Algoritma best forex trading

Dasar-Dasar Perdagangan Algoritma Forex Hampir tiga puluh tahun yang lalu, pasar valuta asing (Forex) ditandai oleh perdagangan yang dilakukan melalui telepon, investor institusi. Informasi harga buram, perbedaan yang jelas antara perdagangan interdealer dan perdagangan dealer-pelanggan dan konsentrasi pasar yang rendah. Saat ini, kemajuan teknologi telah mengubah pasar. Perdagangan terutama dilakukan melalui komputer, yang memungkinkan pedagang eceran memasuki pasar, harga streaming real-time telah menghasilkan transparansi yang lebih besar dan perbedaan antara dealer dan pelanggan mereka yang paling canggih telah banyak menghilang. Salah satu perubahan yang sangat penting adalah pengenalan perdagangan algoritmik. Yang, sekaligus melakukan perbaikan signifikan terhadap fungsi perdagangan Forex, juga menimbulkan sejumlah risiko. Dengan melihat dasar-dasar pasar Forex dan perdagangan algoritmik, kami akan mengidentifikasi beberapa kelebihan perdagangan algoritmik yang dibawa ke perdagangan mata uang sementara juga menunjukkan beberapa risikonya. Dasar-Dasar Forex Forex adalah tempat virtual di mana pasangan mata uang diperdagangkan dalam berbagai volume sesuai harga yang dikutip dimana mata uang dasar diberi harga dalam bentuk mata uang kutipan. Beroperasi 24 jam sehari, lima hari dalam seminggu, Forex dianggap sebagai pasar keuangan terbesar dan paling likuid di dunia. Per Bank for International Settlements (BIS) rata-rata volume perdagangan rata-rata harian pada bulan April 2013 adalah 2,0 triliun. Sebagian besar perdagangan ini dilakukan untuk dolar A. S., euro dan yen Jepang dan melibatkan berbagai pemain, termasuk bank swasta, bank sentral, dana pensiun. Investor institusional, perusahaan besar, perusahaan keuangan dan pedagang eceran individu. Meskipun perdagangan spekulatif mungkin menjadi motivasi utama bagi investor tertentu, alasan utama keberadaan pasar Forex adalah bahwa orang perlu memperdagangkan mata uang untuk membeli barang dan jasa asing. Aktivitas di pasar Forex mempengaruhi nilai tukar riil dan karenanya dapat sangat mempengaruhi output, lapangan kerja, inflasi dan arus modal suatu negara tertentu. Untuk alasan ini, pembuat kebijakan, publik dan media memiliki ketertarikan pada apa yang terjadi di pasar Forex. Dasar-dasar Algorithmic Trading Algoritma pada dasarnya adalah seperangkat aturan khusus yang dirancang untuk menyelesaikan tugas yang jelas. Dalam perdagangan pasar keuangan, komputer melakukan algoritma yang ditentukan pengguna yang dicirikan oleh seperangkat aturan yang terdiri dari parameter seperti timing, price atau quantity yang menyusun perdagangan yang akan dilakukan. Ada empat jenis dasar perdagangan algoritmik di pasar keuangan: statistik, lindung nilai otomatis, strategi eksekusi algoritmik dan akses pasar langsung. Statistik mengacu pada strategi algoritmik yang mencari peluang perdagangan yang menguntungkan berdasarkan analisis statistik data deret waktu historis. Auto-hedging adalah strategi yang menghasilkan aturan untuk mengurangi risiko terkena pajanan. Tujuan strategi eksekusi algoritmik adalah menjalankan tujuan yang telah ditetapkan, seperti mengurangi dampak pasar atau melakukan perdagangan dengan cepat. Akhirnya, akses pasar langsung menggambarkan kecepatan optimal dan biaya yang lebih rendah di mana pedagang algoritmik dapat mengakses dan terhubung ke beberapa platform perdagangan. Salah satu subkategori perdagangan algoritmik adalah perdagangan frekuensi tinggi, yang ditandai dengan frekuensi eksekusi perdagangan yang sangat tinggi. Perdagangan berkecepatan tinggi dapat memberi keuntungan signifikan bagi para pedagang dengan memberi mereka kemampuan untuk melakukan perdagangan dalam milidetik perubahan harga inkremental. Tapi mungkin juga membawa risiko tertentu. Algorithmic Trading di Pasar Forex Sebagian besar pertumbuhan perdagangan algoritmik di pasar Forex selama beberapa tahun terakhir disebabkan oleh algoritma yang mengotomatisasi proses tertentu dan mengurangi jam yang dibutuhkan untuk melakukan transaksi valuta asing. Efisiensi yang diciptakan oleh otomasi menyebabkan biaya lebih rendah dalam melaksanakan proses ini. Salah satu proses tersebut adalah eksekusi order dagang. Mengotomatisasi proses perdagangan dengan algoritma yang diperdagangkan berdasarkan kriteria yang telah ditentukan, seperti mengeksekusi pesanan selama jangka waktu tertentu atau dengan harga tertentu, secara signifikan lebih efisien daripada eksekusi manual oleh manusia. Bank juga telah mengambil keuntungan dari algoritma yang diprogram untuk memperbarui harga pasangan mata uang pada platform perdagangan elektronik. Algoritma ini meningkatkan kecepatan di mana bank dapat mengutip harga pasar sekaligus mengurangi jumlah jam kerja manual yang diperlukan untuk mengutip harga. Beberapa algoritma