Forex พันธุกรรม ขั้นตอนวิธี

การใช้อัลกอริทึมทางพันธุกรรมในการพยากรณ์สภาวะทางการเงิน Burton ได้เสนอแนะว่าในหนังสือของเขา A Random Walk Down Wall Street (1973) นั้นการจับลิงปาเป้าที่หน้าหนังสือพิมพ์สามารถเลือกผลงานที่จะทำเช่นเดียวกับที่ได้รับการคัดเลือกอย่างพิถีพิถัน ผู้เชี่ยวชาญ ในขณะที่วิวัฒนาการอาจทำให้มนุษย์ไม่ฉลาดมากขึ้นในการหยิบหุ้นทฤษฎี Charles Darwins มีผลค่อนข้างมากเมื่อใช้โดยตรงมากขึ้น อัลกอริธึมทางพันธุกรรม (GAs) เป็นวิธีการแก้ปัญหา (หรือ heuristics) ที่เลียนแบบกระบวนการวิวัฒนาการตามธรรมชาติ ซึ่งแตกต่างจากเครือข่ายประสาทเทียม (ANN) ที่ออกแบบมาเพื่อทำหน้าที่เหมือนเซลล์ประสาทในสมองอัลกอริทึมเหล่านี้ใช้แนวความคิดในการคัดเลือกโดยธรรมชาติเพื่อหาแนวทางแก้ไขปัญหาที่ดีที่สุด ดังนั้นจึงมักใช้ GAs เป็นเครื่องมือเพิ่มประสิทธิภาพเพื่อปรับพารามิเตอร์เพื่อลดหรือเพิ่มการวัดความคิดเห็นบางส่วนซึ่งจะสามารถใช้งานได้อย่างอิสระหรือในการสร้าง ANN ในตลาดการเงิน ขั้นตอนวิธีทางพันธุกรรมมักใช้เพื่อหาค่าผสมของพารามิเตอร์ที่ดีที่สุดในกฎการซื้อขายและสามารถสร้างเป็นโมเดล ANN ออกแบบมาเพื่อรับหุ้นและระบุธุรกิจการค้า งานวิจัยหลายชิ้นแสดงให้เห็นว่าวิธีการเหล่านี้สามารถพิสูจน์ได้ว่ามีประสิทธิภาพรวมทั้งอัลกอริทึมทางพันธุกรรม (Genetic Algorithms: Genesis of Stock Evaluation (2004) โดยพระรามและการประยุกต์ใช้อัลกอริธึมทางพันธุกรรมในการเพิ่มประสิทธิภาพการทำเหมืองข้อมูลในตลาดหลักทรัพย์ (2004) โดยหลินจือวังจาง (เรียนรู้เพิ่มเติมเกี่ยวกับ ANN ดูที่เครือข่ายประสาทเทียม: การคาดการณ์ผลกำไร) วิธีการทำงานของขั้นตอนวิธีทางพันธุกรรมขั้นตอนวิธีทางพันธุกรรมถูกสร้างโดยใช้เวกเตอร์ทางคณิตศาสตร์ซึ่งเป็นปริมาณที่มีทิศทางและขนาด พารามิเตอร์สำหรับกฎการซื้อขายแต่ละตัวจะแสดงด้วยเวกเตอร์แบบหนึ่งมิติที่สามารถคิดได้ว่าเป็นโครโมโซมในแง่ทางพันธุกรรม ในขณะเดียวกันค่าที่ใช้ในแต่ละพารามิเตอร์อาจถูกคิดว่าเป็นยีนซึ่งถูกปรับเปลี่ยนโดยใช้การคัดเลือกโดยธรรมชาติ ตัวอย่างเช่นกฎการซื้อขายอาจเกี่ยวข้องกับการใช้พารามิเตอร์เช่น Moving Average Convergence-Divergence (MACD) ค่าเฉลี่ยเคลื่อนที่ที่เป็นไปได้ (Exponential Moving Average - EMA) และ Stochastics ขั้นตอนวิธีทางพันธุกรรมจะป้อนค่าลงในพารามิเตอร์เหล่านี้โดยมีเป้าหมายเพื่อเพิ่มผลกำไรสูงสุด เมื่อเวลาผ่านไปจะมีการนำเสนอการเปลี่ยนแปลงเล็ก ๆ น้อย ๆ และผู้ที่สร้างผลกระทบที่พึงปรารถนาจะถูกเก็บรักษาไว้สำหรับคนรุ่นต่อไป มีสามประเภทของการดำเนินงานทางพันธุกรรมที่สามารถทำได้: Crossovers แสดงการทำสำเนาและการไขว้ทางชีวภาพที่เห็นในชีววิทยาโดยเด็กจะมีลักษณะบางอย่างของผู้ปกครอง การกลายพันธุ์เป็นตัวแทนของการกลายพันธุ์ทางชีววิทยาและใช้เพื่อรักษาความหลากหลายทางพันธุกรรมจากประชากรหนึ่งรุ่นต่อไปโดยการแนะนำการเปลี่ยนแปลงเล็ก ๆ น้อย ๆ แบบสุ่ม การคัดเลือกเป็นขั้นตอนที่จีโนมแต่ละตัวได้รับการคัดเลือกจากประชากรสำหรับการเพาะพันธุ์ในภายหลัง (recombination หรือ crossover) สามตัวดำเนินการนี้จะใช้ในกระบวนการห้าขั้นตอน: เริ่มต้นประชากรแบบสุ่มโดยที่แต่ละโครโมโซมเป็น n-length โดย n เป็นจำนวนพารามิเตอร์ นั่นคือจำนวนพารามิเตอร์ที่สุ่มตั้งขึ้นโดยมีองค์ประกอบ n แต่ละรายการ เลือกโครโมโซมหรือพารามิเตอร์ที่เพิ่มผลที่พึงประสงค์ (สันนิษฐานว่ากำไรสุทธิ) ใช้ตัวดำเนินการผ่าเผยหรือครอสโอเวอร์กับพ่อแม่ที่เลือกและสร้างลูกหลาน รวมเอาลูกหลานและประชากรปัจจุบันเพื่อสร้างประชากรใหม่ด้วยตัวดำเนินการคัดเลือก ทำซ้ำขั้นตอนที่สองถึงสี่ เมื่อเวลาผ่านไปกระบวนการนี้จะส่งผลให้โครโมโซมที่ดีขึ้น (หรือพารามิเตอร์) เพื่อใช้ในกฎการซื้อขาย กระบวนการนี้จะสิ้นสุดลงเมื่อมีการพบเกณฑ์การหยุดชั่วคราวซึ่งอาจรวมถึงเวลาทำงานการออกกำลังกายจำนวนรุ่นหรือเกณฑ์อื่น ๆ (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ MACD อ่าน Trading the MACD Divergence) การใช้อัลกอริธึมทางพันธุกรรมในการซื้อขายขณะที่ขั้นตอนวิธีเชิงพันธุกรรมถูกใช้โดยสถาบันการเงินในเชิงปริมาณ ผู้ค้ารายย่อยสามารถใช้พลังของอัลกอริทึมทางพันธุกรรมได้โดยไม่ใช้คณิตศาสตร์ขั้นสูงโดยใช้ซอฟต์แวร์หลายชุดในตลาด โซลูชันเหล่านี้มีตั้งแต่แพคเกจซอฟต์แวร์แบบสแตนด์อะโลนที่มุ่งสู่ตลาดการเงินไปยัง Microsoft Excel Add-ons