ขั้นตอนวิธีการ forex

อัลกอริทึมใน FOREX ระบบการซื้อขาย การใช้อัลกอริทึมในการสร้างกลยุทธ์การซื้อขายแลกเปลี่ยนผลกำไร อัลกอริทึมใน Cortex ประสาทเครือข่ายซอฟท์แว Feedforward backpropagation ประสาทการประยุกต์ใช้เครือข่ายสำหรับการคำนวณทางพันธุกรรมตามการซื้อขาย ตัวอย่างนี้ใช้แนวความคิดและความคิดของบทความก่อนหน้านี้ดังนั้นโปรดอ่านประสาทเครือข่ายอัลกอริทึมในระบบการซื้อขายแลกเปลี่ยนเป็นครั้งแรกถึงแม้ว่ามันจะไม่ได้รับคำสั่ง เกี่ยวกับข้อความนี้ แรกของทุกโปรดอ่านข้อจำกัดความรับผิดชอบ นี่คือตัวอย่างของการใช้โครงข่ายประสาท Cortex ซอฟแวร์การทำงานขั้นตอนวิธีพันธุกรรมไม่ใช่ตัวอย่างของวิธีการที่จะทำผลกำไรซื้อขายเป็นนักการ ผมไม่ได้เป็นกูรูของคุณไม่ว่าฉันควรจะต้องรับผิดชอบต่อการสูญเสียของคุณ ซอฟท์แวนอกโครงข่ายประสาทมีเครือข่ายประสาทในนั้นและ FFBP เรากล่าวก่อนที่จะเป็นเพียงวิธีหนึ่งในการเลือกกลยุทธ์การซื้อขายแลกเปลี่ยน มันเป็นเทคนิคที่ดีและมีประสิทธิภาพและเมื่อนำไปใช้อย่างถูกต้องมาก promicing แต่ก็มีปัญหา - การสอนโครงข่ายประสาทเทียม TNE เราจำเป็นต้องรู้ว่า "การส่งออกที่ต้องการ" มันค่อนข้างง่ายที่จะทำเมื่อเราประมาณฟังก์ชั่นที่เราใช้เวลาเพียงแค่ "ของจริง" ค่าของฟังก์ชั่นเพราะเรารู้ว่าสิ่งที่มันควรจะเป็น เมื่อเราทำคาดการณ์เครือข่ายประสาท เราใช้เทคนิค (อธิบายไว้ในบทความก่อนหน้านี้) ของการเรียนการสอนโครงข่ายประสาทเทียมในประวัติศาสตร์อีกครั้งถ้าเราคาดการณ์การพูด, อัตราแลกเปลี่ยนที่เรารู้ (ระหว่างการฝึกอบรม) การคาดการณ์สิ่งที่ถูกต้องคือ แต่เมื่อเรากำลังสร้างระบบการค้าที่เรามีความคิดว่าการตัดสินใจซื้อขายที่ถูกต้องคือไม่แม้ว่าเรารู้อัตราแลกเปลี่ยน! เป็นเรื่องของความเป็นจริงที่เรามีกลยุทธ์การซื้อขายแลกเปลี่ยนจำนวนมากที่เราสามารถใช้ที่จุดของเวลาใด ๆ และเราต้องการที่จะหาที่ดีอย่างหนึ่ง - อย่างไร สิ่งที่เราควรกินอาหารให้เป็นที่ต้องการของการส่งออกสุทธิประสาทของเราหรือไม่ ถ้าคุณทำตามบทความก่อนหน้านี้ของเราคุณจะรู้ว่าการที่เรามีการโกงในการจัดการกับปัญหานี้ เรา teached เครือข่ายประสาทเทียมจะทำอัตราแลกเปลี่ยน (หรืออัตราแลกเปลี่ยนตามตัวบ่งชี้) การคาดการณ์และจากนั้นใช้คำทำนายนี้จะทำอย่างไรซื้อขาย