonen-Schicht ist. Die Kohonen-Schicht เหมาะสำหรับผู้ที่มีความสามารถในการปรับตัวเอง (lineare formale Neuronen) ในเขตของ Regel werden die Ausgangssignale der Kohonen-Schicht nach der Regel der Gewinner bekommt alles verarbeitet: ตาย griffenen sich in Einser และทุกคน Signale werden zu Nullen. คุณแม่ของ Wollen wir diesen Gedanken จาก Hilfe eines Beispiels errtern. Zum Zwecke der ภาพทั้งหมดที่มีใน Berechnungen fr zweidimensionale Eingabevektoren angegeben. ใน Abb. 1 wird der Eingabevektor ใน Farbe dargestellt Jedes Neuron der Kohonen-Schicht (ผู้ที่มีชีวิตอยู่คนเดียวและคนชรา) summiert einfach die Eingabe und multipliziert diese mit der Gewichtung Eigentlich sind alle Gewichtungen der Kohonen-Schicht เวกเตอร์ - Koordinaten fr dieses Neuron. Daher ist Ausgabe eines หนึ่ง Kohonen Neurons มีอยู่ในสต็อกของฉัน. Von der Geometrie wissen wir, dass das maximale จุดศูนย์กลาง, wenn der Winkel zwischen เวเนซุเอลา Richtung Null tendiert (der Kosinus-Winkel tendiert zu 1). Der maximale Wert wird นอกจากนี้ยังมี Jener des Kohonen-Schicht Neurons sein, das am nhesten zum Eingabevektor ist. Abb.1 Der Gewinner ist das Neuron, dessen เป็นหนึ่งในผู้ผลิตชั้นนำของโลก Entsprechend der คำจำกัดความของการเชื่อมโยงไปถึงระดับสูงสุด Ausgabewert unter allen Neuronen finden, dessen Ausgabe eine Eins และแสดงให้เห็นถึงความเป็นไปได้ Neuronen eine Null zuweisen. Und die Kohonen-Schicht wird uns antworten, ใน welchem ​​Raumbereich der Eingabevector liegt. ความคิดเห็นที่ Anpassung der Kohonen Gewichtungsvektoren Der Zweck der Einarbeitung mit der Kohonen-Schicht ist ist bereits oben geschrieben, die nagruppe Raumklassifizierung der Eingabevektoren. เกี่ยวกับผู้แต่ง Dies bedeutet, dass jedes Neuron fr seinen ganz bestimmten Bereich verantwortlich sein muss ในตัวเดอร์เดอร์ Gewinner ist Der Abweichungsfehler des Gewinner-Neurons vom Eingabeneuron mühle sein als jener der ieren Neuronen. ผู้ให้การสนับสนุน Um das zu erreichen, verwandelt sich das Gewinner-Neuron ในตาย Seite des Eingabevektors. Abb 2 zeigt ตาย Teilung von zwei Neuronen (schwarze Neuronen) fr zwei Eingabevektoren (ตาย farbigen) Abb 2: Jedes der Neuronen nhert sich seinem nchsten Eingangssignal. Mit jeder Wiederholung nhert sich das Gewinner-Neuron seinem eigenen Eingabevektor. Seine neuen Koordinaten werden entsprechend der folgenden Formel berechnet: wobei A (t) der der Einarbeitunsgeschwindigkeit und der der Zeit t abhngt. การใช้งานที่มีอยู่จริง, การใช้งาน, การใช้งานแบบเบ็ดเตล็ด 1 auf 0 reduceziert wird. Wenn der Anfangswert A1 ist, wird ตาย Gewichtungskorrektur ใน einem Schritt vorgenommen. Dies ist mglich, wenn es fr หนึ่ง Einangsvektor ein Kohonen-Neuron gibt (zum beispiel 10 คนและ 10 Neuronen in der Kohonen-Schicht). ในฤดูใบไม้ร่วงของฤดูใบไม้ร่วงฤดูใบไม้ร่วงอย่างรวดเร็วไม่ได้รับการแก้ไขอย่างรวดเร็วในการจัดส่งสินค้าของคุณในปริมาณที่กำหนดไว้ในโรงกลั่นที่มีความหนาแน่นสูง Deshalb ist der Wert A1 unerwnscht Die Praxis zeigt, dass der optimale ไม่มีที่สิ้นสุด 0,3 sein sollte. Auerdem ist A umgekehrt สัดส่วน zu der Anzahl der Eingabevektoren. Das heit bei einer groen Auswahl ist es besser, kleine คนโง่เง่าเพราะฉะนั้น dass das Gewinner-Neuron ยังไม่ได้ระบุใน Raum in seinen Korrekturen surft. Als A-Funktionalitt ได้รับการสนับสนุนจาก Regel jede monoton fallende Funktion gewhlt. Zum Beispiel Hyperbel อื่น ๆ สายการบินไม่ทราบตาย Gau-Funktion. Abb 3 zeigt den Schritt der Neuronengewichtungskorrektur bei der Geschwindigkeit A0,5 หมวก Das Neuron sich dem Eingabevektor genhert, der Fehler ist kleiner. Abb 3: Neuronengewichtungskorrektur unter dem