Estratégia de rede neural forex

Redes Neurais: Previsão de Lucros.
As redes de neurônios são algoritmos de última geração, imutáveis, que imitam certos aspectos importantes no funcionamento do cérebro humano. Isso lhes dá uma capacidade única de auto-treinamento, a capacidade de formalizar informações não classificadas e, o mais importante, a capacidade de fazer previsões com base na informação histórica que eles têm à sua disposição.
As redes de neurônios têm sido usadas cada vez mais em uma variedade de aplicativos de negócios, incluindo soluções de pesquisa de previsão e marketing. Em algumas áreas, como detecção de fraude ou avaliação de riscos, são líderes indiscutíveis. Os principais campos em que as redes neurais encontraram aplicações são operações financeiras, planejamento empresarial, negociação, análise de negócios e manutenção de produtos. As redes neurais podem ser aplicadas de forma lucrativa por todos os tipos de comerciantes, por isso, se você é um comerciante e ainda não foi introduzido em redes neurais, nós o acompanharemos através deste método de análise técnica e mostraremos como aplicá-lo a seu estilo de negociação.
Use redes neurais para descobrir oportunidades.
Assim como qualquer tipo de excelente produto ou tecnologia, as redes neurais começaram a atrair todos aqueles que estão procurando por um mercado em desenvolvimento. Torrents de anúncios sobre software de próxima geração inundaram o mercado - anúncios comemorando o mais poderoso de todos os algoritmos de rede neural já criados. Mesmo nesses casos raros, quando reivindicações publicitárias se assemelham à verdade, tenha em mente que um aumento de 10% na eficiência é provavelmente o máximo que você obterá de uma rede neural. Em outras palavras, ele não produz retornos milagrosos e, independentemente de quão bem ele funciona em uma situação particular, haverá alguns conjuntos de dados e classes de tarefas para as quais os algoritmos utilizados anteriormente são superiores. Lembre-se disso: não é o algoritmo que faz o truque. Informações de entrada bem preparadas sobre o indicador segmentado são o componente mais importante do seu sucesso com as redes neurais.
A Convergência mais rápida é melhor?
Muitos daqueles que já utilizam redes neurais acreditam erroneamente que quanto mais rápido sua rede fornece resultados, melhor será. Isso, no entanto, é uma ilusão. Uma boa rede não é determinada pela taxa em que produz resultados e os usuários devem aprender a encontrar o melhor equilíbrio entre a velocidade na qual a rede treina e a qualidade dos resultados que produz.
Aplicação correta de redes neurais.
Muitos comerciantes aplicam redes neurais de forma incorreta porque depositam muita confiança no software que utilizam, sem terem fornecido instruções adequadas sobre como usá-lo adequadamente. Para usar uma rede neural do jeito certo e, portanto, de forma lucrativa, um comerciante deve prestar atenção a todas as etapas do ciclo de preparação da rede. É o comerciante e não a rede dele que é responsável por inventar uma ideia, formalizando essa idéia, testando e melhorando, e, finalmente, escolhendo o momento certo para descartá-la quando não for mais útil. Consideremos os estágios deste processo crucial com mais detalhes:
1. Encontrando e Formalizando uma Idéia de Negociação.
2. Melhorando os Parâmetros do seu Modelo.
3. Eliminação do modelo quando se torna obsoleto.
Todo modelo baseado na rede neural possui uma vida útil e não pode ser usado indefinidamente. A longevidade do período de vida de um modelo depende da situação do mercado e de quanto tempo as interdependências do mercado refletem nele permanecerem atualizadas. No entanto, mais cedo ou mais tarde, qualquer modelo se torna obsoleto. Quando isso acontece, você pode redirecionar o modelo usando dados completamente novos (ou seja, substituir todos os dados que foram usados), adicionar alguns dados novos ao conjunto de dados existente e treinar o modelo novamente, ou simplesmente retirar o modelo completamente.
Muitos comerciantes cometem o erro de seguir o caminho mais simples - eles dependem fortemente e usam a abordagem para a qual seu software fornece a funcionalidade mais amigável e automatizada. Esta abordagem mais simples é prever um preço de alguns bares à frente e basear seu sistema de negociação nesta previsão. Outros comerciantes prevêem variação de preço ou porcentagem da mudança de preço. Esta abordagem raramente produz melhores resultados do que prever o preço diretamente. Ambas as abordagens simplistas não conseguem descobrir e explorar de forma lucrativa a maior parte das importantes interdependências a longo prazo e, como resultado, o modelo torna-se rapidamente obsoleto à medida que as forças motrizes globais mudam.
A Abordagem Geral Mais Ótima para o Uso de Redes Neurais.

estratégia de rede neural de Forex
Estratégias de Stop-and-Reverse da Rede Neural Híbrida para Forex.
por Michael R. Bryant.
As redes de neurônios têm sido utilizadas em sistemas de negociação por muitos anos com vários graus de sucesso. Sua principal atração é que sua estrutura não linear é mais capaz de capturar as complexidades do movimento de preços do que as regras de negociação padrão, baseadas em indicadores. Uma das críticas foi que as estratégias de negociação baseadas na rede neural tendem a ser excessivas e, portanto, não funcionam bem em novos dados. Uma possível solução para este problema é combinar redes neurais com lógica de estratégia baseada em regras para criar um tipo de estratégia híbrida. Este artigo mostrará como isso pode ser feito usando o Adaptrade Builder.
Em particular, este artigo irá ilustrar o seguinte:
Combinando rede neural e lógica baseada em regras para entradas de comércio.
Segmentação múltipla de plataformas simultaneamente (MetaTrader 4 e TradeStation)
Desenvolvendo uma estratégia com lógica de parada e inversa assimétrica.
Usando dados forex intraday.
Será utilizada uma abordagem de dados de três segmentos, com o terceiro segmento usado para validar as estratégias finais. O código de estratégia resultante para MetaTrader 4 e TradeStation será mostrado, e será demonstrado que os resultados de validação são positivos para cada plataforma.
Redes Neurais como Filtros de Entrada Comercial.
Matematicamente, uma rede neural é uma combinação não linear de uma ou mais entradas ponderadas que gera um ou mais valores de saída. Para negociação, uma rede neural geralmente é usada de duas maneiras: (1) como previsão de movimento futuro de preços, ou (2) como indicador ou filtro para negociação. Aqui, será usado como indicador ou filtro comercial.
Como um indicador, uma rede neural age como uma condição ou filtro adicional que deve ser satisfeito antes que uma troca possa ser inserida. As entradas para a rede normalmente são outros indicadores técnicos, tais como dinâmica, estocástica, ADX, médias móveis, etc., bem como preços e combinações dos anteriores. As entradas são dimensionadas e a rede neural é projetada para que a saída seja um valor entre -1 e +1. Uma abordagem é permitir uma entrada longa se a saída for maior ou igual a um valor limiar, como 0,5 e uma entrada curta, se a saída for menor ou igual ao negativo do limite; por exemplo, -0,5. Esta condição seria adicional a quaisquer condições de entrada existentes. Por exemplo, se houvesse uma condição de entrada longa, teria que ser verdadeira e a saída da rede neural teria que ser pelo menos igual ao valor limite para uma entrada longa.
Ao configurar uma rede neural, um comerciante normalmente seria responsável por escolher as entradas e a topologia da rede e para "treinamento" a rede, que determina os melhores valores de pesos. Como será mostrado abaixo, o Adaptrade Builder executa essas etapas automaticamente como parte do processo de compilação evolutiva no qual o software se baseia. Usar a rede neural como um filtro de comércio permite que ele seja facilmente combinado com outras regras para criar uma estratégia de negociação híbrida, que combine as melhores características das abordagens tradicionais baseadas em regras e as vantagens das redes neurais. Como um exemplo simples, o Builder pode combinar uma regra de cruzamento média móvel com uma rede neural de modo que uma posição longa seja tomada quando a média móvel rápida cruza acima da média lenta e a saída da rede neural está em ou acima do seu limite.
Estratégias de negociação Stop-and-Reverse.
Uma estratégia de negociação de parada e reversa é uma que está sempre no mercado, seja longa ou curta. Estritamente falando, "stop-and-reverse" significa que você inverte o comércio quando sua ordem de parada é atingida. No entanto, uso-o como uma mão curta para qualquer estratégia de negociação que reverte de longo para curto para longo e assim por diante, para que você esteja sempre no mercado. Por esta definição, não é necessário que as ordens sejam pedidos de parada. Você pode entrar e reverter usando pedidos de mercado ou limite também. Também não é necessário que cada lado use a mesma lógica ou mesmo o mesmo tipo de ordem. Por exemplo, você pode entrar em um período longo (e sair curto) em uma ordem de parada e digitar curto (e sair por muito tempo) em uma ordem de mercado, usando diferentes regras e condições para cada entrada / saída. Este seria um exemplo de uma estratégia de parada e inversão assimétrica.
A principal vantagem de uma estratégia de parar e reverter é que, sempre no mercado, você nunca perca nenhuma grande jogada. Outra vantagem é a simplicidade. Quando existem regras e condições separadas para entrar e sair de negócios, há mais complexidade e mais que podem dar errado. A combinação de entradas e saídas significa que há menos decisões de tempo, o que pode significar menos erros.