จากนั้นส่วนที่อยู่นอกเครือข่ายประสาทของโปรแกรมที่เราได้ตัดสินใจที่โครงข่ายประสาทเทียมที่ดีที่สุด ขั้นตอนวิธีทางพันธุกรรมสามารถจัดการกับปัญหานี้โดยตรงพวกเขาสามารถแก้ปัญหาที่ระบุไว้ว่า "หาที่ดีที่สุดสัญญาณการซื้อขาย" ในบทความนี้เราจะใช้โครงข่ายประสาท Cortex ซอฟแวร์ในการสร้างโปรแกรมดังกล่าว การใช้อัลกอริทึม อัลกอริทึมทางพันธุกรรมที่มีการพัฒนาอย่างดีและมีความหลากหลายมาก หากคุณต้องการที่จะเรียนรู้ทุกอย่างเกี่ยวกับพวกเขาผมขอแนะนำให้คุณใช้วิกิพีเดียบทความนี้เป็นเพียงเกี่ยวกับสิ่งนอกโครงข่ายประสาทซอฟแวร์สามารถทำ มีซอฟท์แวนอกโครงข่ายประสาท เราสามารถสร้างเครือข่ายประสาทเทียมที่จะนำเข้าบางพูด, ค่าของตัวบ่งชี้และผลิตออกบางพูด, สัญญาณการซื้อขาย (ซื้อ, ขายถือ.) และการสูญเสียหยุด / นำระดับกำไรสำหรับตำแหน่งที่จะเปิด แน่นอนถ้าเราเมล็ดน้ำหนักนี้โครงข่ายประสาทเทียมของที่สุ่มผลการซื้อขายจะน่ากลัว แต่ขอบอกว่าเราสร้างโหลของ NNs ดังกล่าว แล้วเราสามารถทดสอบประสิทธิภาพการทำงานของแต่ละของพวกเขาและเลือกที่ดีที่สุดผู้ชนะ นี่เป็น "รุ่นแรก" ของ NNs เพื่อดำเนินการต่อไปยังรุ่นที่สองเราต้องให้ผู้ชนะของเราที่จะ "ให้กำเนิด" แต่เพื่อหลีกเลี่ยงการได้รับสำเนาที่เหมือนกันขอเพิ่มบาง noice สุ่มมันน้ำหนัก descentants ' ในรุ่นที่สองที่เรามีผู้ชนะรุ่นแรกของเราและมันเป็นเรื่องที่ไม่สมบูรณ์ (กลายพันธุ์) สำเนา ลองทำการทดสอบอีกครั้ง เราจะมีผู้ชนะอีกครั้งซึ่งจะดีกว่าแล้วเครือข่ายประสาทอื่น ๆ ในรุ่น และอื่น ๆ เราเพียง แต่ช่วยให้ผู้โชคดีที่จะผสมพันธุ์และกำจัดขาดทุนเช่นเดียวกับในชีวิตจริงวิวัฒนาการและเราจะได้รับการซื้อขายที่ดีที่สุดของเราโครงข่ายประสาทเทียม โดยไม่ต้องมีความรู้ใด ๆ ก่อนกับสิ่งที่ระบบการซื้อขาย (ขั้นตอนวิธีพันธุกรรม) ควรเป็นเช่น เครือข่ายประสาทขั้นตอนวิธีทางพันธุกรรม: ตัวอย่าง 0 นี่คือตัวอย่างขั้นตอนวิธีพันธุกรรมแรก และหนึ่งที่ง่ายมาก เรากำลังจะเดินผ่านมันทีละขั้นตอนจะเรียนรู้เทคนิคทุกอย่างที่ตัวอย่างต่อไปนี้จะใช้ รหัสที่มีความคิดเห็นแบบอินไลน์เพื่อให้เพียงมุ่งเน้นไปที่ช่วงเวลาที่สำคัญ ครั้งแรกที่เราได้สร้างเครือข่ายประสาท มันถูกใช้น้ำหนักสุ่มและยังไม่ teached จากนั้นในรอบ 14 