Einfluss des Eingangssignals. Kleine Anzahl von Neuronen จากสำนักพิมพ์ Beispiel Abb. 4: Neuron Schwankungen zwischen zwei Eingabevektoren. ใน Abb. 4 (ลิงก์) gibt es zwei Eingabevektoren (ใน Farbe angezeigt) und nur ein Kohonen Neuron Im Prozess der Korrektur wird das รูปไข่ของเวกเตอร์ที่มีการระบุไว้ (gepunktete Linien) Da der A-Wert sich bis 0, เกี่ยวกับฉัน stabilisiert es sich zwischen ihnen. Die Neuron-Koordinaten, ตาย sich von Zeit zu Zeit ndern, knnen durch eine Zick-Zack-Lini charakterisiert werden (Abb 4 rechts) Abb 5: ความแตกต่างของความแตกต่างระหว่าง Neuronen สถานการณ์ที่เกิดขึ้นใน Abb 5. gezeigt. Im ersten Fall teilen vier การตรวจสอบความถูกต้องแม่นยำใน Bereiche der Hyperkugel. ฤดูใบไม้ร่วงฤดูใบไม้ร่วงที่ตายแล้วโดยไม่ได้รับอนุญาตจากผู้ลงโฆษณาด้วย Fehler und zur Neuklassifizierung der Probe Wir knnen somat daraus schlieen, dass die Kohonen-schicht eine ausreichende anzahl von freien เครื่องช่วยหายใจ, เครื่องช่วยหายใจ, เครื่องช่วยหายใจ, เครื่องช่วยหายใจ Vorlufige Vorbereitung der Eingabevektoren Wie ฟิลิปดี. วาสเมอร์แมนในเซมินห์บุชชูเรสเทอร์น (wenn auch nicht obligatorisch), die Eingabevektoren zu normalisieren, bevor Sie sie in das Netz einfhren. Dies wird durch das Aufteilen einer หนึ่งความสามารถในการเปล่งปลั่งความรู้สึกของตัวเอง Vektorlnge erledigt. Diese Långe wird durch die ขยายขอบเขตการให้คะแนนโดยรวมของฤดูใบไม้ร่วง Dies ist die algebraische Darstellung: Dies wandelt den Eingabevektor in einen Einheitsvektor mit der gleichen คุณมีความสามารถในการวาดภาพหรือไม่? Die Bedeutung dieser การดำเนินการของ klar - das Pojizieren aller Eingabevektoren auf der Oberkrugel, die gaze die, die Kohonen-Schicht zu suchen, erleichtert wird. Mit anderen Worten, die die Suche nach dem Winkel zwischen den Eingabevektoren und den Vektoren-Kohonen-Neuronen, solnten wir solch einen Faktor wie die Vektorlnge การกำจัด, การตายของฉัน Chancen aller Neuronen auszugleichen. ส่วนที่เหลือของชีวิต (Element of Probevektoren) มีผลกระทบต่อการเคลื่อนไหวโดยเฉลี่ย, Kursen) Sie alle konzentrieren sich auf แล้ว positiven Quadranten im Raum. Als Ergebnis der Normalisierung einer solchen positiven Probe erhalten wir die groe Ansammlung von Vote ใน nur einem positiven Bereich, was nicht sehr gut fr die วุฒิการศึกษา ist. Deshalb kann vor der Normalisierung der โพรเซส eine glattung durchgefhrt werden. Wenn die Probe เป็นคนที่มีความสามารถในการสืบสวนสอบสวน, dass sich die ในเวเนซุเอลาในขณะที่ Bereich befinden, ohne Auenseiter, die weit entfernt von der Hauptprobe sind. Deshalb kann eine Probe ความสัมพันธ์กับสุดยอด Koordinaten zentriert werden. Abb 6: Normalisierung der Eingabevektoren Wie oben geschrieben, ist die Normalisierung der Vektoren wnschenswert. Sie vereinfacht die Korrektur der Kohonen-Schicht Wir sollten jedoch deutlich eine Probe darstellen und entscheiden, ob obed auf einer Kugel projiziert werden soll อื่น ๆ . Liste 1. Verschmlerung der Eingabevektoren im Bereich -1, 1 Wenn wir die Eingabevektoren normisieren, sollten wir auch dementsprechend alls Neuronen-Gewichtungen normisieren. ข้อสังเกตข้างต้น Auswhlen der ursprnglichen Neuronen-Gewichtungen ผู้มีอำนาจจัดการตราสารหนี้ Varianten sind zahlreich 1) จากนั้นให้คลิกที่นี่เพื่อดูรายละเอียดเพิ่มเติมเกี่ยวกับการจัดส่งสินค้าของคุณ 2) การจัดส่งสินค้าใหม่จาก Beispiele, การจัดส่งสินค้าทางอากาศโดยไม่ต้องแจ้งให้ทราบล่วงหน้า 3) Lineare Initialisierung ในช่วงล่างของฤดูใบไม้ร่วงจะมีขึ้นในช่วงเริ่มต้นของการตายของเส้นตรงโดยใช้เส้นตรงกับระยะเวลาที่ยาวนานของเรเดียนซ์เวิลด์ไวด์เว็บ Datensatz angeordnet sind. 4) การดูแลรักษาสุขภาพโดยวิธีผสมผสาน - Methode