Por outro lado, pode-se argumentar que as melhores condições para sair de um comércio raramente são as mesmas para entrar na direção oposta; que entrar e sair trades são decisões inerentemente separadas que, portanto, deveriam empregar regras e lógica separadas. Outra desvantagem potencial de estar sempre no mercado é que a estratégia irá trocar todo o intervalo de abertura. Um grande intervalo de abertura contra a posição pode significar uma grande perda antes que a estratégia seja capaz de reverter. Estratégias que entram e saem mais seletivamente ou que saem ao final do dia podem minimizar o impacto das brechas de abertura.
Uma vez que o objetivo é construir uma estratégia forex, o MetaTrader 4 (MT4) é uma escolha óbvia para a plataforma de negociação, dado que o MetaTrader 4 foi projetado principalmente para o forex e é amplamente utilizado para comercializar esses mercados (veja, por exemplo, MetaTrader vs. TradeStation : Uma comparação de linguagem). No entanto, nos últimos anos, a TradeStation segmentou os mercados de divisas de forma muito mais agressiva. Dependendo do seu volume de negociação e / ou nível da conta, é possível negociar os mercados de divisas através da TradeStation sem incorrer em taxas de plataforma ou pagar comissões. Spreads são supostamente apertado com boa liquidez nos principais pares de divisas. Por estas razões, ambas as plataformas foram direcionadas para este projeto.
Várias questões surgem ao direcionar várias plataformas simultaneamente. Primeiro, os dados podem ser diferentes em diferentes plataformas, com diferenças em fusos horários, cotações de preços para algumas barras, volume e faixas de datas disponíveis. Para suavizar essas diferenças, os dados foram obtidos de ambas as plataformas, e as estratégias foram construídas em ambas as séries de dados simultaneamente. As melhores estratégias foram, portanto, as que funcionaram bem em ambas as séries de dados, apesar das diferenças nos dados.
As configurações de dados usadas no Builder são mostradas abaixo na Fig. 1. Como se pode inferir da tabela Market Data na figura, o mercado de Forex Euro / dólar foi segmentado (EURUSD) com um tamanho de barra de 4 horas (240 minutos). Outros tamanhos de barras ou mercados teriam servido também. Eu só consegui obter tantos dados através da minha plataforma MT4 como indicado pelo intervalo de datas mostrado na Fig. 1 (série de dados nº 2), de modo que o mesmo intervalo de datas foi usado na obtenção de séries de dados equivalentes da TradeStation (data series # 1). 80% dos dados foram utilizados para construção (combinado na amostra e "fora da amostra"), com 20% (6/20/14 a 2/10/15) reservado para validação. 80% dos 80% originais foram então ajustados para "na amostra" com 20% definido para "out-of-sample", & quot; como mostrado na Fig. 1. O spread de oferta / solicitação foi fixado em 5 pips, e os custos de negociação de 6 pips ou US $ 60 por lote completo (100.000 ações) foram assumidos por rodada. Ambas as séries de dados foram incluídas na compilação, conforme indicado pelas marcas de seleção na coluna da esquerda da tabela de dados do mercado.
Figura 1. Configurações de dados do mercado para construir uma estratégia forex para MetaTrader 4 e TradeStation.
Outro problema potencial ao direcionar várias plataformas é que o Builder foi projetado para duplicar a forma como cada plataforma suportada calcula seus indicadores, o que pode significar que os valores dos indicadores serão diferentes dependendo da plataforma selecionada. Para evitar esta possível fonte de discrepância, todos os indicadores que avaliem de forma diferente no MetaTrader 4 do que na TradeStation devem ser eliminados da compilação, o que significa que os seguintes indicadores devem ser evitados:
Slow D estocástico.
Fast estocástico D.
Todos os outros indicadores que estão disponíveis para ambas as plataformas são calculados da mesma maneira em ambas as plataformas. O TradeStation inclui todos os indicadores que estão disponíveis no Builder, enquanto o MetaTrader 4 não. Portanto, para incluir apenas indicadores que estão disponíveis em ambas as plataformas, a plataforma MetaTrader 4 deve ser selecionada como o tipo de código no Builder. Isso eliminará automaticamente qualquer indicador do conjunto de compilação que não esteja disponível para MT4, o que deixará os indicadores disponíveis em ambas as plataformas. Além disso, como notei diferenças nos dados de volume obtidos de cada plataforma, removi todos os indicadores dependentes do volume do conjunto de compilação. Por fim, o indicador do horário do dia foi removido devido a diferenças nos fusos horários entre os arquivos de dados.
Na Fig. 2, abaixo, a lista de indicadores utilizados no conjunto de compilação é mostrada ordenada por se o indicador foi ou não considerado pelo processo de compilação ("Considere" coluna). Os indicadores removidos da consideração pelos motivos discutidos acima são mostrados no topo da lista. Os indicadores restantes, começando com "Simple Mov Ave", foram todos parte do conjunto de compilação.
Figura 2. Seleções de indicadores no Builder, mostrando os indicadores removidos do conjunto de compilação.
As opções de avaliação usadas no processo de compilação são mostradas na Fig. 3. Conforme discutido, o MetaTrader 4 foi selecionado como a escolha de saída do código. Depois que as estratégias são criadas no Builder, qualquer uma das opções na guia Opções de avaliação, incluindo o tipo de código, pode ser alterada e as estratégias reavaliadas, que também reescreverão o código em qualquer idioma selecionado. Esse recurso foi usado para obter o código da TradeStation para a estratégia final depois que as estratégias foram criadas para o MetaTrader 4.
Figura 3. Opções de avaliação no Builder para a estratégia forex EURUSD.
Para criar estratégias de parada e reversão, todos os tipos de saída foram removidos do conjunto de compilação, conforme mostrado abaixo na Fig. 4. Todos os três tipos de pedidos de entrada - mercado, parada e limite - foram deixados como "considerar" , o que significa que o processo de compilação poderia considerar qualquer um deles durante o processo de compilação.
Figura 4. Tipos de ordem selecionados no Builder para criar uma estratégia de parada e reversão.
O software Builder gera automaticamente condições lógicas baseadas em regras para entrada e / ou saída. Para adicionar uma rede neural à estratégia, basta selecionar a opção "Incluir uma rede neural nas condições de entrada" na guia Opções de Estratégia, como mostrado abaixo na Fig. 5. As configurações de rede neural foram deixadas em seus padrões. Como parte da lógica stop-and-reverse, a opção Market Sides foi definida para Long / Short e a opção para "Wait for exit before enter new trade". estava desmarcado. O último é necessário para habilitar a ordem de entrada para sair da posição atual em uma inversão. Todas as outras configurações foram deixadas nos padrões.
Figura 5. Opções de estratégia selecionadas no Builder para criar uma estratégia híbrida usando condições de rede baseadas em regras e neurais.
A natureza evolutiva do processo de construção no Builder é orientada pela aptidão, que é calculada a partir dos objetivos e condições definidos na guia Metrics, conforme mostrado abaixo na Figura 6. Os objetivos de construção foram mantidos simples: maximizando o lucro líquido e minimizando a complexidade, que recebeu um pequeno peso em relação ao lucro líquido. Mais ênfase foi colocada nas condições de construção, que incluíram o coeficiente de correlação e significância para a qualidade geral da estratégia, bem como as barras médias nos negócios e a quantidade de negócios.
Inicialmente, apenas as barras médias em negociações foram incluídas como condição de construção. No entanto, em algumas das construções iniciais, o lucro líquido foi favorecido ao longo do prazo comercial, de modo que a métrica do número de negociações foi adicionada. O intervalo especificado para o número de trades (entre 209 e 418) é equivalente ao comprimento médio de comércio entre 15 e 30 barras com base no número de barras no período de compilação. Como resultado, a adição desta métrica colocou mais ênfase no objetivo de longo prazo, o que resultou em mais membros da população com o intervalo desejado de comprimentos comerciais.
Figura 6. Construir objetivos e condições definidos na guia Métrica determinar como a aptidão é calculada.
As "condições para selecionar estratégias superiores" duplicar as condições de compilação, exceto que as principais condições de estratégias são avaliadas em toda a gama de dados (não incluindo o segmento de validação, que é separado), em vez de apenas ao longo do período de compilação, como é o caso das condições de construção. As principais condições de estratégias são usadas pelo programa para deixar de lado quaisquer estratégias que atendam a todas as condições em uma população separada.
As configurações finais são feitas na guia Configurações de Configuração, como mostrado abaixo na Figura 7. As opções mais importantes aqui são o tamanho da população, o número de gerações ea opção para redefinir com base no "out-of-sample" desempenho. O tamanho da população foi escolhido para ser grande o suficiente para obter uma boa diversidade na população, enquanto ainda é pequeno o suficiente para construir em uma quantidade razoável de tempo. O número de gerações foi baseado em quanto tempo levou durante algumas compilações preliminares para que os resultados começassem a convergir.