program perbankan mengurangi eksposur risiko. Algoritma tersebut dapat digunakan untuk menjual mata uang tertentu agar sesuai dengan perdagangan pelanggan dimana bank membeli jumlah yang setara untuk mempertahankan jumlah konstan dari mata uang tertentu. Hal ini memungkinkan bank untuk mempertahankan tingkat eksposur risiko yang telah ditentukan sebelumnya untuk memegang mata uang tersebut. Proses ini telah dibuat secara signifikan lebih efisien dengan algoritma, yang menyebabkan biaya transaksi lebih rendah. Namun, ini bukan satu-satunya faktor yang mendorong pertumbuhan perdagangan algoritmik Forex. Algoritma semakin banyak digunakan untuk perdagangan spekulatif karena kombinasi frekuensi tinggi dan kemampuan algoritma untuk menafsirkan data dan mengeksekusi perintah telah memungkinkan pedagang untuk mengeksploitasi peluang arbitrase yang timbul dari penyimpangan harga kecil di antara pasangan mata uang. Semua keunggulan ini telah menyebabkan peningkatan penggunaan algoritme di pasar Forex, namun mari kita lihat beberapa risiko yang menyertai perdagangan algoritmik. Risiko Terlibat dalam Algoritma Forex Trading Meskipun perdagangan algoritmik telah melakukan banyak perbaikan, ada beberapa kerugian yang dapat mengancam stabilitas dan likuiditas pasar Forex. Salah satu kelemahan tersebut terkait dengan ketidakseimbangan kekuatan perdagangan pelaku pasar. Beberapa peserta memiliki sarana untuk mendapatkan teknologi canggih yang memungkinkan mereka mendapatkan informasi dan melakukan perintah pada kecepatan yang jauh lebih cepat daripada yang lain. Ketidakseimbangan antara orang kaya dan yang tidak ada dalam hal teknologi algoritmik yang paling canggih dapat menyebabkan fragmentasi di dalam pasar yang dapat menyebabkan kekurangan likuiditas dari waktu ke waktu. Selain itu, meski ada perbedaan mendasar antara pasar saham dan pasar Forex, ada beberapa yang khawatir perdagangan frekuensi tinggi yang memperburuk kondisi pasar bursa macet pada 6 Mei 2010 juga bisa mempengaruhi pasar Forex. Sebagai algoritma diprogram untuk skenario pasar tertentu, mereka mungkin tidak merespon dengan cukup cepat jika pasar berubah secara drastis. Untuk menghindari pasar skenario ini mungkin perlu dipantau dan perdagangan algoritmik ditangguhkan selama turbulensi pasar. Namun, dalam skenario ekstrem seperti itu, penghentian perdagangan algoritme simultan oleh banyak pelaku pasar dapat menyebabkan volatilitas yang tinggi dan penurunan likuiditas pasar yang drastis. The Bottom Line Meskipun perdagangan algoritmik telah mampu meningkatkan efisiensi, oleh karena itu mengurangi biaya perdagangan mata uang, hal itu juga disertai beberapa risiko tambahan. Agar mata uang berfungsi dengan baik, mereka harus menjadi toko yang bernilai stabil dan sangat likuid. Dengan demikian, penting agar pasar Forex tetap likuid dengan volatilitas harga rendah. Seperti semua bidang kehidupan lainnya, teknologi baru memperkenalkan banyak manfaat, namun juga dilengkapi dengan risiko baru. Tantangan untuk masa depan perdagangan Forex algoritmik adalah bagaimana menerapkan perubahan yang memaksimalkan keuntungan sambil mengurangi risikonya. Dasar-dasar Perdagangan Algorithmik: Konsep dan Contoh Algoritma adalah serangkaian instruksi yang didefinisikan secara jelas yang bertujuan untuk melaksanakan tugas atau proses. . Perdagangan Algoritma (perdagangan otomatis, perdagangan kotak hitam, atau perdagangan algo-trading) adalah proses menggunakan komputer yang diprogram untuk mengikuti serangkaian instruksi yang ditetapkan untuk menempatkan perdagangan agar menghasilkan keuntungan dengan kecepatan dan frekuensi yang tidak mungkin dilakukan. Pedagang manusia Kumpulan aturan yang ditetapkan didasarkan pada timing, price, quantity atau model matematis. Terlepas dari peluang keuntungan bagi trader, algo-trading membuat pasar lebih likuid dan membuat perdagangan lebih sistematis dengan mengesampingkan dampak emosional manusia pada aktivitas perdagangan. Anggaplah seorang pedagang mengikuti kriteria perdagangan sederhana ini: Beli 50 saham dari saham ketika rata-rata pergerakan 50 hari di atas rata-rata pergerakan 200 hari Menjual saham saat rata-rata pergerakan 50 hari di bawah rata-rata pergerakan 200 hari Dengan menggunakan dua instruksi sederhana ini, mudah untuk menulis program komputer yang secara otomatis memantau harga saham (dan indikator rata-rata bergerak) dan menempatkan pesanan beli dan jual saat kondisi pasti terpenuhi. Pedagang tidak perlu lagi berjaga-jaga untuk harga langsung dan grafik, atau dimasukkan ke dalam pesanan secara manual. Sistem perdagangan algoritmik secara otomatis melakukannya untuknya, dengan mengidentifikasi peluang trading dengan benar. (Untuk informasi lebih lanjut mengenai moving average, lihat: Simple Moving Averages Membuat Trends Stand Out.) Algo-trading memberikan