der konvexen Kombination ปิดการใช้งาน 1) Zufalswerte werden den Gewichtungen zugeordnet Whrend der Randomisierung werden alle เวกเตอร์ - neuronen auf der Oberflöchen einer hyperkugel verteilt. Whrend die Eingaben ein Tendenz zur Gruppierung haben. ในฤดูใบไม้ร่วงฤดูใบไม้ร่วงฤดูใบไม้ร่วงฤดูใบไม้ร่วง, dass einige Gewichtungsvektoren ดังนั้น viel Abstand von Eingabevektoren haben, dass sie niemals eine bessere ความสัมพันธ์ระหว่าง geben และ daher nicht lernen knnen - graue วัตถุใน Abb. 7 (rechts) ไม่ว่าคุณจะอยู่ที่ใดเพื่อกลับไปด้านบนให้ข้อเสนอแนะ Neuronen nicht ausreichen, um den Fehler zu minimieren und hnliche Klassen zu unterteilen - die rote Klasse ist grün Neuron enthalten. Abb 7: Einarbeitungsergebnis von randomisierten Neuronen ไม่ได้รับการยืนยันโดย Neuronen ใน einem Bereich gibt, knnen mehrere Neuronen in den Bereich einer คุณพร้อมที่จะศึกษาใน Unterklassen teilen - orangefarbener Bereich in Abb. 7 ตายแล้วตาย kritsch ดาตาย Weiterverarbeitung der Schichtsignale ตายสถานการณ์ beheben kann ตาย dauert jedoch ตาย Einarbeitungszeit ber Eine der Varianten zum Lsen dieser ปัญหาที่เกิดขึ้น Methode, wenn bei den Anfangsstufen ตาย Korrektur nicht nur fr Vectorsen eines gewinnenden Neurons gemacht, sondern auch fr ตายกลุ่มของเวกเตอร์, ตายอยู่ในความตาย. Dann wird sich die Anzahl der Neuronen in der Gruppe allmhlich verringern und letztendlich wird nur ein Neuron corrigiert. Eine Gruppe kann aus einem เรียงจากอาร์เรย์ของ Neuronen-Ausgngen ausgewhlt werden ความแตกต่างของค่าสูงสุดของค่าสัมประสิทธิ์ คลิกที่นี่เพื่อดูข้อมูลเพิ่มเติมเกี่ยวกับงานนี้ได้โดยไม่ต้องแจ้งให้ทราบล่วงหน้า ก.) jedes neuron wird die ตายแล้ว. b) Ein Neuron mit minimalem ทนต่อ Wird zum Gewinner Wn. Danach wird eine กลุ่มของ Neuronen gefunden, ตายใน Korrelation zu den Grenzen der Distanz CLn von Wn stehen. c) ให้ทำตามขั้นตอนต่อไปนี้ Somit wird die Korrektur der gesamten โพรเซสเซอร์ (พารามิเตอร์ 1) auf 0. Die dritte interessante Methode bedeutet, dass jedes Neuron nur Nk Mal ในขณะที่ยังคงมีอยู่ Probe kommt. N ist hier ตาย Gre der Probe, k - ตาย Anzahl der Neuronen. Das heit, eines der Neuronen wird fter zum Gewinner และอื่น ๆ . Es beendet das เล่นเกมทั้งหมดที่เกี่ยวข้องกับ Passieren der Probei vorbei ist. Dadurch knnen auch และ Neuronen lernen. 2) Methode der Konvexkombination ตาย Bedeutung des Verfahrens beinhaltet, dass sowohl ตาย Gewichtung als auch ตาย Eingabevektoren zunchst ใน einem Bereich angeordnet sind. Die (Die) - Diektung der der Zeit ist (en) (en) - Dieterungsformeln fr die aktuellen Koordinaten der Eingabe - und ursprnglichen Gewichtungsvektoren sind die folgenden: wobei n die มิติความสำคัญของการตาย, a (t) - die nicht abnehmende Funktion der Zeit ist. Mit jeder Wiederholung erhht sich dessen Wert von 0 auf 1, ทั้งหมดwodnéeměstoměsto gewichtungsvektoren und schlielich ihre Pltze einnehmen. Auerdem werden die Gewichtungsvektoren nach ihren Klassen greifen. ตายแล้วโดยใช้วัสดุใด ๆ ที่เกี่ยวข้องกับการเปลี่ยนรูปแบบการเชื่อมต่อโดยใช้ Kohonen-Schicht, ตายใน Diesem neuronalen Netzwerk angewendet werden. ครั้งที่สอง Lffel, Schpfkellen und Skripte Das erste Skript, das wir diskutieren werden, sammelt Daten ber balken und erstellt eine วันที่ออกจาก Eingabevektoren. Lassen Sie uns MA และอื่น ๆ Traininsbeispiel verwenden. Liste 2. Erstellen einer Datei von Eingabevektoren รายละเอียดเพิ่มเติมเกี่ยวกับรูปแบบการจัดส่งข้อมูลจากรายละเอียดของข้อมูลที่ได้รับการจัดทำขึ้นโดย Anwendungen geschaffen การแก้ปัญหาขั้นตอนการทำงาน - อัลกอริทึมของอัลกอริธึมการแก้ปัญหาอัจฉริยะอัจฉริยะอัจฉริยะอัจฉริยะอัจฉริยะอัจฉริยะอัจฉริยะอัจฉริยะอัลกอริทึมการวัดความร้อนการลดแรงดันและการลดแรงดัน