Figura 7. As opções de construção incluem o tamanho da população, o número de gerações e as opções para redefinir a população com base em "out-of-sample" desempenho.
A opção para & quot; Reset on Out-of-Sample (OOS) Performance & quot; inicia o processo de compilação após o número especificado de gerações se a condição especificada for atendida; neste caso, a população será redefinida se o "out-of-sample" O lucro líquido é inferior a US $ 20.000. Esse valor foi escolhido com base em testes preliminares para ser um valor suficientemente alto que provavelmente não seria alcançado. Como resultado, o processo de compilação foi repetido a cada 30 gerações até parar manualmente. Esta é uma maneira de permitir que o programa identifique estratégias com base nas condições de Top Strategies durante um longo período de tempo. Periodicamente, a população Top Strategies pode ser verificada e o processo de compilação é cancelado quando são encontradas estratégias adequadas.
Observe que eu coloco "out-of-sample" entre citações. Quando o "fora da amostra" O período é usado para redefinir a população desta maneira, a "saída de amostra" O período não é mais verdadeiramente fora da amostra. Desde então, esse período agora está sendo usado para orientar o processo de compilação, é efetivamente parte do período na amostra. É por isso que é aconselhável reservar um terceiro segmento para validação, conforme discutido acima.
Após várias horas de processamento e uma série de reconstruções automáticas, uma estratégia adequada foi encontrada na população Top Strategies. A curva de equidade comercial fechada é mostrada abaixo na Figura 8. A curva de equidade demonstra um desempenho consistente em ambos os segmentos de dados com um número adequado de negócios e, essencialmente, os mesmos resultados em ambas as séries de dados.
Figura 8. Curva de equidade de comércio fechado para a estratégia de paragem e reversão do EURUSD.
Para verificar a estratégia durante o período de validação, a data controlada na guia Mercados (veja a Fig. 1) foi alterada para a data final dos dados (2/11/2018) e a estratégia foi reavaliada selecionando Avaliar comando no menu Estratégia no Builder. Os resultados são mostrados abaixo na Fig. 9. Os resultados de validação na caixa vermelha demonstram que a estratégia mantida em dados não utilizados durante o processo de compilação.
Figura 9. Curva de equidade de comércio fechado para a estratégia de paragem e reversão do EURUSD, incluindo o período de validação.
A verificação final é ver como a estratégia realizada em cada série de dados separadamente usando a opção de saída de código para essa plataforma. Isso é necessário porque, como explicado acima, pode haver diferenças nos resultados dependendo (1) do tipo de código, e (2) das séries de dados. Precisamos verificar se as configurações escolhidas minimizaram essas diferenças, conforme pretendido. Para testar a estratégia do MetaTrader 4, a série de dados da TradeStation foi desmarcada na guia Mercados e a estratégia foi reavaliada. Os resultados são mostrados abaixo na Fig. 10, que duplica a curva inferior na Fig. 9.
Figura 10. Curva de equidade de comércio fechado para a estratégia de paragem e reversão do EURUSD, incluindo o período de validação, para o MetaTrader 4.
Finalmente, para testar a estratégia para a TradeStation, a série de dados da TradeStation foi selecionada e a série para o MetaTrader 4 foi desmarcada na aba Mercados, a saída do código foi alterada para "TradeStation", "quot; e a estratégia foi reavaliada. Os resultados são mostrados abaixo na Fig. 11 e parecem ser muito semelhantes à curva do meio na Fig. 9, conforme esperado.
Figura 11. Curva de equidade de comércio fechado para a estratégia de paragem e reversão do EURUSD, incluindo o período de validação, para a TradeStation.
O código para ambas as plataformas é fornecido abaixo na Fig. 12. Clique na imagem para abrir o arquivo de código para a plataforma correspondente. Examinar o código revela que a parte baseada em regras da estratégia usa diferentes condições relacionadas à volatilidade para os lados longo e curto. As entradas da rede neural consistem em uma variedade de indicadores, incluindo o dia-semana, a tendência (ZLTrend), o intraday high, osciladores (InvFisherCycle, InvFisherRSI), as bandas de Bollinger e o desvio padrão.
A natureza híbrida da estratégia pode ser vista diretamente na declaração de código (do código da TradeStation):
Se EntCondL e NNOutput & gt; = 0.5 então começarem.
Compre (& quot; EnMark-L & quot;); NShares compartilha a próxima barra no mercado;
A variável "EntCondL" representa as condições de entrada baseadas em regras, e "NNOuput & quot; é o resultado da rede neural. Ambas as condições devem ser verdadeiras para colocar a ordem de entrada longa. A condição de entrada curta funciona da mesma maneira.
Figura 12. Código de estratégia de negociação para a estratégia de parada e reversa do EURUSD (à esquerda, MetaTrader 4, à direita, TradeStation). Clique na figura para abrir o arquivo de código correspondente.
Este artigo analisou o processo de construção de uma estratégia de rede baseada em regras híbridas / neural para o EURUSD usando uma abordagem stop-and-reverse (sempre no mercado) com o Adaptrade Builder. Foi mostrado como o código da estratégia pode ser gerado para várias plataformas, selecionando um subconjunto comum dos indicadores que funcionam da mesma maneira em cada plataforma. As configurações necessárias para gerar estratégias que se revertem de longo para curto e para trás foram descritas, e foi demonstrado que a estratégia resultante foi realizada positivamente em um segmento separado de validação de dados. Verificou-se também que a estratégia gerou resultados semelhantes com a opção de dados e código para cada plataforma.
Conforme discutido acima, a abordagem de parar e reverter tem várias desvantagens e pode não atrair a todos. No entanto, uma abordagem sempre no mercado pode ser mais atraente com os dados de divisas, porque os mercados de divisas são comercializados 24 horas por dia. Como resultado, não há lacunas de abertura de sessão e as ordens de negociação sempre estão ativas e disponíveis para reverter o comércio quando o mercado muda. O uso de dados intradía (barras de 4 horas) proporcionou mais barras de dados para uso no processo de compilação, mas foi de outra forma bastante arbitrário, na medida em que a natureza sempre dentro do mercado da estratégia significa que os negócios são transportados durante a noite.
O processo de compilação permitiu evoluir diferentes condições para inserção longa e curta, resultando em uma estratégia de parada e inversão assimétrica. Apesar do nome, a estratégia resultante entra em negociações longas e curtas em ordens de mercado, embora as ordens de mercado, parada e limite fossem consideradas pelo processo de construção de forma independente para cada lado. Na prática, a reversão de longo a curto significaria vender curto o dobro do número de ações no mercado, já que a estratégia era longa; por exemplo, se a posição longa atual fosse de 100.000 ações, você venderia 200.000 ações curtas no mercado. Da mesma forma, se a posição curta atual fosse de 100.000 ações, você compraria 200.000 ações no mercado para reverter de curto para longo.
Foi usado um histórico de preços mais curto do que seria ideal. No entanto, os resultados foram positivos no segmento de validação, sugerindo que a estratégia não estava em excesso. Isso apóia a idéia de que uma rede neural pode ser usada em uma estratégia comercial sem necessariamente superar a estratégia para o mercado.
A estratégia apresentada aqui não se destina a negociação real e não foi testada em rastreamento ou negociação em tempo real. No entanto, este artigo pode ser usado como um modelo para o desenvolvimento de estratégias similares para o EURUSD ou outros mercados. Como sempre, qualquer estratégia de negociação que você desenvolver deve ser testada completamente no rastreamento em tempo real ou em dados separados para validar os resultados e familiarizar-se com as características de negociação da estratégia antes da negociação ao vivo.
Este artigo apareceu na edição de fevereiro de 2018 do boletim informativo Adaptrade Software.
OS RESULTADOS DE DESEMPENHO HIPOTÉTICOS OU SIMULADOS TÊM CERTAS LIMITAÇÕES INERENTES. DESEJO UM REGISTRO DE DESEMPENHO REAL, OS RESULTADOS SIMULADOS NÃO REPRESENTAM A NEGOCIAÇÃO REAL. TAMBÉM, DESDE QUE OS NEGÓCIOS NÃO SEJAM REALMENTE EXECUTOS, OS RESULTADOS PODEM TENER SOB OU COMENTÁRIOS COMPLEMENTARES PARA O IMPACTO, SE HAVER, DE CERTOS FATORES DE MERCADO, TAL COMO FALTA DE LIQUIDEZ. PROGRAMAS DE NEGOCIAÇÃO SIMULADOS EM GERAL SÃO TAMBÉM SUJEITOS AO FATO QUE ESTÃO DESIGNADOS COM O BENEFÍCIO DE HINDSIGHT. NENHUMA REPRESENTAÇÃO ESTÁ FAZENDO QUE QUALQUER CONTA VÁ OU SEJA PROBABILITÁVEL PARA ALCANÇAR LUCROS OU PERDAS SIMILARES ÀOS MOSTRADOS.
Se você quiser ser informado de novos desenvolvimentos, novidades e ofertas especiais do Adaptrade Software, por favor, junte-se à nossa lista de e-mail. Obrigado.