ที่สามารถช่วยในการวิเคราะห์ได้มากยิ่งขึ้น เมื่อใช้แอพพลิเคชันเหล่านี้ผู้ค้าสามารถกำหนดชุดของพารามิเตอร์ที่เหมาะสมแล้วโดยใช้ขั้นตอนวิธีทางพันธุกรรมและชุดข้อมูลทางประวัติศาสตร์ แอ็พพลิเคชันบางตัวสามารถเพิ่มประสิทธิภาพพารามิเตอร์ที่ใช้และค่าสำหรับพวกเขาในขณะที่คนอื่น ๆ มุ่งเน้นไปที่การเพิ่มประสิทธิภาพค่าสำหรับชุดของพารามิเตอร์ที่กำหนด (เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับกลยุทธ์ที่ได้รับจากโครงการเหล่านี้ให้ดูที่ Power of Trades Program) เคล็ดลับการเพิ่มประสิทธิภาพที่สำคัญและเคล็ดลับการออกแบบระบบการซื้อขายรอบข้อมูลที่มีอยู่มากกว่าการระบุพฤติกรรมที่ทำซ้ำได้ถือเป็นความเสี่ยงที่อาจเกิดขึ้นกับผู้ค้าที่ใช้ ขั้นตอนวิธีเชิงพันธุกรรม ระบบการซื้อขายที่ใช้ GA ควรได้รับการทดสอบไปข้างหน้าบนกระดาษก่อนใช้งานจริง การเลือกพารามิเตอร์เป็นส่วนสำคัญของกระบวนการและผู้ค้าควรหาค่าพารามิเตอร์ที่สัมพันธ์กับการเปลี่ยนแปลงในราคาของการรักษาความปลอดภัยที่กำหนด ตัวอย่างเช่นลองใช้ตัวชี้วัดที่แตกต่างกันและดูว่ามีความสัมพันธ์กับการเปลี่ยนแปลงตลาดที่สำคัญหรือไม่ ขั้นตอนวิธีทางพันธุกรรมเป็นวิธีที่ไม่ซ้ำกันในการแก้ปัญหาที่ซับซ้อนโดยการควบคุมพลังของธรรมชาติ เมื่อใช้วิธีการเหล่านี้ในการทำนายราคาหลักทรัพย์ผู้ค้าสามารถเพิ่มประสิทธิภาพกฎการซื้อขายโดยระบุค่าที่ดีที่สุดที่จะใช้สำหรับแต่ละพารามิเตอร์เพื่อความปลอดภัยที่กำหนด อย่างไรก็ตามอัลกอริทึมเหล่านี้ไม่ใช่ Holy Grail และผู้ค้าควรระมัดระวังในการเลือกพารามิเตอร์ที่ถูกต้องและไม่พอดีกับเส้นโค้ง (อ่านข้อมูลเพิ่มเติมเกี่ยวกับตลาดตรวจสอบฟังตลาดไม่เก่ง) เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สิน DebtEquity Ratio คืออัตราส่วนหนี้สินที่ใช้ในการวัดแรงจูงใจทางการเงินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้ในการวัดผลแต่ละแบบ MetaTrader 4 - Tester Algorithms พันธุกรรมเทียบกับ Simple Search ใน MetaTrader 4 Optimizer 1. อะไรคือขั้นตอนวิธีทางพันธุกรรม อัลกอริธึมของการเพิ่มประสิทธิภาพปัจจัยการผลิตที่ปรึกษาผู้เชี่ยวชาญ พวกเขาลดเวลาการเพิ่มประสิทธิภาพอย่างมีนัยสำคัญโดยไม่มีการยกเลิกการทดสอบที่สำคัญ หลักการดำเนินงานของพวกเขาอธิบายไว้ในบทความชื่อ "Algorithms เกี่ยวกับพันธุกรรม": Mathematics in details บทความนี้ใช้สำหรับการเพิ่มประสิทธิภาพของอีเอสอีโดยใช้อัลกอริทึมทางพันธุกรรมเมื่อเทียบกับผลลัพธ์ที่ได้จากการใช้ค่าพารามิเตอร์โดยตรง 2. ผู้เชี่ยวชาญ Advisor สำหรับการทดสอบของฉันฉันเล็กน้อยเสร็จ EA ชื่อ CrossMACD ที่คุณอาจได้รับจากบทความชื่อ Orders Management - ง่าย: เพิ่ม StopLoss และ TakeProfit ไปวางตำแหน่ง เพิ่มการต่อท้ายที่ต่อท้ายแล้ว พารามิเตอร์ที่ใช้ OpenLuft เพื่อกรองสัญญาณ: ขณะนี้สัญญาณจะมาหากมีการข้ามเส้นศูนย์เป็นจำนวนหนึ่งจุด (โดยมีความแม่นยำในการทศนิยมหนึ่งตำแหน่ง) เพิ่มพารามิเตอร์ CloseLuft สำหรับการกรองสัญญาณใกล้เคียงกัน ใส่ตัวแปร expernal ช่วงเวลาของช้าและค่าเฉลี่ยเคลื่อนที่อย่างรวดเร็วที่ใช้สำหรับการคำนวณของ MACD ตอนนี้เป็นที่ปรึกษาผู้เชี่ยวชาญที่เสร็จแล้วจริง จะสะดวกในการเพิ่มประสิทธิภาพและใช้ในการซื้อขาย คุณสามารถดาวน์โหลด EA CrossMACDDeLuxe. mq4 ลงในพีซีของคุณและทดสอบได้โดยอิสระ 3. การเพิ่มประสิทธิภาพตอนนี้เราสามารถเพิ่มประสิทธิภาพ EA ได้ การทดสอบสามครั้งจะดำเนินการกับการค้นหาที่เพิ่มประสิทธิภาพในปริมาณที่แตกต่างกัน ซึ่งจะช่วยเปรียบเทียบผลกำไรที่ได้จากขั้นตอนวิธีทางพันธุกรรมในสถานการณ์ต่างๆ หลังจากการทดสอบแต่ละครั้งฉันจะลบแคชของผู้ทดสอบสำหรับการทดสอบตามมาซึ่งจะไม่ใช้ชุดค่าผสมที่พบอยู่แล้ว นี่เป็นสิ่งที่จำเป็นสำหรับการทดสอบเท่านั้นที่จะแม่นยำมากขึ้นโดยปกติแล้วการตัดทอนผลลัพธ์โดยอัตโนมัติจะช่วยเพิ่มประสิทธิภาพการทำซ้ำซ้ำ ๆ เพื่อเปรียบเทียบผล การเพิ่มประสิทธิภาพโดยใช้อัลกอริทึมทางพันธุกรรมจะทำแบบสองครั้ง: ครั้งแรก - เพื่อหากำไรสูงสุด (Profit) ครั้งที่สองเพื่อหาปัจจัยกำไรสูงสุด (Profit Factor) หลังจากนั้นผลลัพธ์ที่ดีที่สุดสำหรับทั้งสองวิธีจะได้รับในตารางสรุปรายงานตามคอลัมน์ที่ระบุ การเพิ่มประสิทธิภาพเป็นการทดลองเพียงอย่างเดียว บทความนี้ไม่ได้มุ่งเป้าไปที่การหาปัจจัยการผลิตที่ทำกำไรได้มากที่สุด กราฟสัญลักษณ์ EURUSD แผนภูมิระยะเวลา 1 ระยะเวลาการทดสอบ 2 