विदेशी मुद्रा व्यापार - कलन विधि - पीडीएफ

विदेशी मुद्रा एल्गोरिथम ट्रेडिंग की मूल बातें लगभग तीस साल पहले, विदेशी मुद्रा बाजार (विदेशी मुद्रा) टेलिफोन, संस्थागत निवेशकों द्वारा आयोजित ट्रेडों की विशेषता थी। अपारदर्शी मूल्य की जानकारी, अंतर-व्यापारिक व्यापार और डीलर-ग्राहक व्यापार और कम बाज़ार एकाग्रता के बीच स्पष्ट अंतर। आज, तकनीकी प्रगति ने बाजार को बदल दिया है। व्यापार मुख्य रूप से कंप्यूटर के माध्यम से किया जाता है, खुदरा व्यापारियों को बाजार में प्रवेश करने की इजाजत देता है, वास्तविक समय की स्ट्रीमिंग कीमतों में पारदर्शिता बढ़ जाती है और डीलरों और उनके सबसे परिष्कृत ग्राहकों के बीच अंतर काफी हद तक गायब हो गया है। एक विशेष रूप से महत्वपूर्ण परिवर्तन एल्गोरिथम व्यापार का परिचय है। जो, विदेशी मुद्रा व्यापार के कामकाज में महत्वपूर्ण सुधार करने के दौरान, कई जोखिम भी प्रस्तुत करता है विदेशी मुद्रा बाजार और एल्गोरिथम व्यापार की मूल बातें देखकर, हम कुछ लाभों की पहचान करेंगे, एल्गोरिथम ट्रेडिंग ने मुद्रा व्यापार में लाया है जबकि कुछ जोखिमों को भी इंगित किया है। विदेशी मुद्रा मूल बातें विदेशी मुद्रा एक आभासी जगह है जिसमें मुद्रा जोड़े का उद्धरण मूल्यों के अनुसार अलग-अलग संस्करणों में कारोबार किया जाता है, जिसमें एक मुद्रा मुद्रा के संदर्भ में आधार मुद्रा का मूल्य दिया जाता है। दिन में 24 घंटे, सप्ताह में पांच दिन, विदेशी मुद्रा को दुनिया का सबसे बड़ा और सबसे अधिक तरल वित्तीय बाजार माना जाता है। इंटरनेशनल सेटलमेंट के लिए बैंक (बीआईएस) अप्रैल 2013 में दैनिक वैश्विक औसत व्यापार 2.0 खरब डॉलर था। इस व्यापार का थोक यू.एस. डॉलर, यूरो और जापानी येन के लिए किया जाता है और इसमें निजी बैंक, केंद्रीय बैंक, पेंशन फंड सहित कई खिलाड़ियों को शामिल किया गया है। संस्थागत निवेशक, बड़े निगम, वित्तीय कंपनियां और व्यक्तिगत खुदरा व्यापारियों हालांकि कुछ निवेशकों के लिए सट्टा व्यापार मुख्य प्रेरणा हो सकता है, विदेशी मुद्रा बाजार अस्तित्व का मुख्य कारण यह है कि लोगों को विदेशी वस्तुओं और सेवाओं को खरीदने के लिए मुद्राओं को व्यापार करने की आवश्यकता है विदेशी मुद्रा बाजार में गतिविधि वास्तविक विनिमय दरों को प्रभावित करती है और इसलिए किसी विशेष देश के आउटपुट, रोजगार, मुद्रास्फीति और पूंजी प्रवाह पर गहरा प्रभाव डाल सकता है। इस कारण से, नीति निर्माताओं, जनता और मीडिया के पास फ़ॉरेक्स बाजार में जो भी चल रहा है उसमें निहित स्वार्थ है। एल्गोरिथम ट्रेडिंग की मूल बातें एक एल्गोरिथ्म अनिवार्यतः स्पष्ट रूप से परिभाषित कार्य को पूरा करने के लिए डिज़ाइन किए गए विशिष्ट नियमों का एक सेट है। वित्तीय बाजार व्यापार में, कम्प्यूटर उपयोगकर्ता-निर्धारित एल्गोरिदम को मानदंडों के एक सेट के आधार पर ले जाते हैं जैसे कि समय, मूल्य या मात्रा जो ट्रेडों को बनाए जाते हैं जो कि बनाए जाते हैं। वित्तीय बाजारों के भीतर चार बुनियादी प्रकार के एल्गोरिथम व्यापार मौजूद हैं: सांख्यिकीय, ऑटो हेजिंग, एल्गोरिथम निष्पादन रणनीतियों और प्रत्यक्ष बाज़ार पहुंच। सांख्यिकी एक एल्गोरिथम रणनीति को संदर्भित करता है जो ऐतिहासिक समय श्रृंखला डेटा के सांख्यिकीय विश्लेषण के आधार पर लाभदायक व्यापार अवसरों के लिए दिखता है। ऑटो हेजिंग एक रणनीति है जो जोखिम के लिए व्यापारियों के जोखिम को कम करने के लिए नियमों को उत्पन्न करती है। एल्गोरिदमिक निष्पादन रणनीतियों