Copyright © 2004-2018 Adaptrade Software. Todos os direitos reservados.

Redes Neurais Aprende Estratégias de Negociação Forex.
O último zumbido no mundo Forex é redes neurais, um termo retirado da comunidade de inteligência artificial. Em termos técnicos, as redes neurais são métodos de análise de dados que consistem em um grande número de unidades de processamento que estão ligadas entre si por probabilidades ponderadas. Em termos mais simples, as redes neurais são um modelo vagamente parecido com a forma como o cérebro humano funciona e aprende. Há várias décadas, aqueles na comunidade de inteligência artificial usaram o modelo de rede neural na criação de computadores que pensam & # 39; e & # 39; learn & # 39; com base nos resultados de suas ações.
Ao contrário da estrutura de dados tradicional, as redes neurais recebem vários fluxos de dados e produzem um resultado. Se existe uma maneira de quantificar os dados, existe uma maneira de adicioná-lo aos fatores que estão sendo considerados na realização de uma predição. Eles são freqüentemente usados ​​no software de previsão de mercado Forex porque a rede pode ser treinada para interpretar dados e tirar uma conclusão disso.
Antes que eles possam ser de qualquer utilidade para fazer previsões Forex, as redes neurais precisam ser treinadas. para reconhecer e ajustar padrões que surgem entre entrada e saída. O treinamento e o teste podem ser demorados, mas é o que dá às redes neurais sua capacidade de prever resultados futuros com base em dados passados. A idéia básica é que, quando apresentada com exemplos de pares de dados de entrada e saída, a rede pode "aprender" as dependências e aplicar essas dependências quando são apresentadas novas informações. A partir daí, a rede pode comparar a sua própria saída para ver o quão perto de corrigir a previsão e voltar e ajustar o peso das várias dependências até chegar à resposta correta.
Isso exige que a rede seja treinada com dois conjuntos de dados separados e mdash; o treinamento e o conjunto de testes. Um dos pontos fortes das redes neurais é que pode continuar a aprender comparando suas próprias previsões com os dados que são alimentados continuamente. As redes neurais também são muito boas ao combinar dados técnicos e fundamentais, fazendo assim o melhor cenário de ambos os mundos. O seu próprio poder permite que eles encontrem padrões que talvez não tenham sido considerados e apliquem esses padrões à previsão para apresentar resultados estranhamente precisos.
Infelizmente, essa força também pode ser uma fraqueza no uso de redes neurais para previsões comerciais. Em última análise, a saída é tão boa quanto a entrada. Eles são muito bons em correlação de dados, mesmo quando você os alimenta de enormes quantidades. Eles são muito bons na extração de padrões de tipos de informações amplamente diferentes, e mdash; mesmo quando não existe um padrão ou relacionamento. Sua outra grande força e mdash; a capacidade de aplicar inteligência sem emoção e mdash; Afinal, um computador não tem um ego e mdash; também pode se tornar uma fraqueza ao lidar com um mercado volátil. Quando um fator desconhecido é introduzido, a rede neural artificial não tem como atribuir um peso emocional a esse fator.
Atualmente, existem dezenas de plataformas de negociação Forex no mercado que incorporam teoria e tecnologia de redes neurais para ensinar & # 39; A rede do seu sistema e deixá-lo fazer previsões e gerar ordens de compra / venda com base nela. O importante a ter em mente é que a regra mais básica da negociação Forex se aplica quando você se propõe a construir sua rede neural e mdash; educar-se e saber o que você está fazendo. Se você está lidando com análises técnicas, fundamentos, redes neurais ou suas próprias emoções, a única coisa mais importante que você pode fazer para garantir seu sucesso na negociação Forex é aprender tudo o que puder.

SnowCron.
FREE E. Mail Classes.
Neste artigo: um exemplo de uso do nosso software Neural Networks para criar um sistema completo de negociação de rede neural.
Este exemplo usa a linguagem de script incorporada do Cortex, então leia o guia de linguagem de script primeiro.
Usando Redes Neurais para criar Estratégia de Negociação FOREX.
Neste tutorial on-line gratuito, você encontrará o "ciclo completo" do uso de redes neurais (Cortex Neural Networks Software) para negociação Forex (ou negociação no mercado de ações, a idéia é a mesma).
Você aprenderá como escolher entradas para as redes neurais artificiais e como decidir o que usar como saída.
Você encontrará um exemplo de um script pronto para usar que permite a realização de otimização de redes neurais tanto da estrutura da Rede Neural (número de neurônios) quanto do sistema de negociação forex (stop loss etc.)
Finalmente (a parte que não está presente na maioria dos tutoriais), você aprenderá o que fazer a seguir. Afinal, o Cortex Neural Networks Software não pode fazer negócios em tempo real, você precisa usar algo como Trade Station, MetaQuotes ou MetaTrader. Como transportar o sistema de negociação FOREX do Cortex para sua plataforma de negociação favorita? Você precisa lidar com DLLs, controles ActiveX e programação de baixo nível? A resposta é não.
O software Cortex Neural Networks vem com o recurso fácil de usar que permite que você porta facilmente a rede Neural resultante (treinada) para a linguagem de script da sua plataforma de negociação. Sem DLLs, DDE, ActiveX ou quaisquer outras soluções de baixo nível - tudo é simples e simples.
Nota importante: este NÃO é um tutorial "como negociar". Em vez disso, ele diz como usar o software Cortex Neural Networks, mas você ainda precisa inventar seu próprio sistema comercial. Aquele que usamos aqui é apenas um ponto de partida, e não deve ser usado como uma estratégia de negociação forex "tal como está". A idéia deste texto é ensinar você a criar sistemas de negociação baseados em NN e a portá-los para a plataforma de negociação de sua escolha. O exemplo é, no entanto, ovesimplificado, e só pode ser usado como ilustração dos princípios de negociação. Da mesma forma, o sistema de negociação MACD, que pode ser encontrado em muitos tutoriais, já não está funcionando bem (à medida que os mercados mudaram), mas ainda é um bom exemplo de usar indicadores para negociação mecânica.
Em duas palavras: faça sua própria análise.
Outra nota importante: o tutorial usa exemplos, muitos deles. Para tornar sua vida mais fácil, incluí todos eles, não apenas fragmentos. No entanto, torna o texto muito mais longo. Além disso, eu estou indo do primeiro, desajeitado, sistema de negociação forex, para mais avançado, explicando sempre o que foi melhorado e por quê. Seja paciente ou salte diretamente para a seção que você precisa.
Nota importante final: o código não é algo esculpido em pedra, ele pode mudar enquanto este texto foi escrito. As versões finais dos arquivos de script estão incluídas no arquivo Cortex.
Armadilhas de sinais FOREX BUY / SELL: O que há de errado com exemplos "simples"?
No guia do usuário do Cortex Neural Networks Software, usamos um exemplo simples de uma Rede Neural Física, prevendo o preço do estoque GENZ. Para descobrir o que é errado com esta abordagem, vamos fazer o mesmo exemplo "simples", usando MSFT. TXT, em vez do GENZ. TXT (use 800 registros no conjunto de aprendizado, como MSFT. TXT é um pouco mais curto, então GENZ. TXT).
Simplesmente não funcionaria! Por quê?
O motivo se tornará evidente, se você se perguntar: "Qual é a razão pela qual a previsão da rede neural de valores futuros pode ser feita primeiro?"
A resposta é: é aprender a fazer o que é chamado de reconhecimento de padrões de redes neurais, reconhecer padrões e, se houver uma lógica oculta nesses padrões, então mesmo um novo padrão (com a mesma lógica) será reconhecido.
Isso é um truque - "com a mesma lógica". Não há nem um, mas três problemas aqui.
Em primeiro lugar, se você olhar para o preço das ações da Microsoft, você notará que estava indo na parte "de aprendizado" de nossos dados e de lado - na parte de "teste". Portanto, é possível que a lógica tenha mudado.
Em segundo lugar, e ainda mais importante - QUAL É O TESTE PADRÃO? Você vê, se ensinamos a rede neural no intervalo de 10 a 100, e depois apresentamos algo na faixa de 1 a 3 - eles são padrões diferentes! 10, 20, 30 e 1, 2, 3 parecem semelhantes ao humano porque - PORQUE - temos essa capacidade de dividir por dez, quando apresentado com números que terminam com zero. É o que é chamado de pré-processamento dos dados e, por padrão, o NN não pode fazê-lo.
Podemos ensiná-lo? Claro. O que é EXACTAMENTE nós precisamos ensiná-lo?
Este é o terceiro e o mais importante. Não precisamos da previsão de preços! Nós não ligamos! O que precisamos é FOREX comprar sinais de venda.
Agora, espere um minuto! Nós precisamos de um) para ter nossa contribuição (aprendendo e testando) no mesmo intervalo e precisamos b) poder tomar decisões comerciais com base nela? Não é o que chamamos de indicador? Bingo?
Então, é o que vamos fazer - vamos construir um indicador, alimentá-lo ao NN como uma entrada, e tentaremos obter uma previsão do valor do indicador, e não o preço do estoque sem valor!