Deshalb empfehlen wir Ihnen, Programmiersprache eines hohen Niveaus (VB, VC ฯลฯ ) zu verwenden, whrend das Debuggen with MQL4 nicht genug ist (พวกเขา jeff, diese สถานการณ์ wird ใน MQL5 verbessert) Spter, wenn Sie ber alle Tcken อัลกอริทึ่ม Ihrer และ Funktionen erfahren haben, knnen Sie เริ่มต้น, MQL4 zu verwenden. Auerdem mssen Sie das endgltige Ziel (ที่ปรึกษาผู้เชี่ยวชาญเฉพาะด้าน) ใน MQL4 schreiben รายละเอียดของงานแสดงสินค้า 3. กลุ่มผู้ถือหุ้นของ Netzwerks เป็นผู้จัดจำหน่าย Sie enthlt den wichtigsten ตัวแปรบริการ Satz Lassen Sie uns sie analysieren. Auf Anweisung eines Befehls vom Benutzer, erstellt die อินเตอร์เฟส - คลาสที่ใช้งาน - หัวข้อและเริ่มต้นใช้งาน Timer fr das periodische Auslesen der Netzwerkwerte ข้อมูลเพิ่มเติมเกี่ยวกับ Neuronaler Nettingerke Der Arbeits-Thread wiederum liest die Arrays von Eingabe-Ausgabevektoren aus der vorlufig ausgearbeiteten Datei aus und stellt die Parameter fr die Schichten ein (die Schichttypen und die Anzahl der Neuronen in jeder Schicht). Dies ist die Vorbereitungsphase. Danach rufen wir die Funktion CNeuroNet::Init auf, in der die Gewichtungen initialisiert werden, die Probe normalisiert wird und die Einarbeitungsparameter eingestellt werden (Geschwindigkeit, Impuls, erforderlicher Fehler und die Anzahl der Traininszyklen). Und erst danach rufen wir die Arbeitspferd Funktion - CNeuroNet::TrainNetwork (oder TrainMPS. oder TrainNetwork(int L) auf, je nachdem, was wir erhalten wollen). Wenn die Einarbeitung vorbei ist, speichert der Arbeits-Thread die Netzwerkgewichtungen in eine Datei fr die Implementierung der letzten in einen Indikator oder Expert Advisor. III Backen des Netzwerks Kommen wir nun zu den Problemen beim Einarbeiten. Die bliche Praxis in der Einarbeitung legt das Paar Muster-Lehrer fest. Das ist ein bestimmtes Ziel, das jedem einzelnen Eingabemuster entspricht. Auf der Grundlage der Differenz zwischen der aktuellen Eingabe und dem Sollwert wird die Korrektur der Gewichtungen durchgefhrt. Zum Beispiel mchte ein Researcher haben, dass das Netz den Kurs des darauffolgenden Balkens anhand der vorherigen 10 Balken prognostiziert. In diesem Fall mssen wir nach der Eingabe der 10 Werte das erhaltene Ergebnis mit dem Lernwert vergleichen und dann die Gewichtungen fr den Unterschied zwischen ihnen korrigieren. In dem Modell, das wir anbieten, gibt es keine Lern-Vektoren im blichen Sinne, da wir nicht im Voraus wissen, bei welchen Balken wir den Markt betreten oder verlassen sollten. Das bedeutet, dass unser Netzwerk seine Ausgabevektoren auf der Grundlage seiner eigenen frheren Ausgabewerte korrigieren wird. Das bedeutet, dass das Netzwerk versuchen wird, den maximalen Gewinn zu erhalten (Maximierung der Anzahl der richtig vorhergesagten Richtungen im Markt). Betrachten wir das Beispiel in Abb. 8. Abb. 8: Schema des eingearbeiteten neuronalen Netzwerks. Die Kohonen-Schicht, die anhand einer Probe voreingearbeitet ist, gibt seinen Vektor an das Netzwerk weiter. Bei der Ausgabe der letzten Schicht des Netzwerks, haben wir den Wert OUT, der auf folgende Weise interpretiert wird. Wenn OUT gt0,5 ist, gehen Sie eine Kaufposition ein wenn OUT lt0,5 ist, gehen Sie eine Verkaufsposition ein (die sigmoiden Werte werden in Grenzen verndert 0, 1). Angenommen zu einem gewissen Eingabevektor X 1 hat das Netzwerk durch die Ausgabe OUT 1 gt0,5 geantwortet. Das bedeutet, dass wir auf dem Balken, zum dem das Muster gehrt, wir eine Kaufposition ffnen. Danach verwandelt sich bei der chronologischen Darstellung der Eingabevektoren nach einigen X k das Zeichen OUT k in das Gegenteil. Folglich schlieen wir die Kaufposition und ffnen eine Verkaufsposition. Genau in diesem Moment mssen wir das Ergebnis der geschlossenen Order betrachten. Wenn wir einen Gewinn erhalten, knnen wir diesn Alarm strken. Oder wir knnen erachten, dass es keinen Fehler gibt und wir nichts korrigieren werden. Wenn wir einen Verlust erhalten, korrigieren wir die Gewichtungen der Schichten in einer solchen Weise, dass die Eingabe durch den Alarm des X 1 Vektors OUT 1 lt0,5 anzeigt. Nun wollen wir den Wert der Lern-(Ziel)-Ausgabe berechnen. Lassen Sie uns daher den Wert eines Sigmoiden aus dem erhaltenen Verlust (in Punkten) nehmen und multiplizieren ihn mit dem Zeichen der Handelsrichtung. Folglich gilt, dass je grer der Verlust ist, desto strenger das Netzwerk bestraft und seine Gewichtungen durch den greren Wert korrigieren werden wird. Wenn wir zum Beispiel 50 Verlustpunkte bei einer Kaufposition haben, dann wird die Korrektur fr die Ausgabeschicht wie unten dargestellt berechnet: Wir knnen die Handelsregeln fr die Handelsanalyseprozessparameter von TakeProfit (TP) und StopLoss (SL) in Punkten begrenzen. Wir mssen also 3 Ereignisse verfolgen: 1) nderung des OUT Zeichens, 2) Kursnderungen vom Erffnungspreis durch den Wert von TP, 3) Kursnderungen vom Erffnungskurs durch den Wert - SL. Wenn eines dieser Ereignisse auftritt, wird die Korrektur der Gewichtungen auf analoge Weise durchgefhrt. Wenn wir einen Gewinn erhalten, bleiben die Gewichtungen entweder unverndert oder sie werden korrigiert (strkeres Signal). Wenn wir einen Verlust haben, werden die Gewichtungen korrigiert, damit die Eingabe durch den Alarm vom X 1 Vektor OUT 1 mit dem gewnschten Zeichen anzeigt. Der einzige Nachteil dieser Begrenzung ist die Tatsache, dass wir absolute TP und SL Werte verwenden, was bei einem langen Zeitraum unter aktuellen Marktbedingungen nicht so gut fr die Optimierung eines Netzwerks ist. Meine persnliche Bemerkung dazu ist, dass TP und SL nicht weit voneinander entfernt sein sollten. Das bedeutet, dass das System symmetrisch sein muss, um whrend der Einarbeitung eine Abweichung hinsichtlich der Richtung eines globaleren Kauf-oder Verkaufstrend zu vermeiden. Es gibt auch eine Meinung, dass der TP 2-4 mal grer als der SL sein sollte - so erhhen wir knstlich das Verhltnis von profitablen und verlustbringenden Trades. Aber in solch einem Fall besteht die Gefahr, dass die Einarbeitung des Netzwerks mit einer Verschiebung in Richtung Trend erfolgt. Natrlich knnen beide Varianten existieren, aber Sie sollten beide bei Ihren Untersuchungen berprfen. Liste 4. Eine Wiederholung des Setups fr die Netzwerkgewichtung Durch diese einfachen Arbeitsgnge wird das Netzwerk letztendlich die erhaltenen Klassen aus der Kohonen-Schicht in einer solchen Weise verteilen, dass es fr jede einen Alarm zum Markteinstieg mit dem entsprechenden Maximalgewinn gibt. Aus der Sicht der Statistik - wird jedes Eingabemuster durch das Netz fr die Gruppenarbeit angepasst. Whrend ein und derselbe Eingabevektor whrend des Vorgangs zur Gewichtungsanpassung Alarme in verschiedenen Richtungen geben kann, wird allmhlich die maximale Anzahl der richtigen Vorhersagen erhalten. Diese Methode kann als dynamisch beschrieben werden. Das verwendete Verfahren wird auch als MPS (Profit Maximizing System) bezeichnet. Hier sind Ergebnisse der Anpassung von Netzwerkgewichtungen. Jeder Punkt im Diagramm ist der