का लक्ष्य एक पूर्वनिर्धारित उद्देश्य को निष्पादित करना है, जैसे बाज़ार प्रभाव को कम करना या व्यापार को शीघ्रता से कार्यान्वित करना। अंत में, प्रत्यक्ष बाजार पहुंच इष्टतम गति और कम लागत का वर्णन करता है जिसमें एल्गोरिथम व्यापारियों का उपयोग और कई व्यापारिक प्लेटफार्मों से जुड़ सकता है। एल्गोरिथम व्यापार के उप-श्रेणियों में से एक उच्च आवृत्ति व्यापार है, जो कि व्यापारिक आदेश फैलावों की अत्यधिक उच्च आवृत्ति की विशेषता है। हाई-स्पीड ट्रेडिंग व्यापारियों को बढ़ते मूल्य में परिवर्तन के मिलीसेकंड में ट्रेड करने की क्षमता देकर उन्हें महत्वपूर्ण फायदे दे सकता है। लेकिन यह कुछ जोखिम भी ले सकता है विदेशी मुद्रा बाजार में एल्गोरिथम ट्रेडिंग विदेशी मुद्रा बाजार में पिछले वर्षों के दौरान एल्गोरिदमिक व्यापार में ज्यादा वृद्धि अल्गोरिदम के कारण कुछ प्रक्रियाओं को स्वचालित कर रही है और विदेशी मुद्रा लेनदेन करने के लिए आवश्यक घंटों को कम करता है। स्वचालन द्वारा बनाई गई दक्षता इन प्रक्रियाओं को चलाने में कम लागत की जाती है। ऐसी ही एक प्रक्रिया व्यापारिक आदेशों का निष्पादन है एक एल्गोरिथ्म के साथ व्यापार प्रक्रिया को स्वचालित करना जो पूर्व निर्धारित मानदंडों पर आधारित ट्रेडों, जैसे कि निर्दिष्ट अवधि के समय या किसी विशिष्ट कीमत पर आदेश निष्पादित करना मनुष्य द्वारा मैन्युअल निष्पादन की तुलना में काफी अधिक कुशल है। बैंकों ने एल्गोरिदम का लाभ भी लिया है जो कि इलेक्ट्रॉनिक ट्रेडिंग प्लेटफॉर्म पर मुद्रा जोड़े की कीमतों को अपडेट करने के लिए प्रोग्राम किए गए हैं। ये एल्गोरिदम गति को बढ़ाता है जिस पर बैंक कीमतों को उद्धृत करने के लिए मैन्युअल कामकाजी घंटों की संख्या को कम करते हुए बाजार मूल्य की बोली लगा सकते हैं। कुछ बैंक कार्यक्रम एल्गोरिदम जोखिम के जोखिम को कम करने के लिए। एल्गोरिदम का उपयोग किसी विशेष मुद्रा को बेचने के लिए किया जा सकता है, जिसमें ग्राहकों के व्यापार का मिलान किया जाता है जिसमें बैंक ने उस विशेष मुद्रा की निरंतर मात्रा बनाए रखने के लिए समकक्ष राशि खरीदी थी इससे बैंक को उस मुद्रा को रखने के लिए जोखिम के पूर्व-निर्दिष्ट स्तर को बनाए रखने की अनुमति मिलती है। इन प्रक्रियाओं को एल्गोरिदम द्वारा काफी अधिक कुशल बनाया गया है, जिससे लेनदेन लागत कम हो सकती है। फिर भी, ये केवल ऐसे कारक नहीं हैं जो विदेशी मुद्रा एल्गोरिथम व्यापार में वृद्धि को चला रहे हैं। एल्गोरिदम तेजी से सट्टा कारोबार के लिए उपयोग किया जाता है क्योंकि उच्च आवृत्ति और एल्गोरिदम के आंकड़ों के विश्लेषण और निष्पादन आदेशों के संयोजन के कारण व्यापारियों को मुद्रा जोड़े के बीच छोटे मूल्य विचलन से उत्पन्न होने वाले मध्यस्थता अवसरों का फायदा उठाने की अनुमति मिलती है। इन सभी लाभों से विदेशी मुद्रा बाजार में एल्गोरिदम के बढ़ते उपयोग में वृद्धि हुई है, लेकिन एल्गोरिथम व्यापार के साथ आने वाले कुछ जोखिमों को देखते हैं। एल्गोरिथम विदेशी मुद्रा व्यापार में शामिल जोखिम हालांकि एल्गोरिथम व्यापार ने कई सुधार किए हैं, कुछ डाउनसाइट्स हैं जो विदेशी मुद्रा बाजार की स्थिरता और तरलता को खतरा दे सकते हैं। ऐसा एक नकारात्मक पक्ष बाजार सहभागियों की व्यापारिक शक्ति में असंतुलन से संबंधित है। कुछ प्रतिभागियों के पास अत्याधुनिक तकनीक प्राप्त करने का मतलब है जो उन्हें सूचना प्राप्त करने और दूसरों की तुलना में बहुत तेज़ गति से आदेशों को अंजाम देने की अनुमति देता है। सबसे अत्याधुनिक एल्गोरिथम तकनीक के संदर्भ में छप और कसौटी के बीच असंतुलन से बाजार में विखंडन हो सकता है जिससे समय के साथ तरलता की कमी हो सकती है। इसके अलावा, स्टॉक मार्केट और विदेशी मुद्रा बाजार के बीच मूलभूत मतभेद होने पर, कुछ ऐसे लोग हैं जो 6 मई, 2010 को स्टॉक मार्केट फ्लैश क्रैश को बढ़ाए हुए उच्च आवृत्ति व्यापार से डरते हैं कि इसी तरह विदेशी मुद्रा बाजार पर भी असर पड़ सकता है। चूंकि एल्गोरिदम विशिष्ट बाजार परिदृश्यों के लिए क्रमादेशित होते हैं, यदि वे बाजार में तेजी से परिवर्तन करने के लिए पर्याप्त रूप से पर्याप्त जवाब नहीं दे सकते हैं इस परिदृश्य के बाजारों से बचने के लिए बाजार की अशांति के दौरान निगरानी रखने और एल्गोरिथम व्यापार को निलंबित करने की आवश्यकता हो सकती है। हालांकि, इस तरह के चरम परिदृश्य में, कई बाजार सहभागियों द्वारा एल्गोरिथम व्यापार का एक साथ निलंबन के परिणामस्वरूप उच्च अस्थिरता और बाजार की तरलता में भारी कटौती हो सकती है। नीचे की रेखा हालांकि एल्गोरिथम व्यापार दक्षता बढ़ाने में सक्षम है, इसलिए व्यापारिक मुद्राओं की लागतों को कम करता है, यह कुछ अतिरिक्त जोखिमों के साथ भी आ गया है। मुद्राओं को ठीक से कार्य करने के लिए, वे मूल्य के कुछ स्थिर भंडार होने चाहिए और अत्यधिक तरल होनी चाहिए। इस प्रकार, यह महत्वपूर्ण है कि विदेशी मुद्रा बाजार कम कीमत की अस्थिरता के साथ तरल रहे। जीवन के सभी क्षेत्रों के साथ, नई तकनीक में कई लाभ सामने आते हैं, लेकिन यह नए जोखिमों के साथ भी आता है। एल्गोरिथम विदेशी मुद्रा व्यापार के भविष्य के लिए चुनौती होगी कि जोखिम को कम करने के दौरान लाभ को अधिकतम करने वाले परिवर्तनों को कैसे स्थापित किया जाए। विदेशी मुद्रा ट्रेडिंग सिस्टम में नॉर्वेजोनिक आनुवंशिक एल्गोरिथ्म लाभकारी विदेशी मुद्रा व्यापार रणनीति बनाने के लिए आनुवंशिक एल्गोरिथम का उपयोग करते हुए। आनुवंशिक एल्गोरिथ्म में कॉर्टेक्स न्यूरल नेटवर्क सॉफ्टवेयर फीडवर्वर्ड बैकप्रोपेगेशन न्यूरल नेटवर्क आनुवंशिक कम्प्यूटेशंस आधारित फॉरेक्स ट्रेडिंग आधारित है। यह उदाहरण पिछले लेख के विचारों और विचारों का उपयोग करता है, इसलिए कृपया विदेशी मुद्रा ट्रेडिंग सिस्टम में न्यूरल नेटवर्क आनुवंशिक एल्गोरिथम पढ़ें, हालांकि यह अनिवार्य नहीं है। इस पाठ के बारे में सबसे पहले, कृपया अस्वीकरण पढ़ें। यह कॉर्टेक्स न्यूरल नेटवर्क सॉफ़्टवेयर आनुवंशिक एल्गोरिथ्म कार्यक्षमता का उपयोग करने का एक उदाहरण है, लाभदायक व्यापार कैसे करना है इसका उदाहरण नहीं। मैं आपका गुरु नहीं हूँ, न ही मैं अपने नुकसान के लिए जिम्मेदार होना चाहिए। कॉर्टेक्स न्यूरल नेटवर्क सॉफ्टवेयर में इसमें तंत्रिका नेटवर्क है, और एफएफ़बीपी हमने पहले चर्चा की थी जो विदेशी मुद्रा व्यापार रणनीतियों को चुनने का एक ही तरीका है। यह एक अच्छी तकनीक है, शक्तिशाली है और जब ठीक से लागू किया जाता है, तो बहुत ही बढ़िया हालांकि, यह एक समस्या है - टीएन न्यूरल नेटवर्क को सिखाने के लिए हमें वांछित आउटपुट को जानना चाहिए। यह करना आसान नहीं है जब हम फ़ंक्शन सन्निकटन करते हैं, तो हम फ़ंक्शन के असली मान लेते हैं, क्योंकि हम जानते हैं कि यह क्या होना चाहिए। जब हम तंत्रिका नेटवर्क की भविष्यवाणी करते हैं हम इतिहास पर न्यूरल नेटवर्क को पढ़ाने की तकनीक (पिछला लेख में वर्णित है) का इस्तेमाल करते हैं, अगर हम भविष्यवाणी करते हैं, तो एक विनिमय दर, हम जानते हैं (प्रशिक्षण