Em nosso primeiro exemplo, vamos carregar cotações de estoque do disco, abrir o arquivo de Rede Neural e iniciar a aprendizagem - tudo em um modo automatizado.
Crie um novo arquivo de script (ou abra o que veio com o arquivo Cortex Neural Networks Software) e ligue para stock_nn. tsc.
Antes de mais, precisamos baixar os valores de preço do arquivo MSFT. TXT. Nós vamos usar o indicador CLV (veja abaixo), mas para calcular, precisamos de valores ajustados por divisão para Alto e Baixo, não apenas para fechar. Aqui é como obtê-los.
stocks_nn. tsc, parte 1.
A primeira linha atribui o caminho para a variável strStockPath, é claro, você terá que editá-la, se seu arquivo de dados estiver localizado no diretório diferente.
Na segunda linha, especificamos que esse caminho não é relativo (o "relativo" à localização do arquivo Cortex. exe).
O TABLE_LOADER recebe o caminho, a seqüência vazia para a "linha de início", 1 - para ignorar a primeira linha (nomes das colunas), parte da linha do rodapé do arquivo (a última linha no MSFT. TXT não contém dados), é também instruído a carregar a coluna número 0 (e chamar arrDate), 2 (arrHigh), 3 (arrOow), 4 (arrC) e 6 (arrClose).
Para obter uma descrição completa do TABLE_LOADER, consulte o guia de referência SLANG.
Então, calculamos dividir, dividindo o Fechar ajustado por fechar, e use esse valor para ajustar baixo e alto.
O arquivo MSFT. TXT contém os dados mais recentes PRIMEIRAMENTE, enquanto nós os quermos ÚLTIMOS.
Em seguida, precisamos criar um indicador. Digamos que será um indicador de Close Location Value, embora na "vida real" eu provavelmente use mais de um indicador como entrada NN.
O indicador de Valor de localização está calculado como.
CLV = ((Close - Low) - (High - Close)) / (High - Low), onde Close, Low e High são para o intervalo, não necessariamente para uma única barra. Note-se que queremos no intervalo de 0 a 1, para facilitar a normalização no alcance do NN's (o que é, mais uma vez, 0-1).
stocks_nn. tsc, parte 3.
Em seguida, precisamos criar um arquivo de atraso. Vamos usar atrasos iguais a 1, 2. 9 (Para obter detalhes sobre as funções do arquivo, consulte o guia de referência SLANG). Observe que a caixa de diálogo NN do Cortex pode produzir atrasos simples automaticamente (você pode usar um botão "Gerar atraso"). Mas, mais tarde, neste texto, vamos trabalhar com atrasos complexos (o que significa que não são 1, 2, 3. mas 1, 3, 64), então precisamos criar o código que pode lidar com essa tarefa em de forma mais flexível.
stocks_nn. tsc, parte 4.
Tendo o arquivo de atraso, estamos prontos para criar nossa primeira rede neural. Esta função requer muitos parâmetros, então fique atento. No entanto, o código é realmente simples.
A propósito, a maior parte deste código pode ser removido, se você acha que pode lidar com números, em vez de nomes significativos em seu código, no entanto, essa seria uma prática de codificação muito ruim.
stocks_nn. tsc, parte 5.
Agora, depois de ter uma rede neural e o arquivo atrasado com dados, precisamos ensinar a rede. O arquivo de atraso (msft_ind. lgg) possui 1074 registros, por isso é razoável usar 800 como um conjunto de aprendizado, e os restantes 274 como um conjunto de testes.
Você pode, claro, abrir um arquivo de rede e clicar no botão "Executar" na guia "Aprender". Mas, como esta é uma introdução à programação avançada do software Cortex Neural Networks, vamos usar SLANG built_in linguagem de script.
O código a seguir exibe a caixa de diálogo modal com as configurações do ann NN. Observe que, se você quiser ter um privilégio de clicar no botão "Executar", você precisa alterar o.
stocks_nn. tsc, parte 6.
O bStartLearning pode ser 0, caso em que a caixa de diálogo aguardará sua entrada, ou 1, então a aprendizagem começará de forma automática.
O bResumeScript, se for igual a 1, retomará o script, se você fechar a caixa de diálogo clicando no botão OK.
O bReset é usado para redefinir a rede antes que a aprendizagem comece.
Execute o script e aguarde até que o contador de épocas ultrapasse 1000, então clique em "Parar". Vá para a guia "Aplicar" e clique em "Aplicar". Isso executará todo o conjunto de dados (aprendendo e testando) através do NN e crie o arquivo. APL, contendo tanto a entrada-saída original quanto a previsão gerada pelo NN, desta forma você pode facilmente traçá-los e compilar uns contra os outros .
Vá para a guia "Saída", selecione o arquivo msft_ind. apl, clique em "Procurar arquivo", "Selecionar campos", depois selecione "Não" na caixa de listagem esquerda e (pressionando a tecla CTRL enquanto seleciona com o mouse ) Clv e NN: Clv na caixa de listagem direita. Clique em "Gráfico" para ver como é boa a nossa previsão. Bem. É mais ou menos bom, do que podemos dizer olhando para ele. Ainda assim, nada extraordinário.
Este foi apenas um exemplo do que você pode fazer com o script SLANG e como automatizar as tarefas de rotina do Cortex. No entanto, até agora, não fizemos nada que você não pudesse fazer "à mão". Bem. quase nada, porque se você quiser criar um arquivo de atraso personalizado, com, digamos, Clv-100, Clv-50, Clv-25. colunas, então você terá que usar SLANG (ou Excel.), porque você não pode fazer no Cortex sem scripts.
FOREX Trading Strategy: o que otimizar?
Aqui está o nosso próximo problema. Precisamos de uma boa previsão, ou precisamos do que podemos usar para negociar com lucro? A questão parece estranha, mas apenas pense nisso por um momento. Digamos que temos uma ótima previsão de 1 hora. 95% de precisão. Ainda assim, até que ponto o preço pode ir em uma hora? Não muito longe, tenho medo. Compará-lo com a situação, quando você tiver uma predição bastante imprecisa de 10 horas. Será melhor?
Para responder a esta pergunta, precisamos realmente negociar, uma comparação simples dos erros médios produzidos pelos dois NNs não ajudará.
A segunda parte (do mesmo problema) está na forma como definimos uma "boa previsão". Digamos que temos uma rede, que produz a previsão, que é 75% precisa. Compará-lo com o NN, que está produzindo uma previsão 100% precisa. O último é melhor. Agora, DIVIDE a saída (predição) do NN 100% preciso em 10. Teremos uma rede MUITO imprecisa, pois seu sinal está longe do sinal que usamos como "saída desejada". E, no entanto, pode ser usado da mesma forma que usamos NN 100% preciso, tudo o que temos a fazer é multiplicá-lo por 10!
Veja, o NN é criado, ajustando o erro quadrático médio e não a correlação, portanto, ao menos em teoria, um NN melhor pode mostrar resultados ruins, quando usado para o estoque real / negociação Forex.
Para resolver esse problema, precisamos testar nossos NNs usando a negociação e usar resultados dessa negociação (lucro e redução) para decidir, se este NN for melhor que o outro.
Vamos fazer isso. Vamos criar um programa, que pode ser usado para ajustar o NN, e desta vez, por ajuste fino, vamos significar resultados comerciais.
Neural Network Trading: poucas notas curtas.
Em primeiro lugar, no nosso exemplo acima, a aprendizagem "automática" nunca vai parar, porque não especificamos nenhum critério de parada. Na caixa de diálogo, ou na função CREATE_NN, você pode fornecer o min. erro (quando o NN o atinge, ele pára e, se bResumeScript estiver definido como 1, a caixa de diálogo será fechada e o script será retomado). Também pode fornecer o número máximo de épocas, ou ambos. Não estou usando isso no exemplo abaixo, pelo menos nem sempre, porque estou planejando assistir a aprendizagem e clicar em STOP quando penso que o NN está pronto. Se quiser fazê-lo no modo totalmente automático, preste atenção a esses parâmetros.
Segundo. Uma das maneiras de tornar a rede menor, mais rápida e precisa é começar a pequena rede e aumentar seu tamanho, o neurônio pelo neurônio. Obviamente, o número de neurônios de entrada é determinado pelo número de colunas de dados de entrada (mas podemos também variá-las) e o número de neurônios de saída deve ser igual ao número de colunas de dados de saída (geralmente um, mas não necessariamente ). Isso significa que precisamos otimizar o número de neurônios na (s) camada (s) oculta (s).
Além disso, como mencionei, não sabemos quais dados usar. Will Clv-15 (15 dias atrasados) aumenta a precisão de nossa previsão? Precisamos do Clv-256? Será melhor usar ambos no mesmo NN, ou vai adicionar Clv-256 arruinar nosso desempenho?
Usando ciclos aninhados para tentar diferentes parâmetros de entrada, você pode:
Crie o NN, da mesma forma que o fizemos para os dados do stock (deixe-me repetir, para o NN, não há diferença entre os estoques e FOREX, aconteceu que eu tenho alguns arquivos de dados de alta qualidade para o FOREX que eu quero processar , enquanto escreve este texto). Experimente diferentes combinações de atrasos. Experimente diferentes números de neurônios na camada oculta. . e diferentes combinações de diferentes indicadores. . e assim por diante.