ปีการสร้างโมเดลราคาเปิดเฉพาะปัจจัยการผลิตที่สืบค้นใน: ต้องระบุด้วยว่าเมื่อใช้ขั้นตอนวิธีทางพันธุกรรมระยะเวลาที่คาดว่าจะใช้ในการเพิ่มประสิทธิภาพจะใกล้เคียงกับการเพิ่มประสิทธิภาพโดยใช้การค้นหาปัจจัยการผลิตโดยตรง ความแตกต่างก็คืออัลกอริทึมทางพันธุกรรมจะแสดงผลชุดค่าผสมที่ไม่ประสบความสำเร็จอย่างต่อเนื่องและด้วยวิธีนี้จะลดจำนวนการทดสอบที่จำเป็นหลายครั้ง (หลายร้อยหลายร้อยหลายพันครั้ง) นี่คือเหตุผลที่คุณไม่ควรมุ่งสู่เวลาเพิ่มประสิทธิภาพที่คาดไว้เมื่อใช้อัลกอริทึมทางพันธุกรรม เวลาในการเพิ่มประสิทธิภาพจริงจะสั้นลง: ตามที่เห็นการเพิ่มประสิทธิภาพโดยใช้อัลกอริทึมทางพันธุกรรมใช้เวลาน้อยกว่าสี่นาทีแทนที่จะใช้เวลาประมาณห้าชั่วโมงครึ่ง กราฟการเพิ่มประสิทธิภาพด้วยอัลกอริทึมทางพันธุกรรมแตกต่างจากที่มีการค้นหาโดยตรง เนื่องจากชุดค่าผสมที่ไม่ดีได้รับการตรวจสอบแล้วการทดสอบตามมาจะดำเนินการโดยการผสมผสานของปัจจัยการผลิตที่มีผลกำไรมากขึ้นตามค่าเริ่มต้น นี่คือเหตุผลที่กราฟความสมดุลเพิ่มขึ้น: ให้เราพิจารณาผลลัพธ์ของทั้งสองวิธีในการเพิ่มประสิทธิภาพในรายละเอียดทั้งหมด สถานการณ์มีการเปลี่ยนแปลง ระยะเวลาการเพิ่มประสิทธิภาพตรง (มีข้อผิดพลาดเล็กน้อยที่ยอมรับได้) และผลลัพธ์ก็เหมือนกัน สิ่งนี้สามารถอธิบายได้ว่าการเพิ่มประสิทธิภาพประกอบด้วยเพียงการค้นหา 1331 ครั้งและปริมาณการส่งผ่านนี้ไม่เพียงพอสำหรับการใช้อัลกอริทึมทางพันธุกรรม พวกเขาไม่มีเวลาที่จะรับความเร็ว - การเพิ่มประสิทธิภาพจะเร็วขึ้นเนื่องจากการตรวจคัดกรองอย่างแน่นอนสูญเสียปัจจัยการผลิตชุด แต่มีจำนวนดังกล่าวของการรวมกันดังกล่าวข้างต้นขั้นตอนวิธีทางพันธุกรรมไม่สามารถกำหนดสิ่งที่พ่อแม่ (ชุดค่าผสมปัจจัยการผลิต) สร้างเลวร้ายฤดูใบไม้ผลิ ดังนั้นจึงไม่มีเหตุผลที่จะใช้พวกเขา 4. ข้อสรุปขั้นตอนวิธีทางพันธุกรรมเป็นส่วนเสริมที่ดีในการเพิ่มประสิทธิภาพกลยุทธ์ 4 อย่าง การเพิ่มประสิทธิภาพจะได้รับการปรับปรุงอย่างมากหากจำนวนการค้นหามีขนาดใหญ่ผลลัพธ์จะตรงกับข้อมูลที่ได้จากการเพิ่มประสิทธิภาพตามปกติ ขณะนี้ไม่มีความหมายที่จะใช้การค้นหาแบบเต็มในอินพุท ขั้นตอนวิธีทางพันธุกรรมจะหาผลลัพธ์ที่ดีที่สุดได้เร็วขึ้นและไม่น้อยลงอย่างมีประสิทธิภาพ 5. Afterword หลังจากที่ได้เขียนบทความแล้วฉันพอใจกับความอยากรู้ของฉันและเปิดตัวการเพิ่มประสิทธิภาพ CrossMACDDeLuxe บนปัจจัยการผลิตทั้งหมด จำนวนชุดค่าผสมมากกว่าหนึ่งร้อยล้าน (103 306 896) การเพิ่มประสิทธิภาพโดยใช้ขั้นตอนวิธีทางพันธุกรรมใช้เวลาเพียง 17 ชั่วโมงขณะที่การเพิ่มประสิทธิภาพโดยใช้การค้นหาในอินพุตทั้งหมดจะใช้เวลาประมาณ 35 ปี (301 223 ชั่วโมง) สรุปได้จากบทความนี้: Mendes, L. Godinho, P. Dias, J. J Heuristics (2012) 18: 627. doi: 10.1007s10732-012-9201- y ในบทความนี้จะมีการอธิบายขั้นตอนวิธีทางพันธุกรรมซึ่งมีวัตถุประสงค์เพื่อเพิ่มกฎเกณฑ์ต่างๆที่เป็นระบบการซื้อขายสำหรับตลาด Forex แต่ละคนในกลุ่มประชากรเป็นกลุ่มกฎการซื้อขายทางเทคนิคจำนวนสิบ (ห้าเพื่อป้อนตำแหน่งและอีกห้าคนที่จะออก) กฎเหล่านี้มีทั้งหมด 31 พารามิเตอร์ซึ่งสอดคล้องกับยีนของแต่ละบุคคล ประชากรจะมีวิวัฒนาการในสภาพแวดล้อมที่กำหนดโดยชุดเวลาของคู่สกุลเงินที่ระบุ ความเหมาะสมของแต่ละบุคคลแสดงถึงความสามารถในการปรับตัวเข้ากับสภาพแวดล้อมได้ดีและคำนวณโดยใช้กฎที่เกี่ยวข้องกับชุดข้อมูลเวลาและคำนวณอัตราส่วนระหว่างกำไรและอัตราเบิกสูงสุด (อัตราส่วน Stirling) . มีการใช้สกุลเงินสองสกุล: EURUSD และ GBPUSD ข้อมูลต่าง ๆ ถูกนำมาใช้เพื่อการวิวัฒนาการของประชากรและการทดสอบบุคคลที่ดีที่สุด ผลที่ได้จากระบบจะกล่าวถึง บุคคลที่ดีที่สุดสามารถบรรลุผลดีในชุดการฝึกอบรม ในชุดการทดสอบกลยุทธ์ที่พัฒนาขึ้นแสดงให้เห็นถึงความยากลำบากในการบรรลุผลในเชิงบวกหากคุณพิจารณาค่าใช้จ่ายในการทำธุรกรรม หากคุณละเว้นค่าใช้จ่ายในการทำธุรกรรมผลลัพธ์ที่ได้จะเป็นบวกส่วนใหญ่แสดงให้เห็นว่าบุคคลที่ดีที่สุดมีความสามารถในการคาดการณ์บางอย่าง ขั้นตอนวิธีทางพันธุกรรมการเงินกฎการซื้อขายทางเทคนิคอัตราแลกเปลี่ยนเงินตราอ้างอิง Alvarez-Diaz, M. Alvarez, A. การคาดการณ์อัตราแลกเปลี่ยนโดยใช้ขั้นตอนวิธีทางพันธุกรรม Appl Econ เลทท์ Google (PRWEB) 5 กรกฎาคม 2012 Google Scholar Brabazon, A. ONeill, M. การพัฒนากฎการซื้อขายทางเทคนิคสำหรับตลาดแลกเปลี่ยนเงินตราต่างประเทศโดยใช้วิวัฒนาการทางไวยากรณ์ คอมพิวเต Manag วิทย์ 1 (3), 311327 (2004) MATH CrossRef Google Scholar Davis, ลิตรคู่มือคู่มือขั้นตอนวิธีทางพันธุกรรม Van Nostrand-Reinhold, New York (1991) Google Scholar Dempster, M. A.H. Jones, C. M. ระบบการซื้อขายแบบปรับตัวแบบเรียลไทม์โดยใช้โปรแกรมทางพันธุกรรม ควอนท์ การเงิน 1 (4), 397413 (2544) CrossRef Google Scholar Dunis, C. Harris, A. et al. การเพิ่มประสิทธิภาพของโมเดลการค้าระหว่างวันด้วยอัลกอริทึมทางพันธุกรรม Neural Netw การเลือกตัววัดประสิทธิภาพจะมีผลต่อการประเมินผลของกองทุนป้องกันความเสี่ยง J. Bank หรือไม่? การคลัง 31 (9), 26322647 (2007) CrossRef Google Scholar Fama, E. F ตลาดทุนที่มีประสิทธิภาพ: การทบทวนทฤษฎีและงานเชิงประจักษ์ J. Finance 25 (2), 383417 (1970) CrossRef Google Scholar Goldberg, D. อัลกอริทึมทางพันธุกรรมในการค้นหาการเพิ่มประสิทธิภาพและการเรียนรู้ด้วยเครื่อง Addison-Wesley, Reading (1989) MATH Google Scholar Grefenstette, J. J. อัลกอริทึมทางพันธุกรรมสำหรับการเปลี่ยนแปลงสภาพแวดล้อม ใน: การแก้ปัญหาแบบคู่ขนานจากธรรมชาติ 2, Brussels (1992) Google Scholar Harding, D. Nakou, G. et al. ข้อดีและข้อเสียของการเบิกเป็นมาตรการทางสถิติในการลงทุนในความเสี่ยง วารสาร AIMA, เมษายน 1617 (2003) Google Scholar Hirabayashi, A. Aranha, C. et al. การเพิ่มประสิทธิภาพของกฎการค้าในการแลกเปลี่ยนเงินตราต่างประเทศโดยใช้ขั้นตอนวิธีทางพันธุกรรม ใน: การประชุมวิชาการประจำปีครั้งที่ 11 เรื่องการคำนวณทางพันธุกรรมและวิวัฒนาการ GECCO09 (2009) Google Scholar Hryshko, A. Downs, T. ระบบสำหรับการซื้อขายแลกเปลี่ยนเงินตราต่างประเทศโดยใช้อัลกอริทึมทางพันธุกรรมและการเรียนรู้การเสริมแรง int J. Syst วิทย์ 35 (13), 763774 (2004) MATH CrossRef Google Scholar Kaboudan, M. A. การทำนายทางพันธุกรรมของราคาหุ้น คอมพิวเต Econ 16 (3), 207236 (2000) MATH CrossRef Google Scholar LeBaron, B. กฎการซื้อขายทำกำไรทางเทคนิคและการแทรกแซงอัตราแลกเปลี่ยน J. Int. Econ ความสามารถในการทำกำไรด้านเทคนิคในการซื้อขายในตลาดแลกเปลี่ยนเงินตราต่างประเทศในปีพ. ศ. 2533 (ปีพ. ศ. 2545) Levich, R. M. Thomas, L. R. ความสำคัญของกฎการค้าทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศ: วิธีบูต J. Int. การเงินเงิน 12 (5), 451474 (1993) CrossRef Google Scholar Menkhoff, L. Taylor, M. P. ความหลงใหลของผู้เชี่ยวชาญด้านการแลกเปลี่ยนเงินตราต่างประเทศ: การวิเคราะห์ทางเทคนิค J. Econ จากเอกสาร, บทความ 45 (4), 936972 (2007) CrossRef Google Scholar Meyers, T. A. หลักสูตรการวิเคราะห์ทางเทคนิค McGraw-Hill, New York (1989) Google Scholar Mitchell, M. บทนำขั้นตอนวิธีทางพันธุกรรม MIT Press, Cambridge (1996) Google Scholar Neely, C. Weller, P. Intraday การค้าทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศ J. Int. การเงินเงิน 22 (2), 223237 (2003) CrossRef Google Scholar Neely, C. Weller, P. และคณะ การวิเคราะห์ทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศมีกำไรวิธีการเขียนโปรแกรมทางพันธุกรรม J. Financ ควอนท์ ทางทวารหนัก 32 (4), 405426 (1997) CrossRef Google Scholar Neely, C. J. Weller, P. A. et al สมมติฐานของตลาดปรับตัว: หลักฐานจากตลาดแลกเปลี่ยนเงินตราต่างประเทศ J. Financ ควอนท์ ทางทวารหนัก 44 (02), 467488 (2009) CrossRef Google Scholar Olson, D. มีกำไรกฎการซื้อขายในตลาดสกุลเงินลดลงเมื่อเวลาผ่านไป J. Bank การเงิน 28 (1), 85105 (2004) CrossRef Google Scholar Osman, I. H. Kelly, J. P. Meta-Heuristics: แอพพลิเคชั่นแอพพลิเคชันทฤษฎี Kluwer Academic, Dordrecht (1996) MATH Google Scholar Park, C.