Wert des erhaltenen Gewinns in Punkten whrend des Einarbeitungszeitraums. Das System ist immer Marktaktuell, TakeProfit StopLoss 50 Punkte, Fixierung erfolgt nur durch eine Stop-Order, Gewichtungen werden bei Gewinn oder Verlust korrigiert. Sie sehen, nach dem negativen Start werden die Gewichtungen der Schichten angepasst, so dass nach etwas hundert Wiederholungen, der Gewinn positiv wird. Interessant ist die Tatsache, dass das System bei einigen Niveaus etwas langsamer wird. Dies hngt mit den Parametern der Einarbeitungsgeschwindigkeit zusammen. Wie Sie in der Liste 2 sehen knnen, wird der Gewinn ProfitPos durch die Schlusskurse der Balken berechnet, auf denen wir die Position erffnet und auf welchem die Bedingungen (Stop-Order oder Alarmnderung) eingetroffen sind. Natrlich ist dies ein grobes Verfahren, insbesondere im Fall von Stop-Orders. Wir knnen durch das Analysieren von Hochs und Tiefs des Balkens (bar1ipat und bar2ipat) eine Verfeinerung hinzufgen. Sie knnen versuchen, dies selbst zu tun. Suche nach Einstiegen Wir haben also das dynamische Einarbeitungsverfahren studiert, welches das Netzwerk durch seine eigenen Fehler einarbeitet. Sie haben sicher bemerkt, dass wir entsprechend dem Algorithmus immer den Markt betreten mit fixem GewinnVerlust. Wir mssen daher unsere Einstiege begrenzen und versuchen, nur bei gnstigen Eingabevektoren den Markt zu betreten. Das bedeutet, dass wir die Netzwerk-Alarmstufe zum Einstieg in den Markt von den profitablenverlustbringenden Trades abhngig machen mssen. Dies kann sehr leicht durchgefhrt werden. Lassen Sie uns die Variable 0ltMlt0,5 vorstellen, die das Kriterium eines Markteintritts sein wird. Wenn Outgt0,5M, dann kaufen Sie, wenn Outlt0,5-M, dann verkaufen Sie. Wir kristallisieren Ein-und Ausstiege mit Hilfe von Vektoren heraus, die zwischen 0,5-MltOutlt0,5M liegen. Ein weiteres Verfahren zum Aussieben von unntigen Vektoren ist das Sammeln von statistischen Daten ber die Rentabilitt einer Order anhand von den Werten bestimmter Ausgaben des Netzwerks. Nennen wir es eine visuelle Analyse. Davor sollten wir das Verfahren zur Positionsschlieung definieren - Erreichen der Stop-Order, nderung des Netzwerk-Ausgabesignals. Lassen Sie uns eine Tabelle erstellen Out ProfitPos. Die Werte von Out und ProfitPos werden fr jeden Eingabevektor (das heit fr jeden Balken) berechnet. Dann lassen Sie uns eine bersichtstabelle zum ProfitPos Feld machen. Als Ergebnis werden wir die Abhngigkeit zwischen dem Out Wert und dem erhaltenen Gewinn sehen. Whlen Sie den Bereich Out M Lo. M Hi . in dem wir den besten Gewinn haben und verwenden Sie seine Werte fr den Handel. Zurck zu MQL4 Nachdem wir mit der Entwicklung in VC begonnen haben, haben wir nicht versucht, die Mglichkeiten von MQL4 zu wrdigen. Dies war aus Grnden der Bequemlichkeit. Ich werde Ihnen ein Erlebnis erzhlen. Vor kurzem hat einer meiner Bekannten versucht, eine Datenbank ber Firmen in unserer Stadt anzulegen. Es gibt eine Menge von Verzeichnissen im Internet, aber niemand wollte die Datenbank verkaufen. Wir schrieben also ein Skript in MQL4 . das die HTML-Seite scannt und einen Bereich mit Informationen ber ein Unternehmen auswhlt und diesen in einer Datei speichert. Danach haben wir die Datei in Excel bearbeitet und die Datenbank von drei groen gelben Seiten mit allen Telefonnummern, Adressen und Firmenaktivitten war fertig. Dies war die vollstndigste Datenbank der ganzen Stadt fr mich war es das Gefhl von Stolz und Leichtigkeit, was die Mglichkeiten von MQL4 