เราทำสำเนาของมันโดยใช้ MUTATION_NN fumction ฟังก์ชั่นนี้จะทำให้สำเนาของแหล่งที่มาของเครือข่ายประสาท การเพิ่มค่าสุ่มจาก 0 ถึง (ในกรณีของเรา) 0.1 น้ำหนักทั้งหมด เราให้จับที่จะส่งผลให้ 15 NNs ในอาร์เรย์เราสามารถทำมันได้เป็นที่จับเป็นเพียงตัวเลขจำนวนเต็ม เหตุผลที่เราใช้ 15 NNs มีอะไรจะทำอย่างไรกับการซื้อขาย: นอกโครงข่ายประสาทซอฟแวร์สามารถแปลงได้ถึง 15 สายในชาร์ตพร้อมกัน เราสามารถใช้วิธีการที่แตกต่างกันในการทดสอบ ครั้งแรกที่เราสามารถใช้ชุดการเรียนรู้ทั้งหมดของมันได้ในครั้งเดียว ประการที่สองเราสามารถทดสอบบนพูด resords 12000 (จาก 100000) และเดินผ่านชุดการเรียนรู้จากต้นจนจบ ที่จะทำให้ learnigs ที่แตกต่างกันในขณะที่เราจะมองหาเครือข่ายประสาทของที่มีผลกำไรในส่วนใดก็ตามของข้อมูลไม่เพียง แต่ในทั้งชุด แนวทางที่สองสามารถให้เราปัญหาถ้าเปลี่ยนแปลงข้อมูลจากจุดเริ่มต้นจนจบ จากนั้นเครือข่ายจะมีวิวัฒนาการที่ได้รับความสามารถในการค้าในตอนท้ายของชุดข้อมูลและการสูญเสียความสามารถในการค้าที่จุดเริ่มต้นของ เพื่อแก้ปัญหาที่เราจะไปใช้เวลาเศษสุ่ม 12000 ระเบียนจากข้อมูลและอาหารไปยังเครือข่ายประสาท เป็นเพียงรอบไม่มีที่สิ้นสุดเช่น 100000 รอบจะไม่ไปถึงที่ความเร็วของเรา ด้านล่างเราเพิ่มเด็กคนหนึ่งสำหรับแต่ละเครือข่ายที่มีน้ำหนักแตกต่างกันเล็กน้อย ทราบว่า 0.1 สำหรับ Tange กลายพันธุ์ไม่ได้เป็นทางเลือกเดียวเป็นเรื่องของความเป็นจริงแม้พารามิเตอร์นี้สามารถเพิ่มประสิทธิภาพโดยใช้ขั้นตอนวิธีพันธุกรรม NNs ที่สร้างขึ้นใหม่จะถูกเพิ่มหลังจาก 15 คนที่มีอยู่ วิธีนี้เรามี 30 NNs ในอาร์เรย์, 15 และ 15 เก่าใหม่ แล้วเราจะไปทำรอบต่อไปของการทดสอบและการที่จะฆ่าผู้แพ้จากรุ่นทั้ง การทำเช่นการทดสอบเราใช้โครงข่ายประสาทเทียมข้อมูลของเราในการผลิตเอาท์พุทและจากนั้นเรียกใช้ฟังก์ชันการทดสอบที่ใช้ผลเหล่านี้เพื่อจำลองการซื้อขาย ผลของการซื้อขายที่ใช้ในการ deside ซึ่ง NNs ที่ดีที่สุด หมายเหตุรหัส: เราใช้ช่วงเวลาของการบันทึก nLearn การจากไป nStart nStart + nLearn ที่ nStart เป็นจุดสุ่มภายในชุดการเรียนรู้ รหัสด้านล่างเป็นเคล็ดลับ เหตุผลที่เราใช้ก็คือการแสดงให้เห็นถึงความจริงที่ว่าขั้นตอนวิธีพันธุกรรมสามารถสร้างขั้นตอนวิธีพันธุกรรม