No entanto, se você tentar todas as combinações possíveis de todos os parâmetros possíveis, você NUNCA obterá seus resultados, independentemente da rapidez com que seu computador esteja. Abaixo, usaremos alguns truques para reduzir os cálculos ao mínimo.
A propósito, pode parecer que, se você começar a partir de um neurônio escondido, aumente-o para 2, 3 e assim por diante, e em algum momento o erro (qualidade da previsão) ou o lucro (se você testar o NN por negociação usando) começará a diminuir, então você terá seu vencedor. Infelizmente, não posso provar que, após o primeiro "pico de desempenho", não pode haver um segundo. Isso significa que o erro pode ser igual a 100, 30, 20, 40, 50 (foi apenas no mínimo, certo?) E depois 30, 20, 10, 15,. (o segundo mínimo). Nós apenas temos que testar todos os números razoáveis.
Terceiro. A otimização é uma espada de dois gumes. Se você otimizar demais o seu código, pode não funcionar fora dos dados que você usou para ajustá-lo. Eu farei o meu melhor para evitar essa armadilha. Se você quiser fazer otimizações adicionais para o seu código ou NN, aconselho você a fazer uma pesquisa na Internet, para saber mais sobre os problemas ocultos dessa abordagem. Também vou prestar atenção à suavidade da curva de lucro. O lucro que parece 0, -500, 1000, -100, 10000 pode ser ótimo, mas o lucro 0, 100, 200, 300, 400. é melhor, pois é menos arriscado. Podemos conversar sobre isso mais tarde.
Finalmente, para este exemplo, vamos usar FOREX, em vez de preços de ações. Do ponto de vista do NN, não há diferença, e do meu ponto - Forex é muito mais divertido de negociar. Se você preferir ações, o código pode ser facilmente modificado.
Uma estratégia de negociação FOREX para jogar.
Em primeiro lugar, vamos criar um protótipo do nosso código, que pode ser facilmente otimizado no futuro. Será um sistema de negociação, que usa uma Rede Neural para negociar e produz um gráfico (lucro contra o número comercial). Também calculará a redução, como medida de robustez do nosso sistema comercial.
forex_nn_01.tsc, parte 1.
A principal diferença aqui é que usamos funções, em vez de colocar todo o código no bloco principal do programa. Desta forma, é muito mais fácil de gerenciar.
Em segundo lugar, temos uma função TestNet. Estou usando um algoritmo de negociação muito simples. O indicador CLV é limitado ao intervalo de 0 a 1 (nossa versão do CLV é), então, quando o indicador cruza o dBuyLevel (veja o código acima), estou comprando, quando está cruzando o dSellLevel, estou vendendo.
Obviamente, não é a melhor estratégia de negociação, mas fará para o nosso propósito (apenas por enquanto). Se você deseja melhorar, aqui estão algumas dicas. Primeiro, você pode querer ter um sistema, isso não é SEMPRE no mercado. Em segundo lugar, você pode querer usar mais de um indicador como entradas e, talvez, mais de um NN, para que a decisão de negociação seja feita com base em poucos indicadores previstos. Vamos adicionar algumas melhorias ao algoritmo de negociação mais tarde.
Usamos alguns pressupostos padrão da negociação FOREX: spread é de 5 pontos, leverade é 100, min. O lote é de US $ 100 (mini-FOREX).
Vamos dar uma olhada no nosso sistema "comercial". Mais uma vez, é uma simplificação excessiva. Uma nota importante: o TestNn () é chamado último e tem acesso a todas as variáveis ​​que foram criadas nesse ponto. Então, se você vir uma variável que eu estou usando, sem inicializar, isso provavelmente significa que foi inicializado em NewNn (), TeachNn () ou alguma outra função que foi chamada antes de TestNn ().
Para tornar as coisas mais fáceis, os comentários são colocados no código.
forex_nn_01.tsc, parte 2.
Poucas palavras sobre a redução. Existem poucas maneiras de calculá-lo, e estamos usando o que considero mais "honesto". A redução é uma medida de instabilidade do nosso sistema. Qual é a chance de perder dinheiro? Digamos que o valor inicial é de US $ 1000. Se o lucro for 100, 200, 300, 400, a retirada é 0. Se for 100, 200, 100, então a retirada é 0.1 (10%), já que acabamos de perder um valor, igual a 1/10 de o depósito inicial (de 1200 a 1100).
Eu recomendaria fortemente o uso de sistemas de negociação com grandes descontos.
Além disso, aqui eu uso um drawdown, que é para ser usado com tamanho de lote variável. No entanto, nas amostras reais, que vêm com o eBook, você verá outra versão:
Como você pode ver, aqui sempre usamos 1000 (o valor inicial) para calcular a redução. A razão é simples: sempre usamos o mesmo tamanho de lote (sem gerenciamento de dinheiro ainda), então não há diferença, quanto dinheiro acumulamos em nossa conta, um lucro médio deve ser constante. O pior cenário possível neste caso parece assim: desde o início ($ 1000 em conta), estamos perdendo dinheiro. Se usarmos 1000 $ para calcular a retirada, obteremos a pior redução. Isso nos ajudará a não nos enganar. Por exemplo, digamos, trocamos por algum tempo, e nós temos $ 10.000 $ em nossa conta. Então perdemos algum dinheiro, e agora temos US $ 8.000. Então recuperamos e obteve US $ 12.000. Bom sistema comercial? Provavelmente não.
Repita a lógica novamente, pois é muito importante (e será ainda mais importante, quando começarmos a gerir dinheiro). Nós trocamos usando lotes de tamanho fixo. Então, estatisticamente, não há garantia de que a perda máxima não acontecerá no início, quando apenas temos $ 1000. E se acontecer, teremos -1000 $ (10.000 - 8.000), então o sistema comercial provavelmente é muito arriscado.
Quando falamos sobre o gerenciamento de dinheiro (provavelmente, não neste texto), teremos que usar uma abordagem diferente para o cálculo de retirada.
Observe que, neste sistema comercial, estou usando o pior cenário possível: estou comprando usando High e vendendo usando Low. Muitos testadores não seguem essas regras e criam sistemas de negociação, que funcionam bem em dados históricos. Mas na vida real, esses sistemas de negociação têm desempenho muito fraco. Por quê?
Dê uma olhada na barra de preços. Tem Open, High, Low e Close. Você sabe, como o preço estava se movendo dentro da barra? Não. Então, digamos, seu sistema comercial gerou um sinal de "compra", na parte inferior da barra de preços (se dLow.
Observe que estou usando dLotSize igual a 0.1 lot ($ 100). Obviamente, na negociação "real", você se beneficiará muito, se o tamanho do lote for calculado dependendo do dinheiro que você possui, algo como:
forex_nn_01.tsc, parte 3.
No entanto, estamos fazendo testes aqui, não negociando. E para testes, precisamos, entre outras coisas, de ver quão suave é a curva de lucro. Isso é muito mais fácil de fazer se o tamanho do lote for o mesmo (na situação ideal, para dLotSize = 100, obteremos uma linha reta, com alguma inclinação positiva, enquanto que, no caso do tamanho do lote ajustável, obteremos um expoente, isto é muito mais difícil de analisar).
Mais adiante neste texto, aplicaremos regras de gerenciamento de dinheiro ao nosso sistema comercial, mas ainda não.
Depois de terminar com a última parte da nossa função de teste, vamos passar pelo resto do código.
A seguinte função cria um indicador CLV. Isso leva o intervalo como um parâmetro, o que significa que podemos chamá-lo muitas vezes, durante a otimização, passando números diferentes.
Observe que estou usando o NN que funciona no intervalo de 0 a 1. Os dados podem ser normalizados, é claro, mas optei por dividir o indicador em 2 e adicionar 0,5, de modo que esteja no intervalo de 0 a 1.
forex_nn_01.tsc, parte 4.
Para fazer um arquivo de atraso, podemos usar a função CREATE_LAG_FILE. Alternativamente, podemos fazê-lo fornecendo explicitamente todo o código necessário. Nesse caso, temos mais controle, e vamos precisar disso, se começarmos a variar o número de colunas atrasadas e assim por diante.
forex_nn_01.tsc, parte 5.
O parâmetro nRemoveFirst é importante. Muitas funções, como indicadores, médias móveis, geradores de atraso, para esse assunto, não funcionam bem dentro dos primeiros registros do conjunto de dados. Digamos que temos MA (14) - o que irá colocar nos registros 1 a 13? Então, escolhemos simplesmente remover os primeiros registros (não confiáveis).
Para o NewNn, bem como para todas as funções deste programa, precisamos passar como parâmetros apenas o que pode ser alterado durante o processo de otimização. Por exemplo, não é necessário passar um parâmetro "pular antes", pois é sempre o mesmo.
forex_nn_01.tsc, parte 6.