betrifft. Natrlich kann man ein und dieselbe Aufgabe in verschiedenen Programmiersprachen lsen, aber es ist besser die eine zu whlen, die hinsichtlich MglichkeitenSchwierigkeit fr eine bestimmte Aufgabe die optimale ist. Nach dem Einarbeiten des Netzwerks sollten wir jetzt alle seine Parameter in einer Datei speichern, um sie nach MQL4 zu transferieren. - Gre des Eingabevektors - Gre des Ausgabevektors - Anzahl der Schichten - Anzahl der Neuronen nach Schichten - von Eingabe zur Ausgabe - Gewichtungen der Neuronen nach Schichten Der Indikator wird nur eine Funktion aus dem Arsenal der Klasse CNeuroNet verwenden CalculateLayer. Lassen Sie uns einen Eingabevektor fr jeden Balken bilden, den Wert der Netzwerkausgabe berechnen und den Indikator 6 bauen. Wenn wir uns bereits fr Eingabepegel entschieden haben, knnen wir Teile der erhaltenen Kurve in verschiedenen Farben malen. Ein Beispiel des Codes NeuroInd. mq4 ist dem Artikel angehngt. IV Kreativer Ansatz Fr eine gute Umsetzung sollten wir einen breiten Verstand haben. Neuronale Netzwerke sind nicht die Ausnahme. Ich denke nicht, dass die angebotene Variante ideal ist und fr jede Aufgabe geeignet ist. Deshalb sollten Sie immer nach Ihren eigenen Lsungen suchen, das allgemeine Bild aufzeichnen, systematisieren und Ideen berprfen. Nachfolgend finden Sie einige Warnungen und Empfehlungen. - Netzwerk-Anpassung. Ein neuronales Netzwerk ist ein Annherer. Ein neuronales Netzwerk stellt eine Kurve her, wenn es Knotenpunkte bekommt. Wenn die Menge der Punkte zu gro ist, wird der zuknftige Aufbau schlechte Ergebnisse liefern. Alte Verlaufsdaten sollten von der Einarbeitung entfernt und neue sollten hinzugefgt werden. Dies ist, wie die Annherung an ein neues Polynom durchgefhrt wird. - bereinarbeiten. Dies kommt bei der idealen Anpassung vor (oder wenn es bei der Einarbeitung zu viele Eingabewerte gibt). Wenn einem Netzwerk ein Testwert gegeben wird, erhalten wir als Ergebnis ein falsches Resultat (Abb. 9). Abb. 9: Ergebnis einer bereingearbeiteten Netzwerks - falsche Prognose. - Komplexitt, Wiederholbarkeit, Widersprchlichkeit einer Einarbeitungsprobe. In den Arbeiten 8, 9 analysieren Autoren die Abhngigkeit zwischen den aufgezhlten Parametern. Ich nehme an, es ist klar, dass wenn verschiedene Lernvektoren (oder falls noch schlimmer, widersprchliche) ein und demselben Lernvektor entsprechen, ein Netzwerk nie lernen wird, sie richtig zu klassifizieren. Zu diesem Zweck sollten groe Eingabevektoren erzeugt werden, so dass sie Daten enthalten, mit denen Sie den Raum der Klassen abgrenzen knnen. Abb. 10 zeigt diese Abhngigkeit. Je hher die Komplexitt eines Vektors ist, desto geringer ist die Wiederholbarkeit und Widersprchlichkeit von Mustern. Abb. 10: Abhngigkeit der Eigenschaften von Eingabevektoren. - Einarbeiten des Netzwerks nach der Methode von Boltzmann. Diese Methode ist hnlich wie verschiedene mgliche Gewichtungsvarianten zu versuchen. Die knstliche Intelligenz eines Expert Advisors arbeitet hinsichtlich des Lernens nach einem hnlichen Prinzip. Beim Einarbeiten eines Netzwerks geht sie durch alle Varianten der Gewichtungswerte (wie beim Knacken eines Mailgox-Passworts) und whlt die beste Kombination aus. Dies ist eine arbeitsintensive Aufgabe fr einen Computer. Daher ist die Anzahl aller Gewichtungen eines Netzwerks auf zehn begrenzt. Wenn sich die Gewichtung zum Beispiel von 0 auf 1 (mit einem Schritt von 0,01) ndert, bentigen wir dafr 100 Schritte. Fr 5 Gewichtungen bedeutet dies 5100 Kombinationen. Dies ist eine groe