แต่มันจะไม่จำเป็นต้องจะเป็นคนที่ดีที่สุดและยังจะชี้ให้เห็นว่าเราสามารถปรับปรุงผลถ้าเราบ่งบอกถึงข้อ จำกัด บางอย่างเพื่อให้กระบวนการเรียนรู้ มันเป็นไปได้ที่ระบบการซื้อขายของเราทำงานได้ดีบนซื้อขายนานและดีมากในระยะสั้นหรือในทางกลับกัน ถ้าบอกว่าการซื้อขายที่มีความยาวที่ดีมากขั้นตอนวิธีพันธุกรรมนี้อาจจะชนะแม้จะมีการสูญเสียขนาดใหญ่ในการซื้อขายระยะสั้น เพื่อหลีกเลี่ยงมันเรากำหนดน้ำหนักมากขึ้นในการซื้อขายที่ยาวนานในที่แปลกและการซื้อขายในระยะสั้นแม้รอบ นี่เป็นเพียงตัวอย่างที่มีการรับประกันว่ามันจะปรับปรุงบางสิ่งบางอย่าง เพิ่มเติมเกี่ยวกับเรื่องดังต่อไปนี้ในการอภิปรายเกี่ยวกับการแก้ไข เทคนิคที่คุณไม่ต้องทำมันหรือสามารถทำให้มันแตกต่างกัน เพิ่มกำไรให้กับอาร์เรย์ที่เรียงลำดับ ก็จะส่งกลับตำแหน่งแทรกแล้วเราจะใช้ตำแหน่งนี้เพื่อเพิ่มการจัดการโครงข่ายประสาทเทียม, การเรียนรู้และการทดสอบผลกำไรให้กับอาร์เรย์ที่ไม่เรียง ตอนนี้เรามีข้อมูลสำหรับโครงข่ายประสาทเทียมในปัจจุบันที่ดัชนีอาเรย์เช่นเดียวกับกำไร ความคิดที่จะมาถึงอาร์เรย์ของ NNs เรียงลำดับตามการทำกำไร ในฐานะที่เป็นอาร์เรย์ sortes โดยผลกำไรที่จะลบ 1/2 ของเครือข่ายที่มีผลกำไรน้อยเราก็ต้องเอา NNs 0-14 ตัดสินใจซื้อขายจะขึ้นอยู่กับมูลค่าของสัญญาณเครือข่ายประสาทเทียมจากมุมมองโปรแกรมนี้เป็นเหมือนตัวอย่างจากบทความก่อนหน้านี้ FOREX ซื้อขายกลยุทธ์: ตัวอย่างการอภิปราย 0 ก่อนอื่นลองมาดูที่แผนภูมิ แผนภูมิครั้งแรกสำหรับกำไรในช่วงแรกย้ำไม่ดีที่ทุกคนควรจะเป็นคาดว่าเครือข่ายประสาทสูญเสียเงิน (ภาพที่ evolution_00_gen_0.​​png คัดลอกทำซ้ำหลังจากที่ครั้งแรกจาก "ภาพ" โฟลเดอร์): ภาพเพื่อผลกำไรในรอบ 15 จะดีกว่าบางครั้งขั้นตอนวิธีพันธุกรรมสามารถเรียนรู้ได้อย่างรวดเร็วจริงๆ: แต่สังเกตเห็นความอิ่มตัวของสีบนเส้นโค้งกำไร เป็นที่น่าสนใจนอกจากนี้ยังมองไปที่วิธีการของแต่ละบุคคลการเปลี่ยนแปลงผลกำไรทำให้ทราบจำนวนเส้นโค้งที่พูด 3 ไม่ได้เสมอสำหรับโครงข่ายประสาทเทียมเดียวกัน ขณะที่พวกเขามีการเกิดและสิ้นสุดตลอดเวลา: นอกจากนี้ยังทราบว่าเล็ก ๆ น้อย ๆ จากอัตราแลกเปลี่ยนระบบการซื้อขายอัตโนมัติดำเนินการที่ไม่ดีเกี่ยวกับการซื้อขายระยะสั้นและดีมากใน longs