के दौरान) सही भविष्यवाणी क्या है हालांकि, जब हम एक व्यापार प्रणाली का निर्माण कर रहे हैं, तो हमें पता नहीं है कि सही ट्रेडिंग निर्णय क्या है, भले ही हम विनिमय दर जानते हों। तथ्य की बात के तौर पर, हमारे पास कई विदेशी मुद्रा व्यापारिक रणनीतियों हैं जो हम किसी भी समय उपयोग कर सकते हैं, और हमें एक अच्छा एक खोजने की ज़रूरत है - हमारे तंत्रिका नेट का वांछित उत्पादन के रूप में हमें क्या खाना चाहिए अगर आप हमारे पिछले लेख का पालन करते हैं, तो आप जानते हैं कि हमने इस समस्या से निपटने के लिए धोखा दिया है। हमने विनिमय दर (या विनिमय दर आधारित सूचक) की भविष्यवाणी करने के लिए तंत्रिका नेटवर्क को सिखाया, और फिर व्यापार करने के लिए इस भविष्यवाणी का इस्तेमाल किया। फिर, कार्यक्रम के तंत्रिका नेटवर्क के बाहर, हमने एक निर्णय किया जिसमें तंत्रिका नेटवर्क सबसे अच्छा एक है आनुवंशिक एल्गोरिदम सीधे इस समस्या से निपट सकते हैं, वे सबसे अच्छा व्यापारिक संकेतों के रूप में बताए गए समस्या को हल कर सकते हैं। इस अनुच्छेद में हम ऐसी एक कार्यक्रम बनाने के लिए कॉर्टेक्स न्यूरल नेटवर्क सॉफ्टवेयर का उपयोग करने जा रहे हैं। आनुवंशिक एल्गोरिथम जेनेटिक एल्गोरिदम का उपयोग बहुत अच्छी तरह से विकसित और बहुत ही विविध है। यदि आप उनके बारे में सब कुछ सीखना चाहते हैं, तो मेरा सुझाव है कि आप विकिपीडिया का उपयोग करें, क्योंकि यह लेख सिर्फ कॉर्टेक्स न्यूरल नेटवर्क सॉफ्टवेयर क्या कर सकता है। कोर्टेक्स न्यूरल नेटवर्क सॉफ्टवेयर होने हम एक तंत्रिका नेटवर्क बना सकते हैं जो कुछ सूचकांक लेता है, कहते हैं, एक सूचक के मूल्यों, और कुछ उत्पादन का उत्पादन करता है, कहते हैं, व्यापार संकेतों (खरीदना, बेचने, पकड़।) और रोकने के लिए स्थिति खोने के लिए लाभ स्तर लेना लाभकारी है। बेशक, अगर हम इस तंत्रिका नेटवर्क के वजन को बेतरतीब ढंग से सीधा करते हैं, तो व्यापारिक परिणाम भयानक होंगे। हालांकि, हम कहते हैं कि हमने इस तरह के एनएन के एक दर्जन बनाए तब हम उनमें से प्रत्येक के प्रदर्शन का परीक्षण कर सकते हैं, और सबसे अच्छा एक, विजेता चुन सकते हैं। यह एनएन की पहली पीढ़ी थी दूसरी पीढ़ी को जारी रखने के लिए, हमें अपने विजेता को पैदा करने की अनुमति होनी चाहिए, लेकिन समान प्रतियों से बचने के लिए, अपने विलुप्त होने के वजन में कुछ यादृच्छिक शोर जोड़ दें। दूसरी पीढ़ी में, हमारी पहली पीढ़ी के विजेता और इसकी अपूर्ण (उत्परिवर्तित) प्रतियां हैं। चलो फिर से परीक्षण करते हैं। हमारे पास एक और विजेता होगा, जो कि बेहतर है और पीढ़ी में किसी भी अन्य तंत्रिका नेटवर्क। और इसी तरह। हम केवल विजेताओं को नस्ल, और हारे को खत्म करने की अनुमति देते हैं, जैसे कि वास्तविक जीवन विकास में, और हम अपना सर्वश्रेष्ठ-व्यापार तंत्रिका नेटवर्क प्राप्त करेंगे। व्यापार प्रणाली (आनुवंशिक एल्गोरिथ्म) की तरह होना चाहिए पर किसी भी पूर्व ज्ञान के बिना। तंत्रिका नेटवर्क आनुवंशिक एल्गोरिदम: उदाहरण 0 यह पहला आनुवंशिक एल्गोरिथम उदाहरण है। और एक बहुत सरल एक हम कदम से कदम के माध्यम से चलने जा रहे हैं, सभी युक्तियों को जानने के लिए कि निम्नलिखित उदाहरणों का उपयोग करेंगे। कोड में इनलाइन टिप्पणियां हैं, इसलिए मुख्य क्षणों पर ध्यान केंद्रित करने की सुविधा देता है। सबसे पहले, हमने एक तंत्रिका नेटवर्क बनाया है यह यादृच्छिक वजन का उपयोग कर रहा है, और अभी तक सिखाया नहीं गया था। इसके बाद, चक्र में, हम इसे 14 प्रतियां बनाते हैं, जो कि MUTATIONNN फ्यूम का उपयोग करते हैं। यह फ़ंक्शन एक स्रोत न्यूरल नेटवर्क की एक प्रति बनाता है। 