keuntungan sebagai berikut: Perdagangan dilaksanakan dengan harga terbaik. Penempatan order perdagangan instan dan akurat (dengan demikian kemungkinan eksekusi yang tinggi pada tingkat yang diinginkan) Perdagangan Berjangka waktu dengan benar dan seketika, untuk menghindari perubahan harga yang signifikan Mengurangi biaya transaksi (lihat contoh penerapan kekurangan di bawah ini) Pemeriksaan otomatis simultan pada beberapa kondisi pasar Mengurangi risiko kesalahan manual dalam menempatkan perdagangan Backtest algoritma, berdasarkan data historis dan real time yang ada Dikurangi Kemungkinan kesalahan oleh pedagang manusia berdasarkan faktor emosional dan psikologis Bagian terbesar dari perdagangan algo hari ini adalah perdagangan frekuensi tinggi (HFT), yang mencoba memanfaatkan penempatan sejumlah besar pesanan pada kecepatan yang sangat cepat di beberapa pasar dan beberapa keputusan. Parameter, berdasarkan instruksi yang telah diprogram sebelumnya. (Perdagangan valas yang lebih banyak, lihat: Strategi dan Rahasia Perusahaan Perdagangan Frekuensi Tinggi (HFT)) Algo-trading digunakan dalam berbagai bentuk aktivitas perdagangan dan investasi, termasuk: Investor jangka menengah hingga jangka panjang atau perusahaan penjual beli (dana pensiun , Reksadana, perusahaan asuransi) yang membeli saham dalam jumlah banyak namun tidak ingin mempengaruhi harga saham dengan investasi besar dan volume. Pedagang berjangka pendek dan pelaku jualan (pelaku pasar, spekulan, dan arbitrase) mendapat keuntungan dari pelaksanaan perdagangan otomatis di samping itu, alat bantu perdagangan algo untuk menciptakan likuiditas yang cukup bagi penjual di pasar. Pedagang yang sistematis (pengikut tren, pedagang pasang, hedge fund dll) merasa jauh lebih efisien untuk memprogram peraturan perdagangan mereka dan membiarkan program bertransaksi secara otomatis. Perdagangan algoritma menyediakan pendekatan yang lebih sistematis terhadap perdagangan aktif daripada metode yang didasarkan pada intuisi atau naluri pedagang manusia. Strategi Perdagangan Algoritmik Setiap strategi untuk perdagangan algoritmik memerlukan peluang teridentifikasi yang menguntungkan dalam hal peningkatan pendapatan atau pengurangan biaya. Berikut adalah strategi perdagangan umum yang digunakan dalam algo-trading: Strategi trading algoritmik yang paling umum mengikuti tren dalam moving averages. Saluran berjerawat Pergerakan tingkat harga dan indikator teknis terkait. Ini adalah strategi termudah dan paling sederhana untuk diterapkan melalui perdagangan algoritmik karena strategi ini tidak melibatkan prediksi atau perkiraan harga. Perdagangan dimulai berdasarkan terjadinya tren yang diinginkan. Yang mudah dan lugas untuk diimplementasikan melalui algoritma tanpa masuk ke kompleksitas analisis prediktif. Contoh yang disebutkan di atas tentang rata-rata pergerakan 50 dan 200 hari adalah tren yang populer mengikuti strategi. (Untuk informasi lebih lanjut tentang strategi perdagangan tren, lihat: Strategi Sederhana untuk Memanfaatkan Tren.) Membeli saham yang tercatat ganda dengan harga lebih rendah di satu pasar dan sekaligus menjualnya dengan harga lebih tinggi di pasar lain menawarkan selisih harga sebagai keuntungan bebas risiko Atau arbitrase Operasi yang sama dapat direplikasi untuk instrumen saham versus futures, karena perbedaan harga memang ada dari waktu ke waktu. Menerapkan algoritma untuk mengidentifikasi perbedaan harga tersebut dan menempatkan pesanan memungkinkan peluang menguntungkan secara efisien. Dana indeks telah menetapkan periode penyeimbangan ulang untuk membawa kepemilikan mereka setara dengan indeks benchmark masing-masing. Hal ini menciptakan peluang menguntungkan bagi pedagang algoritmik, yang memanfaatkan perdagangan yang diharapkan yang menawarkan keuntungan 20-80 basis poin bergantung pada jumlah saham dalam dana indeks, sebelum penyeimbangan dana indeks. Perdagangan semacam itu dimulai melalui sistem perdagangan algoritmik untuk eksekusi tepat waktu dan harga terbaik. Banyak model matematis yang telah terbukti, seperti strategi perdagangan delta-netral, yang memungkinkan perdagangan kombinasi pilihan dan keamanan mendasarnya. Dimana perdagangan ditempatkan untuk mengimbangi delta positif dan negatif sehingga delta portofolio dipertahankan pada nol. Strategi pengembalian rata-rata didasarkan pada gagasan bahwa harga aset tinggi dan rendah merupakan fenomena sementara yang kembali ke nilai rata-rata mereka secara berkala. Mengidentifikasi dan menentukan kisaran harga dan menerapkan algoritma berdasarkan pada yang memungkinkan perdagangan ditempatkan secara otomatis saat harga aset turun masuk dan keluar dari kisaran yang ditentukan. Strategi harga rata-rata tertimbang volume memecah pesanan besar dan melepaskan potongan pesanan yang ditentukan secara dinamis dari pesanan ke pasar dengan