ซึ่งอาจจะหรืออาจจะไม่ได้เกี่ยวข้องกับความจริงที่เงินดอลลาร์ที่ลดลงเมื่อเทียบกับเงินยูโรในช่วงเวลานั้น นอกจากนี้ยังอาจมีสิ่งที่จะทำอย่างไรกับพารามิเตอร์ของตัวบ่งชี้ของเรา (อาจจะเราต้องระยะเวลาที่แตกต่างกันสำหรับกางเกงขาสั้น) หรือทางเลือกของตัวชี้วัด นี่คือความเป็นมาหลังจาก 92 และ 248 รอบ: ที่แปลกใจของเราขั้นตอนวิธีพันธุกรรมล้มเหลวอย่างสิ้นเชิง ลองคิดออกว่าทำไมและวิธีการที่จะช่วยให้สถานการณ์ ครั้งแรกของทั้งหมดไม่ได้ในแต่ละรุ่นที่ควรจะเป็นดีกว่า previuos? คำตอบคือไม่มีอย่างน้อยไม่ได้อยู่ในรูปแบบที่เราใช้ ถ้าเราเอาชุดการเรียนรู้ทั้งหมดในครั้งเดียวและใช้มันซ้ำแล้วซ้ำอีกในการสอน NNs ของเราแล้วใช่พวกเขาจะดีขึ้นในแต่ละรุ่น แต่เราเอาเศษสุ่ม (12000 ระเบียนในเวลา) และใช้พวกเขา สองคำถาม: ทำไมระบบล้มเหลวในการสุ่มชิ้นส่วนของการเรียนรู้ชุดและทำไมไม่ได้ที่เราใช้ชุดการเรียนรู้ทั้งหมด? ดี. ที่จะตอบคำถามที่สองที่ผมทำ NNs ดำเนินการอย่างมาก - ชุดการเรียนรู้ และพวกเขาล้มเหลวในชุดทดสอบด้วยเหตุผลเดียวกันก็ failes เมื่อเราใช้ในการเรียนรู้ FFPB ที่จะนำมันแตกต่างกัน NNs ของเราได้ overspecialized พวกเขาได้เรียนรู้วิธีที่จะอยู่รอดในสภาพแวดล้อมที่พวกเขาจะใช้ แต่ไม่ได้ออกไปข้างนอกมัน นี้เกิดขึ้นเป็นจำนวนมากในธรรมชาติ วิธีการที่เราเอาความตั้งใจที่จะชดเชยแทนว่าด้วยการบังคับให้ NNs ในการดำเนินการที่ดีในส่วนสุ่มใด ๆ ของชุดข้อมูลเพื่อที่หวังว่าพวกเขายังสามารถดำเนินการในการทดสอบที่ไม่คุ้นเคยชุด แต่พวกเขาล้มเหลวในการทดสอบทั้งสองและการเรียนรู้ชุด ลองนึกภาพสัตว์ที่อาศัยอยู่ในทะเลทราย จำนวนมากของดวงอาทิตย์หิมะที่ไม่ทั้งหมด นี้เป็น metafor สำหรับตลาด rizing เป็นข้อมูล NNs ของเรามีบทบาทสำคัญของสภาพแวดล้อม สัตว์เรียนรู้ที่จะมีชีวิตอยู่ในทะเลทราย ลองนึกภาพสัตว์ที่อาศัยอยู่ในสภาพภูมิอากาศที่หนาวเย็น หิมะและไม่มีดวงอาทิตย์เลย ดีที่พวกเขาปรับ อย่างไรก็ตามในการทดลองของเราเราสุ่มวาง NNs ของเราในทะเลทรายในหิมะในน้ำบนต้นไม้ โดยนำเสนอให้กับชิ้นส่วนที่แตกต่างกันของข้อมูล (สุ่มเพิ่มขึ้นลดลงแบน.) สัตว์เสียชีวิต หรือจะนำมันแตกต่างกันเราเลือกโครงข่ายประสาทเทียมที่ดีที่สุดสำหรับข้อมูลแบบสุ่มตั้ง 1 