0 से लेकर हमारे मामले में यादृच्छिक मानों को जोड़ना हम एक सरणी में 15 एनएन के परिणामस्वरूप हैंडल रखते हैं, हम ऐसा कर सकते हैं, क्योंकि हैंडल केवल एक पूर्णांक संख्या है। हम 15 एनएन के इस्तेमाल के कारण व्यापार के साथ कुछ नहीं करना है: कॉर्टेक्स न्यूरल नेटवर्क सॉफ्टवेयर एक चार्ट पर 15 लाइनों तक एक साथ प्लॉट कर सकती है। हम परीक्षण के लिए विभिन्न तरीकों का उपयोग कर सकते हैं। सबसे पहले, हम एक बार में सीखने के सेट का उपयोग कर सकते हैं। दूसरा, हम परीक्षण कर सकते हैं, कहते हैं, 12000 निस्तार (100000 में से), और सीखने के माध्यम से चलना, शुरुआत से अंत तक इससे शिक्षार्थियों को अलग करना होगा, क्योंकि हम न्यूरल नेटवर्क के लिए देखेंगे जो कि डेटा के किसी भी हिस्से पर लाभदायक हैं, न कि संपूर्ण सेट पर। दूसरा दृष्टिकोण हमें समस्याएं दे सकता है, यदि डेटा बदलता है, शुरुआत से अंत तक इसके बाद नेटवर्क तैयार होगा, डेटा सेट के अंत में व्यापार करने की क्षमता प्राप्त करना, और इसकी शुरुआत में व्यापार करने की योग्यता खोनी होगी। उस समस्या को हल करने के लिए, हम डेटा से यादृच्छिक 12000 रिकॉर्ड टुकड़े ले जा रहे हैं, और इसे तंत्रिका नेटवर्क में फ़ीड कर सकते हैं। बस एक अंतहीन चक्र है, क्योंकि 100000 चक्र हमारी गति से कभी नहीं पहुंचेंगे नीचे हम प्रत्येक नेटवर्क के लिए एक छोटा बच्चा जोड़ते हैं, थोड़ा अलग वज़न के साथ। ध्यान दें, उत्परिवर्तन के लिए 0.1 केवल एकमात्र विकल्प नहीं है, जैसा कि तथ्य की बात है, यहां तक ​​कि इस पैरामीटर को आनुवंशिक एल्गोरिदम का उपयोग करके अनुकूलित किया जा सकता है। नवनिर्मित NNs 15 मौजूदा वाले के बाद जोड़े जाते हैं। इस तरह हमारे पास 30 एनएन, एक सरणी में, 15 पुराने और 15 नए। तब हम परीक्षण के अगले चक्र के लिए, और दोनों पीढ़ियों से, हारे को मारने के लिए जा रहे हैं। परीक्षण करने के लिए, हम अपने डेटा पर न्यूरल नेटवर्क को लागू करते हैं, आउटपुट तैयार करते हैं, और फिर टेस्ट फंक्शन कॉल करते हैं, जो इन आउटपुट का उपयोग व्यापार को अनुकरण करने के लिए करता है। व्यापार के परिणाम deside के लिए उपयोग किया जाता है, जो एनएन सबसे अच्छा हैं हम nLearn रिकॉर्ड के अंतराल का उपयोग nStart से nStart nLearn तक करते हैं, जहां nSTart सीखने के भीतर एक यादृच्छिक बिंदु है। नीचे दिए गए कोड एक चाल है इसका कारण हम इसका इस्तेमाल इस तथ्य को स्पष्ट करना है कि आनुवंशिक एल्गोरिथ्म आनुवंशिक एल्गोरिथ्म बना सकते हैं। लेकिन यह जरूरी नहीं कि सबसे अच्छा होगा, और यह भी सुझाव देने के लिए, कि हम परिणाम सुधार कर सकते हैं, अगर हम सीखने की प्रक्रिया में कुछ सीमाएं बताते हैं। यह संभव है, कि हमारी ट्रेडिंग प्रणाली लंबे ट्रेडों पर बहुत अच्छी तरह से काम करती है, और बहुत कम है, या इसके ठीक विपरीत। अगर, कहते हैं, लंबे ट्रेडों बहुत अच्छा है, यह आनुवंशिक एल्गोरिथ्म जीत सकता है, यहां तक ​​कि छोटी ट्रेडों पर बड़े नुकसान के साथ। इससे बचने के लिए, हम अजीब और भी सालों में छोटे ट्रेडों के लिए लंबी ट्रेडों को अधिक वजन देते हैं। यह सिर्फ एक उदाहरण है, इसमें कोई गारंटी नहीं है, इससे कुछ बेहतर होगा। सुधार के बारे में चर्चा में, इसके बारे में अधिक जानकारी। तकनीकी रूप से, आपको ऐसा करना नहीं है, या इसे अलग तरह से बना सकते हैं सॉर्ट किए गए सरणी के लिए लाभ जोड़ें यह एक सम्मिलन स्थिति देता है, फिर हम इस स्थिति का उपयोग न्यूरल नेटवर्क हैंडल, सीखने और नॉन-सॉर्टेड एरेज़ में लाभ का परीक्षण करने के लिए करते हैं। अब हमारे पास वर्तमान न्यूरल नेटवर्क के लिए डेटा समान सरणी सूचकांक में है जिसका लाभ है यह विचार है कि लाभप्रदता द्वारा सॉर्ट किए गए एनएन के सरणी तक पहुंचें। जैसा कि सरणी लाभ द्वारा सॉर्ट करता है, 12 नेटवर्कों को निकालने के लिए, जो कम लाभदायक होते हैं, हमें एनएनएस 0 से 14 ट्रेडिंग फैसले को दूर करने की जरूरत है, न्यूरल नेटवर्क सिग्नल के मूल्य पर आधारित है, इस दृष्टिकोण से यह कार्यक्रम उदाहरणों से समान है पिछले लेख विदेशी मुद्रा व्यापार रणनीति: उदाहरण पर चर्चा करना 0 सबसे पहले, चार्ट पर नज़र डालें। पहली यात्रा के दौरान लाभ के लिए पहली चार्ट अच्छा नहीं है, जैसा कि उम्मीद की जानी चाहिए, न्यूरल नेटवर्क पैसे खो देता है (इमेज इव्होल्यूशन 00gen0.png प्रतिलिपि चित्र फ़ोल्डर से पहले चलने के बाद): चक्र 15 में लाभ के लिए छवि बेहतर है, कभी-कभी , आनुवंशिक एल्गोरिदम वास्तव में तेजी से सीख सकते हैं: हालांकि, एक लाभ वक्र पर संतृप्ति नोटिस। यह ध्यान देने योग्य भी है कि व्यक्तिगत मुनाफे में बदलाव को ध्यान में रखते हुए, ध्यान में रखते हुए, कि वक्र संख्या, कहते हैं, 3 हमेशा एक ही तंत्रिका नेटवर्क के लिए नहीं है चूंकि वे हर समय जन्म लेते हैं और समाप्त कर देते हैं: यह भी ध्यान रखें, कि छोटी विदेशी मुद्रा स्वचालित व्यापार प्रणाली छोटी ट्रेडों में खराब प्रदर्शन करती है, और लंबे समय से बेहतर होती है, जो इस तथ्य से संबंधित नहीं हो सकती या हो सकती है, कि डॉलर की तुलना में गिर रहा है उस अवधि के दौरान यूरो इसमें हमारे सूचक के मापदंडों के साथ कुछ भी हो सकता है (शायद, हमें शॉर्ट्स के लिए अलग-अलग अवधि की आवश्यकता है) या संकेतक की पसंद। 92 और 248 चक्रों के बाद यह इतिहास है: हमारे आश्चर्य करने के लिए, आनुवांशिक एल्गोरिथ्म पूरी तरह से विफल हो गया। चलिए समझने की कोशिश क्यों करें, और स्थिति की मदद कैसे करें। सबसे पहले, प्रत्येक पीढ़ी को प्रीवीयूस से बेहतर नहीं माना जाता है जवाब नहीं है, कम से कम हम जिस मॉडल के इस्तेमाल में नहीं थे अगर हम एक ही समय में पूरी तरह से सीखने की कोशिश करते हैं, और हमारे एनएनस को सिखाने के लिए बार-बार इसका इस्तेमाल करते हैं, तो हाँ, ये प्रत्येक पीढ़ी में बेहतर होगा। लेकिन इसके बजाय, हम यादृच्छिक टुकड़े (समय में 12000 रिकॉर्ड) लेते थे, और उनका इस्तेमाल करते थे। दो सवाल: क्यों सिस्टम सीखने के यादृच्छिक टुकड़ों पर असफल रहा, और क्यों हमने पूरे शिक्षण सेट का इस्तेमाल किया दूसरे प्रश्न का उत्तर देने के लिए, मैंने किया। सीखने की स्थापना पर एनएन ने काफी प्रदर्शन किया। और वे परीक्षण सेट पर असफल रहे, इसी कारण यह विफल हो गया जब हमने एफएफपीबी सीखने का इस्तेमाल किया। इसे अलग तरीके से स्थापित करने के लिए, हमारे एनएनएस को अधिक स्पेशलाइज्ड किया गया, उन्होंने सीखा कि वे किस तरह के वातावरण में बने रहते हैं, लेकिन इसके बाहर नहीं। यह प्रकृति में बहुत कुछ होता है इसके बजाय हमने जिस दृष्टिकोण को लिया, उसके लिए यह सुनिश्चित करना था कि डेटासेट के किसी भी यादृच्छिक टुकड़े पर एनएन को अच्छा प्रदर्शन करने के लिए मजबूर किया जाए, ताकि उम्मीद है कि वे एक अपरिचित परीक्षण सेट पर भी प्रदर्शन कर सकते हैं। इसके बजाय, वे परीक्षण और सीखने सेट पर दोनों में विफल रहे। जानवरों की कल्पना करो, रेगिस्तान में रहना। बहुत सारी धूप, कोई बर्फ नहीं। यह बाजार rising के लिए एक मेटाफ़र है, क्योंकि हमारे एनएन के आंकड़े पर्यावरण की भूमिका निभाते हैं। पशु एक रेगिस्तान में रहने के लिए सीखा। जानवरों की कल्पना करें, जो एक ठंडे मौसम में रहते हैं। बर्फ और कोई सूरज बिल्कुल नहीं। ठीक है, वे समायोजित हालांकि, हमारे प्रयोग में, हमने यादृच्छिक रूप से हमारे एनएन को एक रेगिस्तान में, बर्फ में, पानी में, पेड़ों पर रखा था। डेटा के विभिन्न टुकड़ों के साथ उन्हें प्रस्तुत करके (बेतरतीब ढंग से बढ़ते, गिरने, सपाट।) जानवरों की मृत्यु हो गई। या, इसे अलग से रखने के लिए, हमने यादृच्छिक डेटा सेट 1 के लिए सर्वश्रेष्ठ तंत्रिका नेटवर्क का चयन किया, जो कि, बढ़ते बाजार के लिए था। फिर हम विजेताओं और उनके बच्चों, एक गिरते बाजार के आंकड़ों को प्रस्तुत किया। एनएन ने खराब प्रदर्शन किया, हम खराब प्रदर्शनकर्ताओं में से सबसे अच्छा प्रदर्शन कर रहे थे, शायद, उत्परिवर्ती बच्चों में से एक, जो कि बढ़ते बाजार पर व्यापार करने की योग्यता खो देते हैं, लेकिन एक गिरने से निपटने की क्षमता मिलती है। फिर हम मेज को फिर से बदल दिया, और फिर, हमें सर्वश्रेष्ठ कलाकार मिल गया - लेकिन खराब कलाकारों में सर्वश्रेष्ठ हम केवल हमारे एनएन को सार्वभौमिक बनने की कोई संभावना नहीं देते। आनुवंशिक एल्गोरिथ्म की नई तकनीकों को पुरानी जानकारी पर बिना प्रदर्शन के बिना सीखने की तकनीकें हैं (आखिरकार, जानवर गर्मियों में और सर्दियों में रह सकते हैं, सही तो विकास दोहराए गए बदलावों को संभालने में सक्षम है) हम बाद में इन तकनीकों पर चर्चा कर सकते हैं, हालांकि यह आलेख कॉर्टेक्स न्यूरल नेटवर्क सॉफ्टवेयर का उपयोग करने के बारे में अधिक है। एक सफल विदेशी मुद्रा स्वचालित व्यापार प्रणाली के निर्माण के बारे में तंत्रिका नेटवर्क आनुवंशिक एल्गोरिदम: उदाहरण 1 अब यह सुधार के बारे में बात करने का समय है। पिछले चरण के दौरान हमने जो साधारण आनुवंशिक एल्गोरिदम बनाया है, उनमें दो प्रमुख दोष हैं। सबसे पहले, यह लाभ के साथ व्यापार करने में विफल रहा है यह ठीक है, हम आंशिक रूप से प्रशिक्षित सिस्टम का उपयोग करने की कोशिश कर सकते हैं (शुरुआत में यह लाभदायक था)। दूसरा दोष अधिक गंभीर है: हमारे पास कुछ चीजों पर कोई नियंत्रण नहीं है, जो कि यह प्रणाली करता है। उदाहरण के लिए, यह लाभप्रद होना सीख सकता है, लेकिन विशाल ड्रॉडाउन के साथ। यह एक अच्छी तरह से ज्ञात तथ्य है, कि वास्तविक जीवन में, विकास एक साथ एक से अधिक पैरामीटर का अनुकूलन कर सकता है। उदाहरण के लिए, हम एक जानवर प्राप्त कर सकते हैं, जो तेजी से चल सकता है और ठंड से प्रतिरोधी हो सकता है। क्यों नहीं हमारे विदेशी मुद्रा स्वचालित व्यापार प्रणाली में ऐसा करने की कोशिश करने के लिए जब हम सुधार का उपयोग करते हैं, जो अतिरिक्त दंडों के सेट पर कुछ भी नहीं है कहें, हमारे सिस्टम में गिरावट 0.5 के साथ व्यापार होता है, जबकि हम इसे 0 - 0.3 अंतराल की पुष्टि करना चाहते हैं। सिस्टम को यह बताने के लिए कि उसने गलती की है, हम अपनी लाभ (जो निर्धारित करने के लिए इस्तेमाल किया जाता है, जो आनुवंशिक एल्गोरिथ्म जीतता है) को डिग्री तक घटाते हैं, जो डीडी के आकार के समान है। उसके बाद, विकास एल्गोरिथ बाकी का ख्याल रखता है कुछ और कारक हैं, जिन्हें हम ध्यान में रखना चाहते हैं: हम खरीद या बेचने के अधिक या अधिक समान संख्या हासिल करना