menggunakan profil volume historis tertentu. Tujuannya adalah untuk melaksanakan order mendekati Volume Weighted Average Price (VWAP), sehingga menguntungkan pada harga rata-rata. Strategi harga rata-rata tertimbang waktu mematahkan pesanan besar dan melepaskan potongan pesanan yang ditentukan secara dinamis dari pesanan ke pasar dengan menggunakan slot waktu yang dibagi rata antara waktu mulai dan akhir. Tujuannya adalah untuk melaksanakan perintah mendekati harga rata-rata antara waktu mulai dan akhir, sehingga meminimalkan dampak pasar. Sampai urutan perdagangan terisi penuh, algoritma ini terus mengirimkan sebagian pesanan, sesuai dengan rasio partisipasi yang ditentukan dan sesuai dengan volume yang diperdagangkan di pasar. Strategi langkah terkait mengirim pesanan pada persentase volume pasar yang ditentukan pengguna dan meningkatkan atau menurunkan tingkat partisipasi ini saat harga saham mencapai tingkat yang ditentukan pengguna. Strategi pelemahan implementasi bertujuan untuk meminimalkan biaya eksekusi suatu pesanan dengan melakukan perdagangan dari pasar real-time, sehingga menghemat biaya pesanan dan mendapatkan keuntungan dari biaya peluang eksekusi yang tertunda. Strategi ini akan meningkatkan tingkat partisipasi yang ditargetkan ketika harga saham bergerak dengan baik dan menurunkannya saat harga saham bergerak negatif. Ada beberapa kelas algoritma khusus yang mencoba mengidentifikasi kejadian di sisi lain. Algoritma sniffing ini, yang digunakan, misalnya, oleh pembuat pasar sell side memiliki kecerdasan bawaan untuk mengidentifikasi adanya algoritma pada sisi pembelian dengan pesanan besar. Deteksi seperti itu melalui algoritma akan membantu pembuat pasar mengidentifikasi peluang ketertiban besar dan memungkinkannya mendapatkan keuntungan dengan memenuhi pesanan dengan harga lebih tinggi. Ini kadang-kadang diidentifikasi sebagai front-running berteknologi tinggi. (Untuk informasi lebih lanjut tentang praktik perdagangan dan penipuan frekuensi tinggi, lihat: Jika Anda Membeli Saham Secara Online, Anda Terlibat dalam HFTs.) Persyaratan Teknis untuk Trading Algoritma Menerapkan algoritma yang menggunakan program komputer adalah bagian terakhir, dipukuli dengan backtesting. Tantangannya adalah mengubah strategi yang teridentifikasi menjadi proses terkomputerisasi terpadu yang memiliki akses ke akun trading untuk menempatkan pesanan. Berikut ini adalah yang diperlukan: Pengetahuan pemrograman komputer untuk memprogram strategi perdagangan yang dibutuhkan, pemrogram yang dipekerjakan atau perangkat lunak perdagangan pra-dibuat Konektivitas jaringan dan akses ke platform perdagangan untuk menempatkan pesanan Akses ke umpan data pasar yang akan dipantau oleh algoritme untuk mendapatkan kesempatan Perintah Kemampuan dan infrastruktur untuk mendukung kembali sistem yang pernah dibangun, sebelum diluncurkan di pasar riil Data historis yang ada untuk backtesting, tergantung pada kompleksitas peraturan yang diterapkan dalam algoritma Berikut adalah contoh komprehensif: Royal Dutch Shell (RDS) terdaftar di Amsterdam Stock Exchange (AEX) dan London Stock Exchange (LSE). Mari kita membangun sebuah algoritma untuk mengidentifikasi peluang arbitrase. Berikut adalah beberapa pengamatan yang menarik: Perdagangan AEX dalam Euro, sementara perdagangan LSE di Sterling Pounds Karena perbedaan waktu satu jam, AEX dibuka satu jam lebih awal dari LSE, diikuti oleh perdagangan bursa secara bersamaan selama beberapa jam berikutnya dan kemudian diperdagangkan hanya di LSE selama Jam terakhir saat AEX ditutup Dapatkah kita menjelajahi kemungkinan perdagangan arbitrase pada saham Royal Dutch Shell yang terdaftar di dua pasar ini dalam dua mata uang yang berbeda Program komputer yang dapat membaca harga pasar saat ini Harga feed dari kedua LSE dan AEX A feed valuta untuk Nilai tukar GBP-EUR Ketertiban menempatkan kemampuan yang dapat mengarahkan pesanan ke pertukaran yang benar Kemampuan pengujian kembali pada umpan harga historis Program komputer harus melakukan hal berikut: Baca umpan harga yang masuk dari saham RDS dari kedua bursa Dengan menggunakan kurs valuta asing yang tersedia . Mengubah harga satu mata uang ke mata uang lainnya Jika ada selisih harga yang cukup besar (diskon biaya broker) yang mengarah ke peluang yang menguntungkan, maka letakkan pesanan beli pada kurs dengan harga lebih rendah dan pesan jual pada harga yang lebih tinggi Jika pesanan dieksekusi sebagai Yang diinginkan, keuntungan arbitrase akan mengikuti Simple and Easy Namun, praktik perdagangan algoritmik tidak sesederhana itu untuk dipelihara dan dijalankan. Ingat, jika Anda bisa menempatkan perdagangan yang dihasilkan secara algo, demikian juga para pelaku pasar lainnya. Akibatnya, harga berfluktuasi dalam milenium dan bahkan mikrodetik. Dalam contoh di atas, apa yang terjadi jika perdagangan