Zahl und diese Aufgabe geht ber die Leistung eines Computers hinaus. Der einzige Weg, um ein Netzwerk nach dieser Methode zu bauen ist, eine groe Anzahl von Computern zu verwenden, wobei jeder davon einen bestimmten Teil verarbeitet. Diese Aufgabe kann von 10 Computern ausgefhrt werden. Jeder wird 510 Kombinationen verarbeiten, so dass ein Netzwerk komplexer gemacht werden kann, denn es kann eine grere Anzahl von Gewichtungen, Schichten und Schritten verwendet werden. Im Unterschied zu einem solchen Brachialen Angriff , wirkt die Methode von Boltzmann sanfter und schneller. Bei jeder Wiederholung wird eine zufllige Verschiebung auf die Gewichtung eingestellt. Wenn das System mit der neuen Gewichtung seine Eingabecharakteristik verbessert, wird die Gewichtung akzeptiert und eine neue Wiederholung durchgefhrt. Wenn eine Gewichtung den Ausgabefehler erhht, wird sie akzeptiert, wenn sie durch die Boltzmann Verteilungsformel berechnet wurde. Somit kann die Netzwerkausgabe am Anfang absolut unterschiedliche Werte haben. Eine allmhliche Abkhlung bringt das Netzwerk zum erforderlichen globalen Minimum 10, 11. Natrlich ist dies nicht die vollstndige Liste Ihrer weiteren Studien. Es gibt auch genetische Algorithmen, Methoden zur Verbesserung der Konvergenz, Netzwerke mit Speicher, Radialnetzwerke, Verbund von Rechern, usw. Ich mchte hinzufgen, dass ein neuronales Netzwerk kein Heilmittel fr alle Probleme beim Handeln ist. Der eine whlt eine unabhngige Arbeit und die Erstellung seiner eigenen Algorithmen und eine andere Person bevorzugt das Verwenden von bereiten Neuro-Paketen, von denen eine groe Anzahl im Markt gefunden werden kann. Haben Sie nur keine Angst vor Experimenten Viel Glck und groe Gewinne Der Markt ist ein Intellekt, das Finanzportfolio ist ein neuronales Netzwerk. Referenzen 1. Baestaens, Dirk-Emma Van Den Bergh, Willem Max Wood, Douglas. Neural Network Solutions for Trading in Financial Markets. 2. Voronovskii G. K. และคนอื่น ๆ. Geneticheskie algoritmy, iskusstvennye neironnye seti i problemy virtualnoy realnosti (Genetische Algorithmen, knstliche neuronale Netzwerke und Probleme der virtuellen Realitt). 3. Galushkin A. I. Teoriya Neironnyh setei (Theorie von neuronalen Netzwerken). 4. Debok G. Kohonen T. Analyzing Financial Data using Self-Organizing Maps. 5. Ezhov A. A. Shumckii S. A. Neirokompyuting i ego primeneniya v ekonomike i biznese (Neuronale Datenverarbeitung und ihre Verwendung in der Wirtschaft und Unternehmen). 6. Ivanov D. V. Prognozirovanie finansovyh rynkov s ispolzovaniem neironnyh setei (Prognose der Finanzmrkte mit knstlichen neuronalen Netzwerken) (Diplomarbeit) 7. Osovsky S. Neural Networks for Data Processing . 8. Tarasenko R. A. Krisilov V. A. Vybor razmera opisaniya situatsii pri formirovanii obuchayushchey vyborki dlya neironnyh setei v zadachah prognozirovaniya vremennyh ryadov (Die Wahl der Situation, Beschreibung, Gre beim Formen einer Einarbeitungsprobe fr neuronale Netzwerke zur Prognose bei Zeitreihen). 9. Tarasenko R. A. Krisilov V. A. Predvaritelnaya otsenka kachestva obuchayushchey vyborki dlya neironnyh setei v zadachah prognozirovaniya vremennyh ryadov (Vorlufige Schtzung der Qualitt einer Einarbeitungsprobe fr neuronale Netzwerke zur Prognose bei Zeitreihen). 10. Philip D. Wasserman. Neral Computing: Theory and Practice. 11. Simon Haykin. Neural Networks: A Comprehensive Foundation. 12. wikipedia. org 13. Das Internet. bersetzt aus dem Russischen von MetaQuotes Software Corp. Originalartikel: mql5ruarticles1562