चाहते हैं, हम अधिक लाभदायक संचालन चाहते हैं, फिर असफलताओं के लिए, हम लाभ चार्ट को रैखिक और इतने पर हो। Evolution01.tsc में हम सुधार का एक सरल सेट लागू करते हैं। सबसे पहले, हम एक प्रारंभिक सुधार मूल्य के लिए कुछ बड़ी संख्या का उपयोग करते हैं। हम इसे लागू करने के लिए सजा के आधार पर एक छोटे (आमतौर पर, 0 और 1 के बीच) मूल्यों में गुणा करें फिर हम इस लाभ को हमारे सुधार के लिए बढ़ा देते हैं। परिणामस्वरूप, लाभ को सही किया जाता है, यह दर्शाता है कि आनुवंशिक एल्गोरिथ्म हमारे अन्य मानदंडों के अनुरूप कितना है। फिर हम परिणाम का उपयोग विजेता न्यूरल नेटवर्क को खोजने के लिए करते हैं। विदेशी मुद्रा व्यापार रणनीति: उदाहरण पर चर्चा 1 उदाहरण 1 उदाहरण के मुकाबले बेहतर काम करता है 0. पहले 100 चक्रों के दौरान, यह बहुत कुछ सीख चुका है, और लाभ चार्ट आश्वस्त दिखते हैं। हालांकि, उदाहरण के तौर पर, 0, लंबे समय के कारोबार अधिक लाभदायक होते हैं, जो कि सबसे अधिक संभावना है कि हमारे दृष्टिकोण में समस्या है। फिर भी, प्रणाली को विरोधाभासी प्रारंभिक स्थितियों के बीच एक संतुलन पाया गया: परीक्षण सेट में कुछ सकारात्मक गतिशीलता सीखने में और अधिक महत्वपूर्ण है। आगे सीखने के लिए, चश्मा 278 पर हम देख सकते हैं, कि हमारी प्रणाली अधिक परिश्रम की गई। इसका मतलब है, हमारे पास अभी भी सीखने की प्रगति है: लेकिन परीक्षण सेट कमजोरी दिखाता है: यह एनएन के साथ एक आम समस्या है: जब हम इसे सीखने की शिक्षा देते हैं, तो इससे सीखना सीख जाता है, और कभी-कभी, यह बहुत अच्छी तरह से सीखता है डिग्री, जब यह परीक्षण सेट पर प्रदर्शन को खो देता है उस समस्या से निपटने के लिए, एक पारंपरिक समाधान का उपयोग किया जाता है: हम तंत्रिका नेटवर्क की तलाश करते रहते हैं। जो परीक्षण सेट पर सबसे अच्छा प्रदर्शन करता है, और इसे बचाता है, पिछला सर्वोत्तम एक ओवरराइट करता है, हर बार नया शिखर तक पहुंच जाता है। यह वही तरीका है, जिसे हम एफएफबीपी प्रशिक्षण में इस्तेमाल करते हैं, सिवाय इसके कि हमें यह स्वयं करना है (कोड जोड़कर, जो एक परीक्षण सेट पर सबसे अच्छा तंत्रिका नेटवर्क की तलाश करता है, और सैवेन बुलाता है या न्यूरल नेटवर्क के वजन को निर्यात करता है फ़ाइल)। इस तरह, जब आप अपना प्रशिक्षण बंद कर देते हैं, तो आपके पास परीक्षण करने वाले सेट पर सबसे अच्छा कलाकार होगा और आपके लिए इंतजार करेंगे। यह भी ध्यान दें, कि यह अधिकतम नहीं है लाभ के बाद आप कर रहे हैं, लेकिन इष्टतम प्रदर्शन, तो एक परीक्षण सेट पर एक बेहतरीन कलाकार की तलाश में, सुधारों का उपयोग करने पर विचार करें विदेशी मुद्रा तकनीकी विश्लेषण के लिए आनुवंशिक एल्गोरिथ्म: अब आपको विजेता तंत्रिका नेटवर्क मिला है। आप तंत्रिका नेटवर्क के वजन को निर्यात करने के लिए, पिछले आलेख में वर्णित चरणों का पालन कर सकते हैं। और फिर उन्हें अपने वास्तविक समय ट्रेडिंग प्लेटफ़ॉर्म, जैसे मेटा ट्रेडर्स, ट्रेड स्टेशन और इतने पर उपयोग करने के लिए। वैकल्पिक रूप से, आप तंत्रिका नेटवर्क को अनुकूलित करने के अन्य तरीकों पर ध्यान केंद्रित कर सकते हैं। एफएफबीपी एल्गोरिथ्म के विपरीत, यहां आप सीखने और परीक्षण सेटों का उपयोग करने से अनुक्रम प्राप्त कर सकते हैं, और अनुक्रमिक सीखने को स्थानांतरित कर सकते हैं। कोर्टेक्स ऑर्डर कोर्टेक्स देखें डाउनलोड मूल्य सूची सूची इस साइट के लिए दृश्यता बहुत महत्वपूर्ण है। अगर आपको यह पसंद है तो कृपया इस URL से लिंक करें