ซึ่งกล่าวว่าเป็นตลาดที่เพิ่มสูงขึ้นสำหรับ จากนั้นเราก็นำเสนอให้กับผู้ชนะและเด็กของพวกเขาข้อมูลของตลาดลดลง NNs ดำเนินการได้ไม่ดีเราเอาสิ่งที่ดีที่สุดของนักแสดงที่ไม่ดีอาจจะเป็นหนึ่งในเด็กที่กลายพันธุ์ที่สูญเสียความสามารถในการค้าในตลาดเพิ่มขึ้น แต่มีความสามารถในการจัดการกับการลดลงอย่างใดอย่างหนึ่ง แล้วเราหันตารางอีกครั้งและอีกครั้งที่เราได้นักแสดงที่ดีที่สุด - แต่ที่ดีที่สุดในนักแสดงที่น่าสงสาร เราก็ไม่ได้ให้ NNs ของเราโอกาสที่จะกลายเป็นสากล มีเทคนิคที่ช่วยให้ขั้นตอนวิธีพันธุกรรมที่จะเรียนรู้ข้อมูลใหม่โดยไม่สูญเสียประสิทธิภาพการทำงานบนข้อมูลเก่า (หลังจากทั้งหมดสัตว์สามารถมีชีวิตอยู่ในช่วงฤดู​​ร้อนและในฤดูหนาวใช่มั้ย? ดังนั้นวิวัฒนาการจะสามารถจัดการกับการเปลี่ยนแปลงการทำซ้ำ) เราอาจจะหารือเกี่ยวกับเทคนิคเหล่านี้ในภายหลัง แต่บทความนี้มีมากขึ้นเกี่ยวกับการใช้ซอฟท์แวนอกโครงข่ายประสาท กว่าเกี่ยวกับการสร้างที่ประสบความสำเร็จแลกเปลี่ยนอัตโนมัติระบบการซื้อขาย เครือข่ายประสาทขั้นตอนวิธีทางพันธุกรรม: ตัวอย่างที่ 1 ตอนนี้มันเป็นเวลาที่จะพูดคุยเกี่ยวกับการแก้ไข ขั้นตอนวิธีทางพันธุกรรมที่เรียบง่ายที่เราสร้างขึ้นในระหว่างขั้นตอนก่อนหน้ามีสองข้อบกพร่องที่สำคัญ ก่อนจะล้มเหลวในการค้ามีกำไร มันก็โอเคเราสามารถพยายามที่จะใช้ระบบการฝึกอบรมบางส่วน (มันเป็นผลกำไรที่จุดเริ่มต้น) ข้อบกพร่องที่สองคือการที่รุนแรงมากขึ้นเรามีการควบคุมสิ่งที่ไม่ว่าระบบนี้ไม่ ยกตัวอย่างเช่นมันอาจจะเรียนรู้ที่จะทำกำไร แต่มีการเบิกถอนขนาดใหญ่ มันเป็นความจริงที่รู้จักกันดีว่าในชีวิตจริงวิวัฒนาการสามารถเพิ่มประสิทธิภาพมากกว่าหนึ่งพารามิเตอร์พร้อมกัน ตัวอย่างเช่นเราจะได้รับสัตว์ที่สามารถทำงานได้อย่างรวดเร็วและจะทนต่อความหนาวเย็น ทำไมไม่ลองทำกันในระบบการซื้อขายอัตราแลกเปลี่ยนของเราโดยอัตโนมัติ นั่นคือเมื่อเราใช้การแก้ไขซึ่งเป็นอะไร แต่ชุดของการลงโทษเพิ่มเติม กล่าวว่าการซื้อขายระบบของเราที่มีการเบิก 0.5 ในขณะที่เราต้องการที่จะยืนยันที่จะ 0-0.3 ช่วงเวลา เพื่อ "บอก" ระบบที่มันทำให้เราพลาดเราลดกำไร (หนึ่งใช้ในการกำหนดซึ่งได้รับรางวัลขั้นตอนวิธีพันธุกรรม) ในระดับที่เป็นสัดส่วนกับขนาดของกระทรวงกลาโหม