beli Anda akan dieksekusi, tapi menjual perdagangan tidak seperti harga jual berubah pada saat pesanan Anda menyentuh pasar Anda akan akhirnya duduk dengan posisi terbuka. Membuat strategi arbitrase Anda tidak berharga Ada risiko dan tantangan tambahan: misalnya, risiko kegagalan sistem, kesalahan konektivitas jaringan, kelambanan waktu antara pesanan dan eksekusi perdagangan, dan yang terpenting dari semua algoritma yang tidak sempurna. Algoritma yang lebih kompleks, backtesting yang lebih ketat diperlukan sebelum dilakukan. Analisis kuantitatif kinerja algoritma memainkan peran penting dan harus diperiksa secara kritis. Its menarik untuk pergi untuk otomatisasi dibantu oleh komputer dengan gagasan untuk menghasilkan uang dengan mudah. Tapi kita harus memastikan sistem diuji secara menyeluruh dan batas yang dibutuhkan ditetapkan. Analitik pedagang harus mempertimbangkan belajar pemrograman dan membangun sistem mereka sendiri, untuk yakin tentang pelaksanaan strategi yang tepat dengan cara yang sangat mudah. Penggunaan hati-hati dan pengujian menyeluruh terhadap algo-trading dapat menciptakan peluang yang menguntungkan. Jenis struktur kompensasi yang biasanya digunakan oleh hedge fund manager di bagian kompensasi mana yang berbasis kinerja. Perlindungan terhadap hilangnya pendapatan yang akan terjadi jika tertanggung meninggal dunia. Penerima manfaat bernama menerima. Ukuran hubungan antara perubahan kuantitas yang diminta dari barang tertentu dan perubahan harga. Harga. Total nilai pasar dolar dari seluruh saham perusahaan yang beredar. Kapitalisasi pasar dihitung dengan cara mengalikan. Frexit pendek untuk quotFrench exitquot adalah spinoff Prancis dari istilah Brexit, yang muncul saat Inggris memilih. Perintah ditempatkan dengan broker yang menggabungkan fitur stop order dengan pesanan limit. Sebuah stop-limit order akan. Algoritma Genetika Terbaru dalam Sistem Perdagangan FOREX Menggunakan Algoritma Genetika untuk menciptakan Strategi Perdagangan FOREX yang menguntungkan. Algoritma Genetika di Cortex Neural Networks Perangkat Lunak Feedforward Backpropagation Neural Network Aplikasi untuk perhitungan genetik berbasis perdagangan Forex. Contoh ini menggunakan konsep dan gagasan dari artikel sebelumnya, jadi tolong baca Algoritma Genetika Jaringan Syaraf Tiruan dalam Sistem Perdagangan FOREX terlebih dahulu, meski tidak wajib. Tentang teks ini Pertama-tama, mohon membaca disclaimer. Ini adalah contoh penggunaan fungsionalitas algoritma genetika Jaringan Cortex Neural Networks, bukan contoh bagaimana melakukan trading yang menguntungkan. Saya bukan guru Anda, saya juga tidak bertanggung jawab atas kerugian Anda. Cortex Neural Networks Software memiliki jaringan syaraf di dalamnya, dan FFBP yang pernah kita bahas sebelumnya hanyalah salah satu cara untuk memilih strategi trading forex. Ini adalah teknik yang bagus, kuat dan bila diaplikasikan dengan benar, sangat menjanjikan. Namun, ada masalah - untuk mengajar Jaringan Syaraf Tiruan. Kita perlu tahu output yang diinginkan. Hal ini agak mudah dilakukan ketika kita melakukan aproksimasi fungsi, kita hanya mengambil nilai sebenarnya dari sebuah fungsi, karena kita tahu apa jadinya. Saat kita melakukan peramalan jaringan syaraf tiruan. Kami menggunakan teknik (dijelaskan dalam artikel sebelumnya) untuk mengajarkan Jaringan Syaraf Tiruan pada sejarah, sekali lagi, jika kita memprediksi, katakanlah, nilai tukar, kita tahu (selama pelatihan) apa prediksi yang benar. Namun, ketika kita membangun sistem perdagangan, kita tidak tahu apa keputusan trading yang benar, walaupun kita tahu nilai tukar. Sebenarnya, kita memiliki banyak strategi trading forex yang bisa kita gunakan kapan saja, dan Kita perlu menemukan yang baik - bagaimana Apa yang harus kita makan sebagai keluaran yang diinginkan dari Neural Net kita Jika Anda mengikuti artikel sebelumnya, Anda tahu, bahwa kita telah menipu untuk mengatasi masalah ini. Kami menganjurkan Neural Network untuk melakukan prediksi nilai tukar (atau nilai tukar berbasis indikator), dan kemudian menggunakan prediksi ini untuk melakukan trading. Kemudian, di luar bagian Neural Network dari program ini, kami membuat keputusan tentang Jaringan Syaraf Tiruan mana yang terbaik. Algoritma genetika dapat mengatasi masalah ini secara langsung, mereka BISA memecahkan masalah yang dinyatakan sebagai menemukan sinyal perdagangan terbaik. Pada artikel ini kita akan menggunakan Cortex Neural Networks Software untuk membuat program semacam itu. Algoritma genetika menggunakan Algoritma Genetika yang sangat berkembang dengan baik, dan sangat beragam. Jika Anda ingin mempelajari semua tentang mereka, saya sarankan Anda menggunakan Wikipedia, karena artikel ini hanya tentang apa yang dapat dilakukan Cortex Neural Networks Software. Memiliki Cortex Neural Networks Software. Kita dapat