A função TeachNn simplesmente exibe a caixa de diálogo NN.
forex_nn_01.tsc, parte 7.
Finalmente, precisamos de uma função de gráficos. Não é obrigatório, mas é sempre uma boa idéia ver como é a nossa linha de lucro. O código a seguir usa o XML para produzir um gráfico, então é uma boa idéia ler o tutorial. Alternativamente, você pode desenhar o gráfico, em vez de salvá-lo em um arquivo. Para fazê-lo, use uma das amostras, que estão no diretório de amostras / scripts. Finalmente, você pode modificar o código, produzir HTML, em vez de XML. O HTML é mais fácil de aprender, mas o próprio código será um pouco menos legível.
forex_nn_01.tsc, parte 8.
Compile and Run the script.
Bem. Como esperado, o uso de 7 horas como intervalo para o CLV produziu resultados muito fracos:
FOREX Trading Strategies and Optimization.
A razão para os resultados ruins é bastante óbvia: usamos os níveis Interval, Stop Loss, buy and sell e outros parâmetros, que eram puramente aleatórios - acabamos de escolher primeiro que veio em mente! E se tentarmos poucas combinações?
Sinais de negociação FOREX: o que otimizar?
Em primeiro lugar, ao superestimar os níveis de compra e venda, podemos arruinar nossa performance futura. No entanto, ainda podemos sintonizá-los, especialmente, se o desempenho for próximo de valores próximos de limites de compra e venda. Por exemplo, se tivermos -10% de lucro no limite de compra igual a 0,3 e + 1000% de lucro quando é igual a 0,35, então provavelmente há uma coincidência afortunada, e não devemos usar 0,35 para o nosso sistema de negociação, já que no futuro provavelmente não acontecer novamente. Se, em vez disso, temos -10% e + 10% (em vez de + 1000%), pode ser mais seguro usar.
Geralmente, nosso sistema comercial deve ser construído para o cenário WORSE possível, como se durante a negociação "real" o desempenho fosse melhor, então, durante o teste, vamos sobreviver, mas não o contrário.
Podemos variar o valor do intervalo do indicador, desde que possamos trocas suficientes, para que possamos estar confiantes, em termos de estatísticas, no desempenho de um sistema.
Certamente, podemos variar o número de neurônios, não acho que possa ser superoptimizado facilmente.
Podemos variar o número de entradas e atrasos para as entradas. É possível superestimar isso, mas não é provável que aconteça.
E, claro, podemos tentar diferentes indicadores.
Sinais FOREX precisos: como otimizar?
Como já foi mencionado, se começarmos a tentar todas as combinações possíveis, isso levará uma eternidade. Então, vamos enganar. Vamos criar conjuntos de parâmetros pré-definidos, que pensamos serem razoáveis, e passá-los para o programa.
Para fazer o menor número possível de cálculos, note-se que o Clv-1 e o Clv-2 são, provavelmente, importantes, e o Clv-128? E - se já possuímos o Clv-128, precisamos do Clv-129? Provavelmente não. Então, vamos ter algo como Clv-1, Clv-2, Clv-4, Clv-8,. Clv-128 com apenas algumas variações, o que tornará o nosso tempo de cálculo mais vezes menor.
FOREX Professional System Trading: Isso pode funcionar?
O que exatamente nós queremos prever? Até este ponto, usamos um gráfico de 1 hora para o EURUSD, e estávamos prevendo o CLV do próximo bar. O CLV + 2 será melhor? E quanto ao CLV + 3?
Além disso, especialmente considerando o mau desempenho de nosso primeiro sistema comercial, seria bom saber que, pelo menos no mundo "ideal", o objetivo (negociação rentável) pode ser alcançado.
Para responder a essas perguntas, vamos criar um programa de teste simples. Nós assumimos que nossa previsão é 100% precisa e, com base nessa suposição, usaremos CLV + N, e não o NN previsto. Isso mesmo - vamos tirar dados do futuro e usá-los em vez da previsão NN. Essa abordagem não funcionaria na vida real, é claro, mas em breve, isso nos dará algumas idéias sobre o que esperar.
Ao analisar os resultados, lembre-se de que não estamos usando qualquer gerenciamento avançado de dinheiro, nosso tamanho de lote é definido como um mínimo de $ 100. Se você usa tamanhos de lote variáveis, os resultados serão dramaticamente diferentes. Mas mesmo em um tamanho muito definido para 0.1, podemos ver (abaixo) que obter a informação do futuro é o "selly graal" de um comerciante final.
forex_nn_02.tsc, parte 1.
Você já conhece esse código, ele foi usado em FOREX_NN_01.TSC. Ele lida com o carregamento de dados. A única diferença é na parte que obtém a lista de arquivos no diretório "imagens" e exclui todos os arquivos com a extensão. PNG. A razão para este código é simples: durante nossos testes, vamos criar muitos - podem ser, milhares - arquivos de imagem. Nós não queremos que eles se deslocassem depois que terminarmos. Então, no início do script, estamos excluindo imagens, criadas por outros scripts.
forex_nn_02.tsc, parte 2.
Apenas alguns comentários. Não queremos tentar todos os valores possíveis para, por exemplo, o intervalo CLV. Em vez disso, podemos criar uma matriz, que contém apenas os valores que queremos testar. Então (veja abaixo) iremos atravessar esta matriz.
Parar perdas são parte importante de qualquer estratégia de negociação, então eu decidi também alterá-las. É uma idéia perigosa, no entanto, como é fácil superestimar o sistema.
Estou planejando testar diferentes valores para comprar e vender níveis, mas será feito em ciclo, sem usar arrays.
Ao contrário do nosso exemplo anterior, queremos ter um grande arquivo XML, contendo muitas imagens. Para fazê-lo, movi o código, que está formando o cabeçalho e o rodapé XML fora da função Gráfico. Leia um dos tutoriais XML online para obter detalhes.
Note-se que eu estou usando 0 como o primeiro atraso, o que significa que primeiro estou testando o indicador (CLV) que não foi "deslocado" do futuro. Apenas para ter uma idéia, o quão bom "sistema comercial" seria sem NN (horrível, é a palavra certa. Está perdendo todo o dinheiro).
Cortex usa o controle do Internet Explorer para exibir páginas XML. Quando as páginas crescem, é preciso muita memória. Se o seu computador não puder lidar com isso, considere criar várias páginas XML ou HTML, em vez disso. No caso de forex_nn_02, não deve ser um problema, pois a página é relativamente curta. Alternatively (that is what I am doing in scripts later in this text), create XML file, but do not open it from Cortex. Open them using Internet Explorer instead - unlike IE control, the Internet Explorer does not have the memory problem.
Now the code that is trying different combinations of parameters.
forex_nn_02.tsc, part 3.
Here, we are using nested cycles. In every cycle, we are assidning some variable (for example, nInterval for the outer cycle). This way the cycle will assign values of all elements of a corresponding array, one in a time. Then WITHIN it, the inner cycle is used, and so on, so that all combinations of all array elements are tested.
In the innermost cycle, I am calling the Test() function, to "test trade", and Chart() to add a new picture to a list of images saved on disk. Note, that this Chart() does not show any images, until all cycles are completed.
The Test() and CreateClv() functions are almost the same as in the previous example. The only real difference is due to the fact that it is called more then once. To do it, I am calling ARRAY_REMOVE to cleanup arrays.
Also, notice, that we are only creating charts for the combinations of parameters, that produce trading system with positive profit. Otherwise, we call "continue", to skip the Chart() function.
Finally, we have Take Profit now, so our trading system can be a bit more flexible.
forex_nn_02.tsc, part 4.
The Chart() function was broken into two pieces. The header and the footer should be written to the XML file only once, so they were moved to the main part of the program.
Also, I am using the counter, to save files under the different names. The information about parameters is written to the header of an image, so we can easily see which one it is. Finally, images are only saved for winning configurations, meaning the balance at the end should be more, then at the beginning.
forex_nn_02.tsc, part 5.
Run the program (it will take some time to complete). You will end up with a large XML page with images, one for each winning configuration.
Some of the results are great, however, as we used data "from the future", this system will not work in the real life. Actually, if you look at the Test() function, you will notice, that the cycle stops before we reach the last element of arrClose:
for(nBar = nRemoveFirst + 1; nBar.
THIS IS C++, just an example.
As you can see, the code is really simple. Now lets do the same using the SLANG script. As in examples before, we will keep the overall structure of the code, so that this example looks familiar. The only difference is that instead of using the built-in APPLY_NN function, we call the function of our own. The code that we do not use (such as cycles) is commented, but not removed.
Note, that the logic behind it was discussed in Neural Networks and Stock / Forex Trading article already. Briefly, the output of this script is formated to be compatible with the MQL, MetaTrader's scripting engine. MetaTrader is a trading platform we use, if you want something different, like TradeStation, for example, you will have to alter the code to comply to its syntax.
Then, in the following chapters, we are going to insert this code in the MetaTrader's indicator, and to use it to trade.
Porting script to trading platform.