-H. Irwin, S. H. สิ่งที่เรารู้เกี่ยวกับการทำกำไรของการวิเคราะห์ทางเทคนิคเจ Econ Surv 21 (4), 786826 (2007) CrossRef Google Scholar Pictet, O. V. Dacorogna, M. M. et al ใช้อัลกอริทึมทางพันธุกรรมเพื่อเพิ่มประสิทธิภาพในการใช้งานด้านการเงิน Neural Netw โลก 5 (4), 573587 (1995) Google Scholar Reeves, C. R. ใช้ขั้นตอนวิธีทางพันธุกรรมที่มีประชากรน้อย ใน: รายงานการประชุมวิชาการนานาชาติเรื่องอัลกอริทึมทางพันธุศาสตร์ครั้งที่ 5 Morgan Kaufmann, San Mateo (1993) Google Scholar Rothlauf, F. Goldberg, D. การแทนซ้ำซ้อนในการคำนวณวิวัฒนาการ อิลลินอยส์อัลกอริทึมการทดลองทางพันธุกรรม (IlliGAL) Report (2002) Schulmeister, S. องค์ประกอบของความสามารถในการทำกำไรของการซื้อขายสกุลเงินทางเทคนิค Appl Financ Econ 18 (11), 917930 (2008) CrossRef Google Scholar Sweeney, R. J. ตีตลาดแลกเปลี่ยนเงินตราต่างประเทศ J. Finance 41 (1), 163182 (1986) Google Scholar Wilson, G. Banzhaf, W. การซื้อขายแลกเปลี่ยนเงินตราระหว่างวันโดยใช้โปรแกรมเชิงพันธุกรรมเชิงเส้น ใน: รายงานการประชุมวิชาการประจำปีครั้งที่ 12 เรื่องการคำนวณทางพันธุกรรมและวิวัฒนาการ GECCO10 (2010) Google Scholar ข้อมูลลิขสิทธิ์ Springer ScienceBusiness Media, LLC 2012 ผู้เขียนและ บริษัท ในเครือ Lus Mendes 1 Pedro Godinho 2 Joana Dias 3 ผู้เขียนอีเมล 1 Faculdade de Economia Universidade de Coimbra Coimbra โปรตุเกส 2. Faculdade de Economia และ GEMF Universidade de Coimbra Coimbra โปรตุเกส 3. Faculdade de Economia และ Inesc-Coimbra Universidade de Coimbra Coimbra โปรตุเกสเกี่ยวกับบทความนี้ขั้นตอนวิธีทางพันธุกรรมของลอคโครอนในระบบการซื้อขาย FOREX โดยใช้อัลกอริทึมทางพันธุกรรมเพื่อสร้างกลยุทธ์การซื้อขาย FOREX ที่มีกำไร อัลกอริทึมทางพันธุกรรมในโครงข่ายประสาทเทียมซอฟท์แวร์เครือข่ายประสาทเทียมสำหรับการคำนวณทางพันธุกรรมโดยใช้ Forex trading ตัวอย่างนี้ใช้แนวคิดและแนวคิดของบทความก่อน ๆ ดังนั้นโปรดอ่านอัลกอริธึมพันธุกรรมเครือข่ายประสาทเทียมในระบบการซื้อขาย FOREX ก่อน แต่ก็ไม่จำเป็น เกี่ยวกับข้อความนี้ก่อนอื่นโปรดอ่านข้อจำกัดความรับผิดชอบ นี่คือตัวอย่างของการใช้ฟังก์ชันการทำงานของอัลกอริธึมทางพันธุกรรมของ Cortex Neural Networks Software ไม่ใช่ตัวอย่างวิธีการทำกำไรจากการซื้อขาย ฉันไม่ใช่คุณครูของฉันและฉันไม่ควรเป็นผู้รับผิดชอบต่อความสูญเสียของคุณ Cortex Neural Networks Software มีเครือข่ายประสาทในนั้นและ FFBP ที่เรากล่าวถึงก่อนเป็นเพียงวิธีหนึ่งในการเลือกกลยุทธ์การซื้อขายแบบเทรด มันเป็นเทคนิคที่ดีมีประสิทธิภาพและเมื่อใช้อย่างถูกต้องมาก promicing อย่างไรก็ตามมีปัญหา - เพื่อสอนเครือข่ายประสาทเทียม เราจำเป็นต้องทราบผลลัพธ์ที่ต้องการ มันค่อนข้างง่ายที่จะทำเมื่อเราทำประมาณค่าเราเพียงแค่ใช้ค่าที่แท้จริงของฟังก์ชันเพราะเรารู้ว่ามันควรจะเป็น เมื่อเราทำโครงข่ายประสาทเทียม เราใช้เทคนิค (อธิบายไว้ในบทความก่อนหน้านี้) ในการสอนเครือข่ายประสาทเทียมเกี่ยวกับประวัติศาสตร์อีกครั้งหนึ่งถ้าเราคาดการณ์ว่าเป็นอัตราแลกเปลี่ยนที่เรารู้ (ในระหว่างการฝึกอบรม) ว่าทำนายถูกต้องอย่างไร อย่างไรก็ตามเมื่อเรากำลังสร้างระบบการซื้อขายเราไม่มีความคิดว่าการตัดสินใจทางการค้าที่ถูกต้องคือแม้ว่าเราจะรู้อัตราแลกเปลี่ยนแล้วก็ตาม แต่ในความเป็นจริงเรามีกลยุทธ์การซื้อขายแบบเทรดหลายอย่างที่เราสามารถใช้ได้ตลอดเวลาและ เราควรจะหาข้อมูลที่ดีที่สุดได้อย่างไรเราควรให้อาหารเท่าที่ต้องการจากการผลิต Neural Net ของเราถ้าคุณทำตามบทความก่อนหน้านี้ของเราคุณรู้ว่าเราโกงเพื่อรับมือกับปัญหานี้ เราได้สอนเครือข่ายประสาทเทียมเพื่อทำาการทำนายอัตราแลกเปลี่ยน (หรือตัวบ่งชี้อัตราแลกเปลี่ยน) และใช้การคาดการณ์นี้เพื่อทำาการซื้อขาย จากนั้นนอกเครือข่าย Neural Network ของโปรแกรมเราได้ตัดสินใจว่า Neural Network เป็นระบบที่ดีที่สุด อัลกอริทึมทางพันธุกรรมสามารถจัดการกับปัญหานี้ได้โดยตรงพวกเขาสามารถแก้ปัญหาตามที่ระบุไว้ได้โดยหาสัญญาณการซื้อขายที่ดีที่สุด ในบทความนี้เราจะใช้ Cortex Neural Networks Software เพื่อสร้างโปรแกรมดังกล่าว การใช้อัลกอริทึมทางพันธุกรรมขั้นตอนวิธีทางพันธุกรรมได้รับการพัฒนาเป็นอย่างดีและมีความหลากหลายมาก ถ้าคุณต้องการเรียนรู้เกี่ยวกับเรื่องนี้ขอแนะนำให้คุณใช้วิกิพีเดียเนื่องจากบทความนี้เป็นเพียงสิ่งที่ Cortex Neural Networks Software สามารถทำได้ มีซอฟต์แวร์ Cortex Neural Networks เราสามารถสร้างเครือข่ายประสาทเทียมที่ใช้ข้อมูลบางอย่างเช่นค่าของตัวบ่งชี้และสร้างผลลัพธ์บางอย่างเช่นสัญญาณการซื้อขาย (ซื้อซื้อขาย) ค้างไว้และหยุดการสูญเสียระดับผลกำไรสำหรับตำแหน่งที่จะเปิด แน่นอนว่าถ้าเราให้น้ำหนักของเครือข่ายนี้เป็นแบบสุ่มผลการซื้อขายจะแย่มาก อย่างไรก็ตามสมมติว่าเราได้สร้างโหลดังกล่าวขึ้น