membuat Jaringan Syaraf Tiruan yang mengambil beberapa input, katakanlah, nilai indikator, dan menghasilkan beberapa keluaran, katakanlah, sinyal perdagangan (beli, jual, tahan) dan stop loss mengambil tingkat keuntungan untuk posisi yang akan dibuka. Tentu saja, jika kita membobol bobot Jaringan Syaraf Tiruan ini secara acak, hasil perdagangan akan sangat buruk. Namun, katakanlah kita menciptakan selusin NN tersebut. Kemudian kita bisa menguji kinerja masing-masing, dan memilih yang terbaik, pemenangnya. Ini adalah generasi pertama NNs. Untuk melanjutkan ke generasi kedua, kita perlu membiarkan pemenang kita berkembang biak, tapi untuk menghindari salinan yang sama, mari tambahkan beberapa noice acak ke bobot keturunannya. Pada generasi kedua, kita memiliki pemenang generasi pertama dan salinannya yang tidak sempurna (bermutasi). Mari kita melakukan pengujian lagi. Kami akan memiliki pemenang lain, yang LEBIH BAIK, maka Jaringan Syaraf Tiruan lainnya ada di generasinya. Dan seterusnya. Kami hanya mengizinkan para pemenang untuk berkembang biak, dan menghilangkan pecundang, sama seperti evolusi kehidupan nyata, dan kami akan mendapatkan jaringan syaraf perdagangan terbaik kami. Tanpa pengetahuan sebelumnya tentang bagaimana sistem perdagangan (algoritma genetika) seharusnya. Algoritma Genetika Jaringan Syaraf Tiruan: Contoh 0 Ini adalah contoh algoritma genetika yang pertama. Dan yang sangat sederhana. Kita akan berjalan melewatinya selangkah demi selangkah, untuk mempelajari semua trik yang akan digunakan contoh berikut. Kode memiliki komentar sebaris, jadi mari kita fokus pada momen penting. Pertama, kita telah menciptakan jaringan syaraf tiruan. Ini menggunakan bobot acak, dan belum diajar. Kemudian, dalam siklus, kita membuat 14 salinannya, dengan menggunakan fumction MUTATIONNN. Fungsi ini membuat salinan sumber Neural Network. Menambahkan nilai acak dari 0 ke (dalam kasus kami) 0,1 ke semua bobot. Kami tetap menangani 15 NNs dalam array, kita bisa melakukannya, karena pegangan hanya bilangan bulat. Alasan kami menggunakan 15 NN tidak ada hubungannya dengan perdagangan: Cortex Neural Networks Software dapat merencanakan hingga 15 baris pada grafik secara bersamaan. Kita bisa menggunakan pendekatan yang berbeda untuk pengujian. Pertama, kita bisa menggunakan set pembelajaran, semuanya sekaligus. Kedua, kita bisa menguji, katakanlah, 12000 surat perintah (dari 100000), dan berjalan melalui rangkaian pembelajaran, dari awal sampai akhir. Itu akan membuat learnigs berbeda, karena kita akan mencari Neural Network s yang menguntungkan pada setiap bagian data, tidak hanya di seluruh rangkaian. Pendekatan kedua bisa memberi kita masalah, jika data berubah, dari awal sampai akhir. Kemudian jaringan akan berkembang, mendapatkan kemampuan untuk berdagang di penghujung data, dan kehilangan kemampuan untuk berdagang sejak awal. Untuk mengatasi masalah itu, kita akan mengambil acak 12000 fragmen data dari data, dan memasukkannya ke Neural Network. Hanyalah siklus yang tak ada habisnya, karena siklus 100000 tidak akan pernah tercapai pada kecepatan kita. Di bawah ini kami menambahkan satu anak untuk setiap jaringan, dengan bobot sedikit berbeda. Perhatikan, bahwa 0.1 untuk mutasi tange bukan satu-satunya pilihan, faktanya, parameter ini pun bisa dioptimalkan menggunakan algoritma genetika. NN yang baru dibuat ditambahkan setelah 15 yang sudah ada. Dengan cara ini kita memiliki 30 NNs dalam array, 15 tua dan 15 baru. Kemudian kita akan melakukan siklus pengujian berikutnya, dan untuk membunuh pecundang, dari kedua generasi. Untuk melakukan pengujian, kami menerapkan Jaringan Syaraf Tiruan ke data kami, untuk menghasilkan keluaran, dan kemudian memanggil fungsi Uji, yang menggunakan keluaran ini untuk mensimulasikan perdagangan. Hasil perdagangan digunakan untuk menentukan, mana NN yang terbaik. Kami menggunakan interval catatan nLearn, dari nStart ke nStart nLearn, di mana nStart adalah titik acak dalam pembelajaran. Kode di bawah ini adalah tipuan. Alasan kami menggunakannya adalah untuk mengilustrasikan fakta, bahwa algoritma genetika dapat menciptakan algoritma genetika. Tapi itu tidak akan menjadi yang terbaik, dan juga, untuk menyarankan, bahwa kita dapat memperbaiki hasilnya, jika kita menyiratkan beberapa keterbatasan pada proses belajar. Ada kemungkinan, bahwa sistem perdagangan kita bekerja dengan baik pada perdagangan yang panjang, dan sangat buruk, atau sebaliknya. Jika, katakanlah, perdagangan panjang SANGAT bagus, algoritma genetika ini bisa menang, bahkan dengan kerugian besar pada perdagangan pendek. Untuk menghindarinya, kita menetapkan bobot lebih pada perdagangan panjang dalam perdagangan ganjil dan pendek bahkan dalam siklus. Ini hanyalah sebuah contoh, tidak ada jaminan, bahwa itu akan memperbaiki sesuatu. Lebih lanjut tentang itu di bawah