The next step is not really required, but it is something, that may be useful. We are going to create a version of a tsc file (one above), but this time, we will use SLANG (Cortex scripting language) to emulate APPLY_NN function. The reason is, in the next chapter we are going to port it to the scripting language of a MetaTrader trading platform, so it is a good idea to make sure everything works.
After we run this function, we discover, that the result it produces is the same, as the forex_nn_05a produced, which means the code works fine. :
Note, that there is a difference at the beginning of the charts, as "our" NN does not try to process the data at the beginning (where lag is incomplete), while the built-in NN does not "know" about this problem. Of course, it doesn't affect the result, as the beginning of the chart is ignored by using the nRemoveFirst parameter in our script (set to 200, which is guaranteed to be larger, then our lag).
Using third-party trading platform.
We have the NN that (more or less) can be used. We have the script, implementing this NN without calls to the Cortex-specific NN functions. Now we are going to port it to the trading platform that can be used for the real trading, which means it can contact brocker, place orders and earn (or loose) money.
As a trading platform, I am going to use MetaTrader.
Disclaimer: I am not related to MetaQuotes in any way. I do not work for them, I am not their affiliate and so on. I use MetaTrader, ONLY because I like it.
I find this program user-friendly, flexible and powerful, and "not a monster". Also, it is free (compare to other packages of this class).
The only (minor) problem is that it is not always easy to find the dealer using MT in your area. Then, when you do a research, you may find couple of brockers, with screenshots on their web sites, that look suspiciously familiar. Yes, they use MetaTrader, but they don't call it MetaTrader!
I have asked for clarification at the company's forum, and they have told me, that they don't reveal brockers using their services. Very strange.
One of the brockers that is not hiding the fact they use MT, is Alpari. They will allow you to open a Demo account, so that you can trade in a real time, but without risking your money.
I am not going to recommeng services of Alpari. Once again, I am not being paid for that. Try their Demo account, and use your own judgement. Or you can start your own research at Internet forums.
Finally, if you do not like the MT, you can probably follow the example below using TS, MS or some other trading platform. This is just an example.
Our MT-based trading system will include two files, the indicator and an expert. This is the way they call it in MQL (scripting language of MT), and I am going to follow this naming convention.
The indicator implements the neural network and draws a chart. An expert takes these data and does trading. As MetaTrader has a "strategy tester", we will be able to test our strategy, to see how good it is.
I will assume, that you are familiar with MQL programming, it is quite close to SLANG and tutorials can be found both at MetaQuotes and Alpari.
Finally, I am using the code structure, that is borrowed from MetaQuotes forum, permission to use it the author of the corresponding posts had granted me permission to use fragments of his code.
Also, as some of our MetaTrader code is the same for all experts and indicators, we moved it to a separate library file. MetaTrader's libraries are nothing but includable files. This library takes care of synhronization, when two or more expert are trying to run in the same time, as well as of few other things. If you use MetaTrader, it will help you to create robust experts, in any case, the MQL language is easy to understand.
mylib. mql, a helper library.
The code should look familiar, all I did was re-writing it, using slightly different language syntax of MQL.
This indicator has two buffers, and draws two lines, one for the original NOC, and one for the NN-predicted NOC. For trading, you don't have to draw both indicator lines, of course (see MQL tutorials to learn how to do it), but I have decided to show them together, so you can compare.
Another difference, that you should know about, is the way MT performs testing. It may, in some cases, be more accurate, then one we did (we did the worse case scenario). Of course, you can always to change the SLANG script from the examples above, to implement any logic you want.
The result of our testing in MT is a bit better, then in Cortex, due to all these reasons.
Keep in mind, that MT calculates the DD in a different way. I still think, that my way is better.
In should be especially noted, that no additional optimization had been performed using MetaTrader's optimizer. We have just plugged our MTS (mechanical trading system) in, and it worked as expected.
É isso. You can now create Cortex Neural Network, optimize it to do trading, and to port it to the trading platform of your choice.

Neural Network.
Neural network is one of the more recent buzzwords in trading. It sounds cool and sophisticated. Not too many people seem to understand what neural networks are all about.
Neurons in the Real World.
Our brains are phenomenally complicated. What surprises most people, however, is that the brain is more or less an enormous box of circuits. Neurons are cells that act like circuits with “electrical wires”, called axons, that run out and connect across the human body. Every motion, perception or action that you do is the sum of all the axons firing electrical impulses. Change occurs whenever the frequency of electrical impulses sent from the neuron varies. More impulses cause one reaction, a reduction causes another.
Neural networks attempt to emulate processes of the human brain by organizing information into neurons. Unlike actual neuron cells, a network neuron only exists in the machine. It’s a machine weight that contains information about whatever is under study.
A neural network for a trading system might decide to study common indicators like a moving average, the RSI and Stochastics oscillator. The moving average value for the current bar counts as its own neuron. The RSI is different, so it gets to be a separate neuron. If I have ten indicators in my toolbox, then I have 10 neurons in my network.
Computers traditionally solve linear, simple problems. If you want to know the result of mathematical operations like the cube root of 355, computers are perfect for the task. They rapidly calculate a precise answer.
As in human brains, neural networks form synapses with other neurons. When trained, groups of neurons can learn to recognize patterns. It is this property that makes neural networks so useful. This allows us to create programs that would be impossible with traditional computing. Creating a software program to recognize a face, for example, would be extremely difficult. It is much easier to train a network to recognize a face by repeatedly showing the network faces.
The brain is a fascinating topic in its own right. As an aside, my wife and I are taking a survey course in neuroscience through a video series of The Great Courses. If you have any interest at all in the subject matter, I highly recommend Understanding the Brain by Jeanette Norden. It covers in detail how neurons connect to anatomy throughout the brain and entire body.
Neural Networks and Forex Trading.
Neural networks come into play when the answer is not so precise. Sticking with this blog’s theme of forex trading, there is no right answer to what makes the perfect trading system. A typical retail investor might say the best trading system is the one that makes the most money. Another might say the best trading system is the one with the highest Sharpe ratio. Many want something in the middle.
The “best trading system” problem is ambiguous, which makes it an ideal candidate for attacking with neural networks. The designer outlines sets of rules which, in the trader’s opinion, form a numerical way of measuring the best system.
Human brains host approximately 100 billion neurons. Despite the best efforts of many of our customers, I have yet to meet anyone with 100 billion market indicators at their disposal. One way to amplify the effect of neurons in our toolbox is to create hidden layers.
A network is made up of multiple layers, each made up with multiple neurons. Each neuron is connected to every neuron in the next layer. Every connection then carries its own unique weighted value. A neuron will pass on its value by multiplying the value of the neuron and by the weight of the outgoing connection. The neuron at the end of the outgoing connection will sum up all of its incoming connections and propagate that result onto the next layer through all of its outgoing connections.
Pictures make the idea far more intuitive. Figure 1 contains a small example. The 2 and 3 on the left are the inputs into the network. These inputs get multiplied by the weight of the connection to the next layer. The 2 is multiplied by 0.5 giving us 1, and 3 by 2 giving us 6. The second layer contains one node which sums up the results from the previous layer, giving us 7. The next step would be to multiply 7 by the weights on the outgoing connections and pass it onto the next layer.
Figure 1: An example of a neural network propagating results forward.
The short example above can be repeated and chained together to form a larger network. Below, in Figure 2, we have an example of a larger network. The example network has 3 inputs which are connected to a hidden layer. The hidden layer is then connected to a single output. The hidden layers are to facilitate training. The more complex the problem the more layers and nodes needed.
Figure 2: An example of a larger neural network.
The network learns by updating the weights of its many connections. There are many software algorithms that are used to accomplish learning in neural networks. They fall into two categories, supervised learning and unsupervised learning. Supervised learning is accomplished with the user telling the network if its predictions are correct or not. The network then calculates its error and uses one of the algorithms to correct the mistake. An example of this is reverse propagation, which calculates the error of a network’s prediction. The network then uses a quick algorithm to update each of the connection weights with that error. Reverse propagation is one of the more common training strategies.
Unsupervised learning uses some type of fitness or scoring algorithm in which the network will score itself with and try to improve on every subsequent attempt. An example of unsupervised training is the genetic algorithm. This algorithm creates a population of neural networks and uses a scoring algorithm designed by the user to rank the population. After that, it is survival of the fittest. The top ranked networks get to stay and “reproduce” and the bottom ranked get thrown out. The networks reproduce by mixing and matching connection weights.
Neural networks can substantially assist systems traders in their algorithm design by exploring billions of combinations among a relatively small toolbox of indicators. This differs from standard optimization, which involves plugging numbers into various indicators looking for whatever combination returns the most money.
The fact that networks can consider multiple measures (balance, Sharpe Ratio, etc) to determine the best trading system helps reduce the likelihood that it overemphasizes one particular measure. A good example of this is account balance. If a system weighs the give and take between the net return and the risk adjusted return, it starts to step away from number crunching to discover the best numbers to use and head towards actual learning and pattern recognition.
Neural networks are proving themselves to be very useful in a wide range of applications from facial recognition to currency market predictions. They excel where there are patterns that are difficult for us to recognize. That ability makes networks invaluable in solving difficult problems involving multiple variables.