จากนั้นขั้นตอนวิธีวิวัฒนาการดูแลส่วนที่เหลือ มีปัจจัยอื่น ๆ อีกไม่กี่ที่เราต้องการที่จะใช้ในการพิจารณา: เราอาจต้องการที่จะมีจำนวนเท่ากันมากหรือน้อยของการซื้อและขายการดำเนินงานของเราต้องการที่จะมีมากขึ้นของการดำเนินงานที่มีกำไรแล้วความล้มเหลวของเราอาจต้องการแผนภูมิกำไรที่จะ เป็นเชิงเส้นและอื่น ๆ ใน evolution_01.tsc เราใช้ชุดที่เรียบง่ายของการแก้ไข ครั้งแรกของทั้งหมดที่เราใช้บางส่วนจำนวนมากสำหรับการแก้ไขค่าเริ่มต้น เราคูณจะมีขนาดเล็ก (โดยปกติจะอยู่ระหว่าง 0 และ 1) ค่าขึ้นอยู่กับ "การลงโทษ" เราต้องการที่จะนำไปใช้ จากนั้นเราก็คูณกำไรของเราที่จะแก้ไขนี้ เป็นผลกำไรได้รับการแก้ไขเพื่อสะท้อนให้เห็นถึงวิธีการมากขั้นตอนวิธีพันธุกรรมสอดคล้องกับเกณฑ์อื่น ๆ ของเรา จากนั้นเราจะใช้ผลเพื่อหาผู้ชนะเครือข่ายประสาท FOREX ซื้อขายกลยุทธ์: ตัวอย่างการอภิปราย 1 ตัวอย่างที่ 1 การทำงานที่ดีขึ้นกว่าตัวอย่างเช่นในช่วงแรก 0. 100 รอบมันได้เรียนรู้มากและแผนภูมิกำไรดูมั่นใจ อย่างไรก็ตามในขณะที่ตัวอย่างเช่น 0, การซื้อขายที่มีความยาวผลกำไรมากขึ้นซึ่งส่วนใหญ่จะหมายถึงว่ามีปัญหาในแนวทางของเรา อย่างไรก็ตามระบบพบความสมดุลระหว่างคู่ของเงื่อนไขเริ่มต้นขัดแย้ง: มีบางอย่างที่เปลี่ยนแปลงในเชิงบวกทั้งในชุดการเรียนรู้และที่สำคัญมากขึ้นในการทดสอบชุด ในฐานะที่เป็นสำหรับการเรียนรู้ต่อไปในรอบ 278 เราสามารถมองเห็นว่าระบบของเราได้ overtrained มันหมายความว่าเรายังคงมีความคืบหน้าในการเรียนรู้ชุด แต่ชุดการทดสอบแสดงให้เห็นถึงความอ่อนแอ: ปัญหานี้เป็นปัญหาร่วมกันกับ NNs: เมื่อเราสอนในการเรียนรู้ชุดก็เรียนรู้ที่จะจัดการกับมันและบางครั้งก็รู้ดีเกินไป - ระดับเมื่อมัน looses ประสิทธิภาพการทำงานบนชุดทดสอบ เพื่อจัดการกับปัญหาที่เป็น "ประเพณี" ถูกนำมาใช้แก้ปัญหา: เราให้มองหาเครือข่ายประสาทเทียม ที่มีประสิทธิภาพดีที่สุดในชุดทดสอบและบันทึก, การเขียนทับหนึ่งก่อนหน้านี้ที่ดีที่สุดทุกครั้งที่จุดสูงสุดใหม่ที่จะมาถึง นี่คือวิธีการเดียวกันเราใช้ในการฝึกอบรม FFBP ยกเว้นเวลานี้เราต้องทำมันเอง (เพิ่มรหัสที่จะมองหาสิ่งที่ดีที่สุดประสาทเครือข่ายในชุดทดสอบและเรียก SAVE_NN หรือส่งออกน้ำหนักของโครงข่ายประสาทเทียมไป