ini, dalam diskusi tentang koreksi. Secara teknis, Anda tidak perlu melakukannya, atau bisa membuatnya berbeda. Tambahkan keuntungan ke array yang diurutkan. Ini mengembalikan posisi penyisipan, kemudian kita menggunakan posisi ini untuk menambahkan pegangan Jaringan Syaraf Tiruan, mempelajari dan menguji keuntungan ke array yang tidak diurutkan. Sekarang kita memiliki data untuk Jaringan Syaraf Tiruan saat ini pada indeks array yang sama dengan keuntungannya. Idenya adalah sampai pada deretan NN, diurutkan berdasarkan profitabilitas. Karena array diurutkan berdasarkan keuntungan, untuk menghapus 12 jaringan, yang kurang menguntungkan, kita hanya perlu menghapus NN 0 sampai 14 Keputusan perdagangan didasarkan pada nilai sinyal Neural Network, dari sudut pandang ini programnya identik dengan contoh dari Artikel sebelumnya Strategi Perdagangan FOREX: Membahas contoh 0 Pertama-tama, mari kita lihat grafiknya. Bagan pertama untuk keuntungan selama iterasi pertama tidak bagus sama sekali, seperti yang diharapkan, Jaringan Syaraf Tiruan kehilangan uang (image evolution00gen0.png disalin setelah iterasi pertama dari folder gambar): Citra untuk keuntungan pada siklus 15 lebih baik, kadang-kadang , Algoritma genetika dapat belajar sangat cepat: Namun, perhatikan kejenuhan pada kurva keuntungan. Menarik juga untuk melihat bagaimana keuntungan individu berubah, mengingat, jumlah kurva tersebut, katakanlah, tidak selalu sama untuk Jaringan Syaraf Tiruan yang sama. Karena mereka terlahir dan dihentikan setiap saat: Perhatikan juga, bahwa dengan sedikit sistem perdagangan otomatis forex melakukan buruk pada perdagangan pendek, dan jauh lebih baik dalam rindu, yang mungkin atau mungkin tidak terkait dengan fakta, bahwa dolar turun dibandingkan dengan Euro selama periode tersebut Ini juga mungkin ada kaitannya dengan parameter indikator kita (mungkin, kita memerlukan periode yang berbeda untuk celana pendek) atau pilihan indikator. Inilah sejarah setelah siklus 92 dan 248: Yang mengejutkan kami, algoritma genetika gagal total. Mari kita coba untuk mencari tahu mengapa, dan bagaimana membantu situasi. Pertama-tama, isnt setiap generasi seharusnya lebih baik daripada yang sebelumnya. Jawabannya tidak, setidaknya tidak sesuai model yang kita gunakan. Jika kita terus belajar mengatur sekaligus, dan menggunakannya berulang kali untuk mengajarkan NNs kita, maka ya, mereka akan memperbaiki setiap generasi. Tapi sebaliknya, kami mengambil fragmen acak (12000 catatan waktu), dan menggunakannya. Dua pertanyaan: mengapa sistem gagal dalam fragmen acak dari himpunan pembelajaran, dan mengapa kita tidak menggunakan keseluruhan pembelajaran. Untuk menjawab pertanyaan kedua, saya melakukannya. NNs tampil sangat - pada set pembelajaran. Dan mereka gagal dalam pengujian, karena alasan yang sama gagal saat kami menggunakan pembelajaran FFPB. Secara berbeda, NNs kita mengalami overspecialized, mereka belajar bagaimana bertahan di lingkungan tempat mereka dulu, tapi tidak di luarnya. Hal ini banyak terjadi di alam. Pendekatan yang kami ambil malah dimaksudkan untuk mengkompensasi hal itu, dengan memaksa NN melakukan kinerja yang baik pada fragmen dataset acak manapun, sehingga mudah-mudahan, mereka juga dapat melakukan pengujian yang tidak biasa. Sebaliknya, mereka gagal dalam pengujian dan pembelajaran. Bayangkan binatang, tinggal di padang pasir. Banyak matahari, tidak ada salju sama sekali. Ini adalah metafor untuk menilai pasar, karena data NNs kita memainkan peran lingkungan. Hewan belajar tinggal di padang pasir. Bayangkan binatang, yang hidup dalam iklim yang dingin. Salju dan tidak ada matahari sama sekali. Nah, mereka menyesuaikan diri. Namun, dalam percobaan kami, kami secara acak menempatkan NNs kami di padang pasir, di salju, di air, di pepohonan. Dengan menyajikan berbagai fragmen data (secara acak naik, jatuh, rata.). Hewan mati. Atau, dengan kata lain, kami memilih Jaringan Syaraf Tiruan terbaik untuk kumpulan data acak 1, yang, katakanlah, adalah untuk meningkatkan pasar. Kemudian kami sampaikan, kepada para pemenang dan anak-anak mereka, data pasar yang sedang jatuh. NNs tampil buruk, kami mengambil yang terbaik dari pemain miskin, mungkin salah satu anak mutan, yang kehilangan kemampuan untuk berdagang di pasar yang sedang naik, namun memiliki kemampuan untuk mengatasi kejatuhannya. Kemudian kami membalik meja lagi, dan sekali lagi, kami mendapatkan pemain terbaik - tapi terbaik di antara pemain miskin. Kami hanya tidak memberikan NNs kami kesempatan untuk menjadi universal. Ada beberapa teknik yang memungkinkan algoritma genetika mempelajari informasi baru tanpa menghilangkan informasi lama (bagaimanapun juga, hewan dapat hidup di musim panas dan musim dingin, jadi evolusi dapat mengatasi perubahan yang berulang). Kita mungkin akan membahas teknik ini nanti, walaupun