จากนั้นเราสามารถทดสอบประสิทธิภาพของแต่ละคนได้และเลือกสิ่งที่ดีที่สุดผู้ชนะ นี่เป็นรุ่นแรกของ NNS หากต้องการดำเนินการต่อในยุคที่สองเราต้องอนุญาตให้ผู้ชนะของเราสร้าง แต่เพื่อหลีกเลี่ยงการทำสำเนาเดียวกันให้เพิ่มเสียงสุ่มบางอย่างลงในน้ำหนักที่ลดลง ในรุ่นที่สองเรามีผู้ชนะรุ่นแรกและสำเนาไม่สมบูรณ์ (mutated) ของเรา ให้ทำการทดสอบอีกครั้ง เราจะมีผู้ชนะคนอื่นซึ่งดีกว่าเครือข่ายประสาทเทียมอื่น ๆ ในรุ่นนี้ และอื่น ๆ เราเพียงแค่อนุญาตให้ผู้ชนะพันธุ์และกำจัดผู้แพ้เช่นเดียวกับวิวัฒนาการในชีวิตจริงและเราจะได้รับ Neural Network ที่ดีที่สุดของเรา ไม่มีความรู้ใด ๆ เกี่ยวกับระบบการค้า (ขั้นตอนวิธีทางพันธุกรรม) ควรเป็นเช่น อัลกอริทึมทางพันธุกรรมของเครือข่ายประสาทเทียม: ตัวอย่าง 0 นี่เป็นตัวอย่างขั้นตอนวิธีทางพันธุกรรมตัวแรก และง่ายมาก เราจะเดินผ่านมันทีละขั้นตอนเพื่อเรียนรู้เทคนิคทั้งหมดที่ตัวอย่างต่อไปนี้จะใช้ โค้ดมีความคิดเห็นแบบอินไลน์ดังนั้นให้เน้นเฉพาะช่วงเวลาสำคัญ ขั้นแรกเราได้สร้างเครือข่ายประสาทขึ้น ใช้น้ำหนักแบบสุ่มและยังไม่ได้สอน จากนั้นในวัฏจักรที่เราทำ 14 สำเนาของมันโดยใช้การรั่วไหล MUTATIONNN ฟังก์ชั่นนี้จะทำสำเนาของเครือข่าย Neural Network เพิ่มค่าสุ่มจาก 0 เป็น (ในกรณีของเรา) 0.1 สำหรับน้ำหนักทั้งหมด เราจัดการกับ NNN 15 อันต่อเนื่องในอาร์เรย์เราสามารถทำได้เนื่องจากหมายเลขอ้างอิงเป็นหมายเลขจำนวนเต็ม เหตุผลที่เราใช้ 15 NNs ไม่มีส่วนเกี่ยวข้องกับการซื้อขาย: ซอร์ฟแวร์ Cortex Neural Networks สามารถทำกราฟได้ถึง 15 บรรทัดพร้อมกัน เราสามารถใช้วิธีการต่างๆในการทดสอบ อันดับแรกเราสามารถใช้ชุดการเรียนรู้ทั้งหมดได้ในครั้งเดียว ประการที่สองเราสามารถทดสอบในคำพูด 12000 resords (จาก 100000) และเดินผ่านชุดการเรียนรู้ตั้งแต่ต้นจนจบ ซึ่งจะทำให้ learnigs แตกต่างกันไปเนื่องจากเราจะค้นหาเครือข่าย Neural Network ที่ทำกำไรได้จากข้อมูลที่ได้รับไม่เฉพาะในชุดข้อมูลทั้งหมด วิธีที่สองสามารถทำให้เราเกิดปัญหาได้หากข้อมูลมีการเปลี่ยนแปลงตั้งแต่ต้นจนจบ เครือข่ายจะมีวิวัฒนาการได้รับความสามารถในการซื้อขายเมื่อสิ้นสุดชุดข้อมูลและสูญเสียความสามารถในการค้าขายตั้งแต่ต้น ในการแก้ปัญหานี้เราจะสุ่มเก็บบันทึก 12000 ชิ้นจากข้อมูลและป้อนข้อมูลไปยังเครือข่ายประสาทเทียม เป็นเพียงวงจรที่ไม่มีที่สิ้นสุดเนื่องจากรอบ 100000 จะไม่เกิดขึ้นที่ความเร็วของเรา ด้านล่างเราเพิ่มเด็ก 1 คนสำหรับแต่ละเครือข่ายโดยมีน้ำหนักแตกต่างกันเล็กน้อย ทราบว่า 0.1 สำหรับการกลายพันธุ์ tange ไม่ได้เป็นทางเลือกเดียวที่เป็นเรื่องของความเป็นจริงแม้พารามิเตอร์นี้สามารถเพิ่มประสิทธิภาพโดยใช้ขั้นตอนวิธีทางพันธุกรรม NNs ที่สร้างขึ้นใหม่จะถูกเพิ่มหลังจากที่มีอยู่ 15 วิธีนี้เรามี 30 NNs ในอาร์เรย์ 15 เก่าและ 15 ใหม่ จากนั้นเราจะทำรอบทดสอบต่อไปและจะฆ่าผู้แพ้จากทั้งสองรุ่น เมื่อต้องการทำแบบทดสอบเราจะใช้เครือข่ายประสาทเทียมกับข้อมูลของเราเพื่อสร้างผลลัพธ์และเรียกฟังก์ชันทดสอบซึ่งใช้ข้อมูลเหล่านี้เพื่อจำลองการซื้อขาย ผลลัพธ์ของการซื้อขายถูกนำมาใช้เพื่อกำหนดว่า NNs ใดที่ดีที่สุด เราใช้ช่วงเวลาของระเบียน nLearn จาก nStart ไปที่ nStart nLearn โดยที่ nStart เป็นจุดสุ่มภายในชุดการเรียนรู้ โค้ดด้านล่างเป็นเคล็ดลับ เหตุผลที่เราใช้ก็เพื่อแสดงให้เห็นถึงความจริงที่ว่าขั้นตอนวิธีทางพันธุกรรมสามารถสร้างขั้นตอนวิธีทางพันธุกรรม แต่ก็ไม่จำเป็นต้องเป็นคำแนะนำที่ดีที่สุดและยังแนะนำว่าเราสามารถปรับปรุงผลการดำเนินงานได้ถ้าเราอนุมานถึงข้อ จำกัด บางอย่างในกระบวนการเรียนรู้ เป็นไปได้ว่าระบบการซื้อขายของเราทำงานได้ดีในธุรกิจการค้าที่ยาวนานและไม่ค่อยดีในระยะสั้นหรือในทางกลับกัน ถ้าพูดยาวธุรกิจการค้าที่ดีมากนี้ขั้นตอนวิธีทางพันธุกรรมอาจจะชนะแม้จะมีการสูญเสียขนาดใหญ่ในธุรกิจการค้าระยะสั้น เพื่อหลีกเลี่ยงปัญหานี้เราจะกำหนดน้ำหนักให้กับธุรกิจการค้าระยะยาวในธุรกิจคี่และธุรกิจในระยะเวลาสั้น ๆ นี่เป็นเพียงตัวอย่างไม่มีการรับประกันใด ๆ ว่าจะปรับปรุงบางอย่าง เพิ่มเติมเกี่ยวกับด้านล่างในการอภิปรายเกี่ยวกับการแก้ไข เทคนิคคุณ dont ต้องทำหรือสามารถทำให้แตกต่างกัน เพิ่มกำไรลงในแถวที่เรียง จะส่งกลับตำแหน่งแทรกแล้วเราจะใช้ตำแหน่งนี้เพื่อเพิ่มเครือข่ายประสาทการจัดการเรียนรู้และการทดสอบผลกำไรให้อาร์เรย์ที่ไม่เรียงลำดับ ตอนนี้เรามีข้อมูลสำหรับเครือข่ายประสาทเทียมในปัจจุบันที่ดัชนีอาร์เรย์เช่นเดียวกับผลกำไรของมัน ความคิดคือการมาถึงอาร์เรย์ของ NNs เรียงตามความสามารถในการทำกำไร เป็นแถวเรียงตามกำไรเพื่อลบ 12 เครือข่ายที่มีกำไรน้อยกว่าเราก็ต้องลบ NNs 0 ถึง 14 การตัดสินใจซื้อขายขึ้นอยู่กับมูลค่าของสัญญาณเครือข่ายประสาทจากมุมมองนี้โปรแกรมจะเหมือนกับตัวอย่างจาก บทความก่อนหน้า กลยุทธ์การซื้อขาย FOREX: การอภิปรายตัวอย่างที่ 0 ก่อนอื่นให้ลองดูที่แผนภูมิ แผนภูมิแรกสำหรับกำไรระหว่างการทำซ้ำครั้งแรกไม่ดีเท่าที่ควร แต่เครือข่ายประสาทจะสูญเสียเงิน (ภาพ evolution00gen0.png ถูกคัดลอกหลังจากทำซ้ำครั้งแรกจากโฟลเดอร์ภาพ): ภาพสำหรับกำไรในรอบ 15 ดีกว่าบางครั้ง อัลกอริทึมทางพันธุกรรมสามารถเรียนรู้ได้อย่างรวดเร็ว: อย่างไรก็ตามสังเกตความอิ่มตัวบนเส้นโค้งกำไร เป็นที่น่าสนใจนอกจากนี้ยังมองไปที่วิธีการที่ผลกำไรของแต่ละคนมีการเปลี่ยนแปลงการเก็บไว้ในใจจำนวนโค้งที่พูด 3 ไม่ได้เสมอสำหรับเครือข่ายประสาทเทียมเดียวกัน ขณะที่พวกเขากำลังเกิดและถูกยกเลิกตลอดเวลา: นอกจากนี้โปรดสังเกตว่าระบบการซื้อขายแบบอัตโนมัติของ forex แบบเล็ก ๆ มีประสิทธิภาพต่ำในการค้าระยะสั้นและดีกว่าใน longs ซึ่งอาจหรือไม่เกี่ยวข้องกับข้อเท็จจริงที่ว่าเงินดอลลาร์ลดลงเมื่อเทียบกับ ยูโรในช่วงเวลาดังกล่าว นอกจากนี้ยังอาจมีบางสิ่งที่เกี่ยวข้องกับพารามิเตอร์ของตัวบ่งชี้ของเรา (บางทีเราต้องมีระยะเวลาที่แตกต่างกันสำหรับกางเกงขาสั้น) หรือตัวชี้วัดที่เลือก นี่คือประวัติหลังจากรอบ 92 และ 248: แปลกใจของเราขั้นตอนวิธีทางพันธุกรรมล้มเหลวอย่างสมบูรณ์ ช่วยให้เราลองหาสาเหตุและวิธีช่วยสถานการณ์ ประการแรกไม่ใช่แต่ละรุ่นควรจะดีกว่า previuos หนึ่งคำตอบคือไม่อย่างน้อยไม่อยู่ในรูปแบบที่เราใช้ ถ้าเราเอาชุดการเรียนรู้ทั้งหมดมาพร้อมกันและใช้ซ้ำเพื่อสอน NNs ของเราแล้วก็จะดีขึ้นในแต่ละรุ่น แต่เราได้สุ่มตัวอย่างเอาไว้ (12000 ระเบียนในเวลา) และใช้ข้อมูลเหล่านี้ คำถามสองข้อ: เหตุใดระบบจึงล้มเหลวในการสุ่มตัวอย่างชุดการเรียนรู้และทำไมเราถึงใช้ชุดการเรียนรู้ทั้งชุด? เพื่อตอบคำถามที่สองฉันไม่ NNs ทำอย่างมาก - เกี่ยวกับชุดการเรียนรู้ และพวกเขาล้มเหลวในการตั้งค่าการทดสอบด้วยเหตุผลเดียวกันกับความล้มเหลวเมื่อเราใช้การเรียนรู้ของ FFPB เพื่อให้แตกต่างกัน NNs ของเราได้รับการดูแลที่เกินจริงพวกเขาได้เรียนรู้วิธีที่จะอยู่รอดในสภาพแวดล้อมที่พวกเขาเคยชิน แต่ไม่ใช่อยู่ข้างนอก สิ่งนี้เกิดขึ้นในธรรมชาติ วิธีการที่เราเอามาแทนมีจุดมุ่งหมายเพื่อชดเชยให้โดยบังคับให้ NN ดำเนินการได้ดีในส่วนที่สุ่มใด ๆ ของชุดข้อมูลดังนั้นหวังว่าพวกเขาก็สามารถดำเนินการกับชุดทดสอบที่ไม่คุ้นเคย แต่ล้มเหลวทั้งในการทดสอบและในชุดการเรียนรู้ ลองจินตนาการถึงสัตว์ที่อาศัยอยู่ในทะเลทราย ดวงอาทิตย์มากไม่มีหิมะเลย นี่เป็น metafor สำหรับการขยายตลาดเนื่องจากข้อมูล NN ของเรามีบทบาทต่อสิ่งแวดล้อม สัตว์ได้เรียนรู้ที่จะอยู่ในทะเลทราย ลองจินตนาการถึงสัตว์ที่อาศัยอยู่ในสภาพอากาศหนาวเย็น หิมะและไม่มีแดดเลย ดีพวกเขาปรับ อย่างไรก็ตามในการทดสอบของเราเราสุ่มวาง NN ของเราในทะเลทรายในหิมะในน้ำบนต้นไม้ โดยการนำเสนอข้อมูลที่แตกต่างกัน (สุ่มเพิ่มขึ้น, ลดลง, แบน) สัตว์ตาย หรือแตกต่างไปจากนี้เราเลือกเครือข่ายประสาทเทียมที่ดีที่สุดสำหรับชุดข้อมูลแบบสุ่ม 1 ซึ่งกล่าวว่าเป็นตลาดที่เพิ่มขึ้น จากนั้นเราก็นำเสนอข้อมูลผู้โชคดีและลูกหลานของพวกเขา NN ดำเนินการได้ไม่ดีนักเราเอานักแสดงที่เก่งที่สุดคนหนึ่งซึ่งอาจเป็นเด็กคนหนึ่งซึ่งกลายพันธุ์ซึ่งสูญเสียความสามารถในการค้าขายในตลาดที่สูงขึ้น แต่ก็มีความสามารถในการรับมือกับการล้มลงได้ จากนั้นเรากลับมาที่โต๊ะอีกครั้งและเราก็ได้นักแสดงที่ดีที่สุด - แต่ที่ดีที่สุดในบรรดานักแสดงที่ไม่ดี เราไม่ได้ให้โอกาสที่จะกลายเป็นสากลของเราได้ มีเทคนิคที่ช่วยให้อัลกอริธึมทางพันธุกรรมสามารถเรียนรู้ข้อมูลใหม่ ๆ ได้โดยไม่สูญเสียสมรรถนะของข้อมูลเก่า (เพราะสัตว์ทุกตัวสามารถอยู่ในช่วงหน้าร้อนและฤดูหนาวได้ดังนั้นวิวัฒนาการจึงสามารถจัดการกับการเปลี่ยนแปลงซ้ำได้) เราอาจพูดถึงเทคนิคเหล่านี้ในภายหลังแม้ว่าบทความนี้จะเกี่ยวกับการใช้ Cortex Neural Networks Software มากกว่าเกี่ยวกับการสร้างระบบการซื้อขายอัตโนมัติแบบอัตโนมัติที่ประสบความสำเร็จ อัลกอริทึมทางพันธุกรรมของเครือข่ายประสาทเทียม: ตัวอย่างที่ 1 ตอนนี้ถึงเวลาแล้วที่จะพูดถึงการแก้ไข อัลกอริทึมทางพันธุกรรมที่เราสร้างขึ้นในขั้นตอนก่อนหน้านี้มีสองข้อบกพร่องที่สำคัญ อันดับแรกมันล้มเหลวในการค้ากับกำไร ไม่เป็นไรเราสามารถลองใช้ระบบที่ได้รับการฝึกฝนมาบ้างแล้ว (เป็นเรื่องที่ทำกำไรได้ตั้งแต่เริ่มต้น) ข้อบกพร่องที่สองเป็นเรื่องที่รุนแรงมากขึ้น: เราไม่มีทางควบคุมสิ่งต่างๆที่ระบบนี้ทำ ตัวอย่างเช่นอาจเรียนรู้ที่จะทำกำไรได้ แต่ต้องเสียเงินมาก เป็นความจริงที่รู้จักกันดีว่าในชีวิตจริงวิวัฒนาการสามารถเพิ่มพารามิเตอร์ได้มากกว่าหนึ่งพารามิเตอร์พร้อมกัน ตัวอย่างเช่นเราสามารถหาสัตว์ที่สามารถวิ่งได้เร็วและทนทานต่อความหนาวเย็น ทำไมไม่ลองทำเช่นเดียวกันในระบบการซื้อขายอัตโนมัติของเรา forex นั่นคือเมื่อเราใช้การแก้ไขซึ่งเป็นอะไร แต่ชุดของการลงโทษเพิ่มเติม สมมติว่าระบบของเราทำงานกับการเบิก 0.5 ในขณะที่เราต้องการยืนยันให้เป็น 0 ถึง 0.3 ช่วงเวลา เพื่อบอกระบบที่ทำผิดพลาดเราจะลดกำไร (หนึ่งที่ใช้ในการกำหนดอัลกอริทึมทางพันธุกรรมที่ได้รับรางวัล) ในระดับที่เป็นสัดส่วนกับขนาดของ DD จากนั้นขั้นตอนการวิวัฒนาการจะดูแลส่วนที่เหลือ มีปัจจัยอื่น ๆ อีกเล็กน้อยที่เราต้องการพิจารณา: เราอาจต้องการมีการดำเนินการซื้อและขายที่เท่ากันหรือน้อยกว่านี้เราต้องการมีผลการดำเนินงานที่ทำกำไรได้มากขึ้นและจากความล้มเหลวเราอาจต้องการทำแผนภูมิกำไร เป็นเส้นตรงและอื่น ๆ ใน evolution01.tsc เราใช้ชุดการแก้ไขที่เรียบง่าย ก่อนอื่นเราใช้ตัวเลขจำนวนมากสำหรับค่าการแก้ไขเริ่มต้น เราคูณค่าให้เล็กลง (ปกติระหว่าง 0 ถึง 1) ขึ้นอยู่กับการลงโทษที่เราต้องการใช้ จากนั้นเราจะเพิ่มผลกำไรให้กับการแก้ไขนี้ ดังนั้นผลกำไรจึงได้รับการแก้ไขเพื่อให้สอดคล้องกับเกณฑ์อื่น ๆ ของเรา จากนั้นเราจะใช้ผลการค้นหาผู้ชนะเครือข่ายประสาทเทียม กลยุทธ์การซื้อขาย FOREX: การอภิปรายตัวอย่าง 1 ตัวอย่างที่ 1 ทำงานได้ดีกว่าตัวอย่างที่ 0 ในช่วง 100 รอบแรกได้เรียนรู้มากและแผนภูมิกำไรดูมั่นใจ อย่างไรก็ตามเช่นเดียวกับในตัวอย่างที่ 0 ธุรกิจการค้าระยะยาวทำกำไรได้มากขึ้นซึ่งอาจหมายความว่ามีปัญหาในแนวทางของเรา อย่างไรก็ตามระบบพบความสมดุลระหว่างสองเงื่อนไขที่ขัดแย้งกัน: มีพลวัตในเชิงบวกบางอย่างทั้งในชุดการเรียนรู้และที่สำคัญกว่าในชุดทดสอบ สำหรับการเรียนรู้เพิ่มเติมในวัฏจักรที่ 278 เราจะเห็นได้ว่าระบบของเราได้รับการฝึกฝนมาเป็นอย่างดี ก็หมายความว่าเรายังคงมีความคืบหน้าในการเรียนรู้ชุด: แต่ชุดทดสอบแสดงจุดอ่อน: นี่เป็นปัญหาที่พบบ่อยเกี่ยวกับ NNS: เมื่อเราสอนในชุดการเรียนรู้จะเรียนรู้ที่จะจัดการกับมันและบางครั้งก็เรียนรู้ได้ดี - เพื่อ ปริญญาเมื่อสูญเสียประสิทธิภาพในชุดทดสอบ To deal with that problem, a traditional solution is used: we keep looking for the Neural Network . that performs best on testing set, and save it, overwriting previous best one, every time new peak is reached. This is the same approach, we used in FFBP training, except, this time we have to do it ourselves (adding code, that looks for a best Neural Network on a testing set, and calling SAVENN, or exporting weights of Neural Network to a file). This way, when you stop your training, youll have the best performer ON TESTING SET saved and waiting for you. Note also, that it is not the max. profit you are after, but optimal performance, so consider using corrections, when looking for a best performer on a testing set. Genetic Algorithm for FOREX Technical Analysis: Where now After you got your winner Neural Network . you can follow the steps, described in previous article, to export weights of that Neural Network . and then to use them in your real time trading platform, like Meta Trader, Trade Station and so on. Alternatively, you can focus on other ways of optimizing the Neural Network . unlike with FFBP algorithm, here you can get avay from using learning and testing sets, and move sequential learning. Download Cortex Order Cortex View Price List Visibility is very important for this site. If you like it please link to this URL