ไฟล์). วิธีนี้เมื่อคุณหยุดการฝึกอบรมของคุณคุณจะต้องแสดงที่ดีที่สุดในการทดสอบตลาดหลักทรัพย์ที่บันทึกไว้และรอให้คุณ ยังทราบว่ามันไม่ได้เป็นสูงสุด กำไรที่คุณหลังจาก แต่ประสิทธิภาพที่ดีที่สุดเพื่อให้พิจารณาใช้การแก้ไขเมื่อมองหานักแสดงที่ดีที่สุดในชุดทดสอบ ขั้นตอนวิธีทางพันธุกรรมสำหรับการวิเคราะห์ทางเทคนิค FOREX: ที่ไหนตอนนี้หรือไม่ หลังจากที่คุณได้ผู้ชนะของโครงข่ายประสาทเทียม คุณสามารถทำตามขั้นตอนที่อธิบายไว้ในบทความก่อนหน้านี้เพื่อการส่งออกของน้ำหนักที่โครงข่ายประสาทเทียม และจากนั้นจะใช้พวกเขาในเวลาจริงของแพลตฟอร์มการซื้อขายเช่น Meta Trader, สถานีการค้าและอื่น ๆ หรือคุณสามารถมุ่งเน้นไปที่วิธีการอื่น ๆ ของการเพิ่มประสิทธิภาพเครือข่ายประสาท แตกต่างกับอัลกอริทึม FFBP ที่นี่คุณจะได้รับจากการใช้อเวการเรียนรู้และการทดสอบชุดและย้ายการเรียนรู้ตามลำดับ ดาวน์โหลด Cortex สั่งซื้อ Cortex ดูรายการราคา ภารกิจของเราคือการใช้ประโยชน์และทำให้สามารถใช้ได้กับผู้ค้าและนักลงทุนบุคคลที่มีประสิทธิภาพมากที่สุดโซลูชั่นปัญญาประดิษฐ์โดยใช้เครื่องล่าสุดขั้นตอนวิธีการเรียนรู้เพื่อพัฒนารูปแบบมั่นคงและปลอดภัยในการทำนายการเคลื่อนไหวของราคาอัตราแลกเปลี่ยน ผู้ประกอบการค้ามนุษย์ FOREX คอมพิวเตอร์โว superfast และขั้นตอนวิธี: ผู้ชนะ? แม้ที่เรียกว่าที่ปรึกษาผู้เชี่ยวชาญในการดำเนินงานบนแพลตฟอร์มที่นิยมใช้กับชุดที่ซับซ้อนของชี้วัดทางเทคนิคในการทำงานร่วมกับเครื่องมือสำหรับการทดสอบหลังของกลยุทธ์ประณามความล้มเหลวในระยะยาว มีสองเหตุผลที่เรียบง่ายและหลักในการนี​​้ (1) การขาดของความซับซ้อนและ (2) กำลังการคำนวณไม่เพียงพอ ทั้งสองมีความใกล้ชิดระหว่างการเชื่อมโยงและมีอำนาจในการคำนวณมักจะ จำกัด เพียงเดสก์ทอปที่มีประสิทธิภาพ แต่มันอาจจะเป็นไปไม่ได้ที่จะเรียกใช้กลยุทธ์ที่มีระดับของความซับซ้อนที่จำเป็นในการผลิตที่มั่นคงและผลตอบแทนระยะยาว ทรูโซลูชั่นปัญญาประดิษฐ์อยู่ไกลเกินเอื้อมของผู้ค้าแต่ละนักลงทุนและแม้มีขนาดเล็กสถาบันการเงิน ในสภาพแวดล้อมนี้จะประสบความสำเร็จผู้ประกอบการค้าและเอาชนะข้อ จำกัด ของการใช้พลังงานในการคำนวณ จำกัด และความซับซ้อนของ FOREX เทรดขั้นตอนวิธีของเรามีกุญแจสู่ความสำเร็จของคุณ ติดต่อเราที่จะหาวิธีที่จะสามารถทำงานให้คุณ