artikel ini lebih banyak tentang penggunaan Perangkat Lunak Neural Networks Cortex. Daripada tentang membangun sistem perdagangan otomatis forex yang sukses. Algoritma Genetika Jaringan Syaraf Tiruan: Contoh 1 Sekarang saatnya untuk membicarakan koreksi. Algoritma genetika sederhana yang kami buat selama langkah sebelumnya memiliki dua kelemahan utama. Pertama, gagal melakukan perdagangan dengan keuntungan. Tidak apa-apa, kita bisa mencoba menggunakan sistem yang sebagian terlatih (memang menguntungkan di awal). Cacat kedua lebih serius: kita tidak memiliki kendali atas hal-hal, bahwa sistem ini tidak. Misalnya, mungkin belajar untuk menjadi menguntungkan, tapi dengan penarikan besar. Ini adalah fakta yang diketahui, bahwa dalam kehidupan nyata, evolusi dapat mengoptimalkan lebih dari satu parameter secara bersamaan. Sebagai contoh, kita bisa mendapatkan seekor binatang, yang bisa berlari cepat DAN tahan terhadap dingin. Mengapa tidak mencoba melakukan hal yang sama di sistem trading otomatis forex kita. Thats ketika kita menggunakan koreksi, yang tidak lain adalah himpunan hukuman tambahan. Katakanlah, sistem kita diperdagangkan dengan drawdown 0.5, sementara kita ingin mengkonfirmasi ke 0 - 0,3 interval. Untuk memberi tahu sistem bahwa itu membuat kesalahan, kami menurunkan keuntungannya (yang digunakan untuk menentukan, algoritma genetika mana yang dimenangkan) sampai tingkat yang sebanding dengan ukuran DD. Kemudian, algoritma evolusi menangani sisanya. Ada beberapa faktor lagi, yang ingin kita pertimbangkan: kita mungkin ingin memiliki jumlah operasi buy and sell yang kurang lebih sama, kita ingin memiliki lebih banyak operasi yang menguntungkan, kemudian kegagalan, kita mungkin menginginkan bagan keuntungan untuk Menjadi linier dan seterusnya. Dalam evolusi01.tsc kita menerapkan satu set koreksi sederhana. Pertama-tama, kami menggunakan sejumlah besar untuk nilai koreksi awal. Kami memperbanyaknya menjadi nilai kecil (biasanya antara 0 dan 1), tergantung pada hukuman yang ingin kami terapkan. Kemudian kita melipatgandakan keuntungan kita dengan koreksi ini. Akibatnya, keuntungan dikoreksi, untuk mencerminkan seberapa banyak algoritma genetik sesuai dengan kriteria kita yang lain. Kemudian kami menggunakan hasilnya untuk menemukan pemenang Neural Network. Strategi Perdagangan FOREX: Membahas contoh 1 Contoh 1 bekerja lebih baik, daripada contoh 0. Selama 100 siklus pertama, ia belajar banyak, dan grafik keuntungan terlihat meyakinkan. Namun, seperti pada contoh 0, perdagangan panjang jauh lebih menguntungkan, yang kemungkinan besar berarti ada masalah dalam pendekatan kami. Namun demikian, sistem tersebut menemukan keseimbangan antara beberapa kondisi awal yang kontradiktif: Ada beberapa dinamika positif baik dalam pembelajaran maupun yang lebih penting, dalam pengujian. Sedangkan untuk pembelajaran lebih lanjut, pada siklus 278 kita dapat melihat, bahwa sistem kita terlipat. Artinya, kita masih memiliki kemajuan dalam pembelajaran: Tapi rangkaian pengujian menunjukkan kelemahan: Ini adalah masalah umum dengan NNs: ketika kita mengajarkannya pada pembelajaran, ia belajar untuk menghadapinya, dan terkadang pembelajarannya berjalan dengan baik - ke Derajat, bila kehilangan kinerja pada set pengujian. Untuk mengatasi masalah itu, solusi tradisional digunakan: kami terus mencari Jaringan Syaraf Tiruan. Yang melakukan yang terbaik pada set pengujian, dan simpan, Timpa yang terbaik sebelumnya, setiap saat puncak baru tercapai. Ini adalah pendekatan yang sama, kami menggunakan pelatihan FFBP, kecuali saat ini kami harus melakukannya sendiri (menambahkan kode, yang mencari Jaringan Syaraf Tiruan terbaik di set pengujian, dan memanggil SAVENN, atau mengekspor bobot Jaringan Syaraf Tiruan ke sebuah mengajukan). Dengan cara ini, saat Anda menghentikan latihan Anda, Anda akan memiliki pemain terbaik SETEL TESTING SET yang tersimpan dan menunggu Anda. Perhatikan juga, itu bukan yang maks. Keuntungan yang Anda kejar, tapi performa optimal, jadi pertimbangkan untuk menggunakan koreksi, saat mencari pemain terbaik di set pengujian. Algoritma Genetika untuk Analisis Teknik FOREX: Dimana sekarang Setelah Anda mendapatkan Neural Network pemenang Anda. Anda bisa mengikuti langkah-langkahnya, yang dijelaskan di artikel sebelumnya, untuk mengekspor bobot Jaringan Syaraf Tiruan itu. Dan kemudian menggunakannya di platform trading real time Anda, seperti Meta Trader, Trade Station dan sebagainya. Sebagai alternatif, Anda dapat berfokus pada cara lain untuk mengoptimalkan Neural Network. Berbeda dengan algoritma FFBP, di sini Anda bisa mendapatkan avay dari menggunakan set pembelajaran dan pengujian, dan memindahkan pembelajaran berurutan. Download Cortex Order Cortex Lihat Harga Daftar Visibilitas sangat penting untuk situs ini. Jika Anda suka silakan link ke URL ini