Forex ประสาท เครือข่าย เอ

คำเตือนและคำเตือนความเสี่ยง กรุณาอ่าน. คำเตือนความเสี่ยง การซื้อขายอัตราแลกเปลี่ยนเงินตราต่างประเทศมีความเสี่ยงสูงและอาจไม่เหมาะสมสำหรับนักลงทุนทุกราย ระดับการยกระดับสูงสามารถทำงานได้ดีกับคุณและคุณ ก่อนตัดสินใจลงทุนในตลาดหลักทรัพย์ต่างประเทศคุณควรพิจารณาวัตถุประสงค์การลงทุนระดับประสบการณ์และความกระหายที่มีความเสี่ยงอย่างรอบคอบ ความเป็นไปได้ที่จะทำให้คุณสูญเสียบางส่วนหรือทั้งหมดของการลงทุนครั้งแรกของคุณดังนั้นคุณจึงไม่ควรลงทุนเงินที่คุณไม่สามารถจะเสียได้ คุณควรตระหนักถึงความเสี่ยงทั้งหมดที่เกี่ยวข้องกับการซื้อขายเงินตราต่างประเทศและขอคำแนะนำจากที่ปรึกษาทางการเงินอิสระหากคุณมีข้อสงสัยใด ๆ ข้อมูลทั้งหมดที่โพสต์ในเว็บไซต์นี้เป็นความคิดเห็นและความคิดเห็นของผู้เข้าชมของเราและอาจไม่สะท้อนถึงความจริง กรุณาใช้คำตัดสินที่ดีของคุณเองและขอคำแนะนำจากที่ปรึกษาที่มีคุณภาพก่อนที่จะเชื่อและยอมรับข้อมูลใด ๆ ที่โพสต์ไว้ในเว็บไซต์นี้ เราขอสงวนสิทธิ์ในการลบแก้ไขย้ายหรือปิดโพสต์ใด ๆ ไม่ว่าด้วยเหตุใด ๆ การเชื่อมโยงคำเตือนโฆษณาจะปรากฏขึ้นทั่วทั้งไซต์ บางหน้าในไซต์อาจมีลิงค์พันธมิตรสำหรับผลิตภัณฑ์ โฆษณาและลิงค์เหล่านี้ไม่ได้แสดงถึงความเห็นการรับรองหรือความสามัคคีของเว็บไซต์นี้หรือ บริษัท ในเครือ การทบทวน FPAs จะไม่ได้รับผลกระทบจากการโฆษณา โฆษณาบางรายการอาจมีข้อมูลที่อาจทำให้เกิดความเข้าใจผิดและอาจทำให้ข้อมูลที่ไม่สมดุลและข้อมูลที่อาจไม่สามารถเปิดเผยความเสี่ยงและข้อควรพิจารณาที่สำคัญอื่น ๆ ที่เกี่ยวข้องกับการซื้อขายเก็งกำไรได้ ผู้ส่งอีเมลขยะได้รับการเตือนถ้าคุณสแปมฟอรัมหรือบทวิจารณ์ของ FPA เราขอสงวนสิทธิ์ในการแก้ไขบทความของคุณในแบบที่เราต้องการเพื่อทำให้คุณสนุก การสแปมเราถือว่าคุณยอมรับการแก้ไขใด ๆ ที่เราทำขึ้นและจะไม่ดำเนินการตามกฎหมายหรืออื่น ๆ กับ FPA หรือ บริษัท ร่วมของ บริษัท สำหรับสิ่งที่เราทำกับหรือกับสแปมของคุณ ข้อตกลงและเงื่อนไข Privacy ติดต่อเราเกี่ยวกับ ForexPeaceArmy มีความเกี่ยวข้องกับ บริษัท โฆษณาบางแห่งในเว็บไซต์นี้และอาจได้รับการชดเชยหากผู้อ่านติดตามลิงก์และลงทะเบียน เรามุ่งมั่นในการจัดการความคิดเห็นและโพสต์โดยไม่คำนึงถึงความสัมพันธ์ดังกล่าว สำเนาลิขสิทธิ์ ForexPeaceArmy All rights Reserved.8482Forex กองทัพสันติภาพ ForexPeaceArmy, FPA และ FPA Shield Logo เป็นเครื่องหมายการค้าของกองทัพ Forex Peace สงวนลิขสิทธิ์ภายใต้กฎหมายของสหรัฐอเมริกาและกฎหมายระหว่างประเทศ Forex Peace Army อาศัยการโฆษณาแบบแบนเนอร์เพื่อให้ฟรีสำหรับทุกคน คุณสามารถช่วยด้วยเช่นกัน - โปรดพิจารณาปิดใช้งาน AdBlocker ในขณะที่เรียกดูเว็บไซต์ของเรา ขอขอบคุณจากชุมชนผู้ค้าของเรา :-) MetaTrader 4 - ตัวอย่างการใช้เครือข่ายประสาทเทียมในบทแนะนำของ MetaTrader หลายท่านอาจพิจารณาความเป็นไปได้ในการใช้เครือข่ายประสาทเทียมใน EA ของคุณ เรื่องนี้เป็นเรื่องที่ร้อนมากโดยเฉพาะหลังจากปี 2007 Automated Trading Championship และได้รับรางวัลชนะเลิศจาก Better ด้วยระบบของเขาที่อิงกับโครงข่ายประสาทเทียม ฟอรัมอินเทอร์เน็ตจำนวนมากถูกน้ำท่วมด้วยหัวข้อเกี่ยวกับเครือข่ายประสาทและการซื้อขาย Forex แต่น่าเสียดายที่การเขียนการใช้ MQL4 ของ NN เป็นเรื่องง่าย ต้องใช้ทักษะการเขียนโปรแกรมบางอย่างและผลลัพธ์จะไม่ได้มีประสิทธิภาพมากโดยเฉพาะหากคุณต้องการทดสอบผลสุดท้ายในการทดสอบกับข้อมูลจำนวนมาก ในบทความนี้ Ill แสดงให้คุณเห็นว่าคุณสามารถใช้ไลบรารีเครือข่ายประสาทเทียม (FANN) ที่มีชื่อเสียงในรหัส MQL4 ได้อย่างอิสระ (ภายใต้ LGPL) ในขณะที่หลีกเลี่ยงอุปสรรคและข้อ จำกัด บางประการ ต่อไปฉันคิดว่าผู้อ่านคุ้นเคยกับเครือข่ายประสาทเทียม (ann) และคำศัพท์ที่เกี่ยวข้องกับเรื่องนี้ดังนั้น Ill เน้นด้านการปฏิบัติของการใช้เฉพาะของ ann ในภาษา MQL4 คุณลักษณะของ FANN เพื่อให้เข้าใจถึงความเป็นไปได้ของการใช้ FANN อย่างเต็มที่ต้องทำความคุ้นเคยกับเอกสารและหน้าที่ที่ใช้โดยทั่วไป การใช้งานทั่วไปของ FANN คือการสร้างเครือข่าย feedforward แบบง่ายฝึกอบรมข้อมูลบางอย่างและเรียกใช้ เครือข่ายที่สร้างขึ้นและผ่านการฝึกอบรมอาจถูกบันทึกไว้ในไฟล์และเรียกคืนในภายหลังเพื่อใช้งานต่อไป เมื่อต้องการสร้าง ann หนึ่งต้องใช้ฟังก์ชัน fanncreatestandard () ให้ดูไวยากรณ์: ที่ numlayers แสดงจำนวนชั้นทั้งหมดรวมทั้ง input และ output layer lNnum และอาร์กิวเมนต์ต่อไปนี้หมายถึงจำนวนของเซลล์ประสาทในแต่ละเลเยอร์ที่ขึ้นต้นด้วยชั้นอินพุตและลงท้ายด้วยชั้นเอาท์พุท เพื่อสร้างเครือข่ายที่มีชั้นที่ซ่อนไว้หนึ่งแห่งโดยมี 5 เซลล์ประสาท 10 อินพุทและ 1 เอาท์พุทจะต้องเรียกใช้งานดังต่อไปนี้: เมื่อสร้าง ann ขึ้นไปการฝึกอบรมครั้งต่อไปก็คือการฝึกอบรมกับข้อมูลอินพุตและเอาต์พุตบางส่วน วิธีการฝึกอบรมที่ง่ายที่สุดคือการฝึกอบรมที่เพิ่มขึ้นซึ่งสามารถทำได้โดยฟังก์ชันต่อไปนี้: ฟังก์ชันนี้จะใช้ตัวชี้ไปยัง struct fann ที่ส่งกลับมาก่อนหน้านี้โดย fanncreatestandard () และทั้งเวกเตอร์ข้อมูลการป้อนข้อมูลและเวกเตอร์ข้อมูลขาออก พาหะนำเข้าและส่งออกเป็นอาร์เรย์ของประเภท fanntype ประเภทนี้เป็นเรื่องของความเป็นจริงเป็นแบบคู่หรือแบบลอยขึ้นอยู่กับวิธีที่ FANN ถูกคอมไพล์ ในการใช้งานนี้เวกเตอร์อินพุตและเอาต์พุตจะเป็นอาร์เรย์ของคู่ เมื่อ ann ได้รับการฝึกอบรมคุณลักษณะที่ต้องการต่อไปก็คือการเรียกใช้เครือข่ายนั้น ฟังก์ชันการใช้งานที่กำหนดไว้ดังนี้: ฟังก์ชันนี้ใช้ตัวชี้ไปยัง struct fann แทนเครือข่ายที่สร้างขึ้นก่อนหน้านี้และเวกเตอร์อินพุทของชนิดที่กำหนด (อาร์เรย์คู่) ค่าที่ส่งคืนคืออาร์เรย์เวกเตอร์เอาต์พุต ความจริงข้อนี้เป็นเรื่องสำคัญสำหรับเครือข่าย utput หนึ่ง ๆ ที่เรามักได้รับอาร์เรย์หนึ่งองค์ประกอบด้วยค่าเอาท์พุทแทนที่จะเป็นค่าเอาต์พุตเอง แต่น่าเสียดายที่ส่วนมากของฟังก์ชัน FANN ใช้ตัวชี้ไปยัง struct fann แทน ann ซึ่งไม่สามารถจัดการได้โดยตรงโดย MQL4 ซึ่งไม่สนับสนุนโครงสร้างเป็น datatypes เพื่อหลีกเลี่ยงข้อ จำกัด ดังกล่าวเราจะต้องห่อหุ้มด้วยวิธีใดและซ่อนจาก MQL4 วิธีที่ง่ายที่สุดคือการสร้างอาร์เรย์ของ struct fann pointers ที่เก็บค่าที่เหมาะสมและอ้างอิงกับ index ที่แสดงโดยตัวแปร int ด้วยวิธีนี้เราสามารถแทนที่ตัวแปรชนิดที่ไม่ได้รับการสนับสนุนด้วยการสนับสนุนและสร้างไลบรารีห่อหุ้มที่สามารถรวมเข้ากับรหัส MQL4 ได้อย่างง่ายดาย การห่อ FANN รอบ ๆ As to MQL4 ความรู้ที่ดีที่สุดของฉันไม่สนับสนุนฟังก์ชันที่มีรายการอาร์กิวเมนต์ตัวแปรดังนั้นเราต้องจัดการกับที่มากเกินไป ในอีกทางหนึ่งถ้าฟังก์ชัน C (ความยาวอาร์กิวเมนต์ตัวแปร) ถูกเรียกว่ามีอาร์กิวเมนต์มากเกินไปไม่มีอะไรผิดพลาดเกิดขึ้นเพื่อให้เราสามารถสมมติจำนวนอาร์กิวเมนต์สูงสุดที่กำหนดไว้ในฟังก์ชัน MQL4 ที่ส่งผ่านไปยังไลบรารี C. ฟังก์ชัน wrapper ที่เกิดขึ้นจะมีลักษณะดังนี้: เราเปลี่ยน fann นำหน้าด้วย f2M (ซึ่งย่อมาจาก FANN TO MQL) ใช้อาร์กิวเมนต์จำนวนคงที่ (4 ชั้น) และค่าที่ส่งกลับเป็นดัชนีภายในของ anns ที่มี struct fann ข้อมูลที่ FANN ต้องการใช้งาน ด้วยวิธีนี้เราสามารถเรียกฟังก์ชันดังกล่าวจากภายในรหัส MQL ได้อย่างง่ายดาย เช่นเดียวกับ: สุดท้าย แต่อย่างน้อยก็คือความจริงที่ว่าคุณควรทำลาย ann ที่สร้างขึ้นครั้งแรกโดยการโทรไปที่: ในการปล่อย ann handles คุณควรทำลายเครือข่ายตามลำดับย้อนกลับกว่าที่สร้างขึ้น หรือคุณสามารถใช้: อย่างไรก็ตามฉันแน่ใจว่าบางคนอาจต้องการบันทึกเครือข่ายที่ได้รับการฝึกมาเพื่อใช้ในภายหลังด้วย: แน่นอนว่าเครือข่ายที่บันทึกไว้สามารถโหลด (หรือสร้างขึ้นใหม่) ในภายหลังได้ด้วย: เมื่อเรารู้ว่าฟังก์ชันพื้นฐานที่เราอาจลองทำ ใช้ใน EA ของเรา แต่ก่อนอื่นเราต้องติดตั้งแพคเกจ Fann2MQL การติดตั้ง Fann2MQL เพื่ออำนวยความสะดวกในการใช้แพ็คเกจนี้ฉันได้สร้างตัวติดตั้ง MSI ที่มีรหัสแหล่งที่มาทั้งหมดรวมทั้งไลบรารีที่เตรียมไว้ล่วงหน้าและไฟล์ส่วนหัว Fann2MQL. mqh ที่ประกาศฟังก์ชัน Fann2MQL ทั้งหมด ขั้นตอนการติดตั้งค่อนข้างตรงไปตรงมา ก่อนอื่นคุณจะได้รับแจ้งว่า Fann2MQL อยู่ภายใต้ใบอนุญาต GPL: การติดตั้ง Fann2MQL ขั้นตอนที่ 1 จากนั้นเลือกโฟลเดอร์เพื่อติดตั้งแพคเกจ คุณสามารถใช้ Program FilesFann2MQL เริ่มต้นหรือติดตั้งโดยตรงลงในไดเร็กทอรี Meta Traderexperts ของคุณ ในภายหลังจะวางไฟล์ทั้งหมดลงในสถานที่โดยตรงมิเช่นนั้นคุณจะต้องคัดลอกไฟล์เหล่านี้ด้วยตนเอง การติดตั้ง Fann2MQL ขั้นตอนที่ 2 ตัวติดตั้งจะใส่แฟ้มลงในโฟลเดอร์ต่อไปนี้: ถ้าคุณเลือกที่จะติดตั้งลงในโฟลเดอร์ Fann2MQL เฉพาะโปรดคัดลอกเนื้อหาของโฟลเดอร์ย่อยและโฟลเดอร์ย่อยของไลบรารีลงในไดเร็กทอรีที่เหมาะสมของ Meta Trader โปรแกรมติดตั้งจะติดตั้งไลบรารี FANN ลงในโฟลเดอร์ไลบรารีระบบของคุณ (ส่วนใหญ่จะเป็น Windowssystem32) โฟลเดอร์ src ประกอบด้วยรหัสต้นฉบับทั้งหมดของ Fann2MQL คุณสามารถอ่านซอร์สโค้ดซึ่งเป็นเอกสารที่ดีที่สุดหากคุณต้องการข้อมูลเพิ่มเติมเกี่ยวกับ internals นอกจากนี้คุณยังสามารถปรับปรุงโค้ดและเพิ่มคุณสมบัติเพิ่มเติมได้หากต้องการ ฉันขอแนะนำให้คุณส่งแพทช์ให้ฉันหากคุณใช้สิ่งที่น่าสนใจ การใช้เครือข่ายประสาทเทียมใน EA ของคุณเมื่อติดตั้ง Fann2MQL แล้วคุณสามารถเริ่มเขียน EA หรือตัวบ่งชี้ของคุณเองได้ มีการใช้ NN ได้มากทีเดียว คุณสามารถใช้เพื่อคาดการณ์การเคลื่อนไหวของราคาในอนาคต แต่คุณภาพของการคาดการณ์ดังกล่าวและความเป็นไปได้ในการใช้ประโยชน์อย่างแท้จริงของมันเป็นหนี้สงสัยจะสูญ คุณสามารถลองเขียนกลยุทธ์ของคุณเองโดยใช้เทคนิคการเรียนรู้การเสริมกำลัง Q-Learning หรือสิ่งที่คล้ายคลึงกัน คุณอาจลองใช้ NN เป็นตัวกรองสัญญาณสำหรับ heuristic EA ของคุณหรือรวมเทคนิคทั้งหมดนี้รวมถึงสิ่งที่คุณต้องการจริงๆ คุณ จำกัด ด้วยจินตนาการของคุณเท่านั้น ที่นี่ฉันจะแสดงตัวอย่างของการใช้ NN เป็นตัวกรองสัญญาณ MACD ง่าย ๆ โปรดอย่าคิดว่าเป็น EA ที่มีค่า แต่เป็นตัวอย่างของ Fann2MQL ในระหว่างการอธิบายวิธีที่อีเอ: NeuroMACD. mq4 ทำงานฉันจะแสดงให้เห็นว่า Fann2MQL สามารถใช้งานได้อย่างมีประสิทธิภาพใน MQL อย่างไร สิ่งแรกที่ทุกอีเอคือการประกาศตัวแปรทั่วโลกกำหนดและรวมถึงส่วน นี่คือจุดเริ่มต้นของ NeuroMACD ที่ประกอบด้วยสิ่งเหล่านี้: คำสั่ง include กล่าวว่าจะโหลดไฟล์ส่วนหัว Fann2MQL. mqh ที่มีการประกาศฟังก์ชัน Fann2MQL ทั้งหมด หลังจากนั้นฟังก์ชั่นแพคเกจ Fann2MQL ทั้งหมดจะพร้อมใช้งานสำหรับสคริปต์ ค่าคงที่ ANNPATH กำหนดเส้นทางเพื่อเก็บและโหลดไฟล์ที่มีเครือข่าย FANN ที่ผ่านการฝึกอบรมแล้ว คุณต้องสร้างโฟลเดอร์นั้นเช่น C: ANN ค่าคงที่ NAME มีชื่อของ EA นี้ซึ่งจะใช้ภายหลังเพื่อโหลดและบันทึกไฟล์เครือข่าย พารามิเตอร์การป้อนข้อมูลค่อนข้างชัดเจนและที่ arent จะอธิบายในภายหลังเช่นเดียวกับตัวแปรทั่วโลก จุดเริ่มต้นของ EA ทุกตัวคือฟังก์ชัน init (): ก่อนอื่นจะตรวจสอบว่ามีการนำ EA มาใช้เพื่อแก้ไขช่วงเวลาของเฟรมเวลาหรือไม่ ตัวแปร AnnInputs มีจำนวนของอินพุตของเครือข่ายประสาท เช่นกันใช้ 3 อาร์กิวเมนต์ที่แตกต่างกันเราต้องการให้สามารถหารด้วย 3 AnnPath คำนวณเพื่อสะท้อนถึง EA NAME และ MagicNumber ซึ่งคำนวณจาก SlowMA อาร์กิวเมนต์อินพุตของ FastMA และ SignalMA ซึ่งใช้ในการบ่งชี้สัญญาณ MACD ในภายหลัง เมื่อรู้ AnnPath EA พยายามโหลดเครือข่ายประสาทโดยใช้ฟังก์ชัน annload () ที่อธิบายไว้ด้านล่าง ครึ่งหนึ่งของเครือข่ายโหลดหมายสำหรับการกรองตำแหน่งแบบยาวและอีกครึ่งหนึ่งหมายถึงกางเกงขาสั้น ตัวแปร AnnsLoaded ใช้เพื่อระบุความเป็นจริงว่าเครือข่ายทั้งหมดได้รับการเตรียมใช้งานอย่างถูกต้อง ดังที่คุณอาจสังเกตเห็นตัวอย่างนี้อีเอกำลังพยายามโหลดหลายเครือข่าย ฉันสงสัยว่ามันจำเป็นจริงๆในโปรแกรมนี้ แต่ฉันต้องการที่จะแสดงให้คุณเต็มศักยภาพของ Fann2MQL ซึ่งจะจัดการหลายเครือข่ายในเวลาเดียวกันและสามารถประมวลผลพวกเขาในแบบคู่ขนานการใช้ประโยชน์จากหลายแกนหรือซีพียู เพื่อให้เป็นไปได้ Fann2MQL ใช้ประโยชน์จากเทคโนโลยี Intel Threading Building Blocks ฟังก์ชัน f2Mparallelinit () ใช้เพื่อเริ่มต้นอินเทอร์เฟซดังกล่าว นี่คือวิธีที่ฉันใช้ในการเริ่มต้นระบบเครือข่าย: ในขณะที่คุณสามารถดูได้ว่า f2Mcreatefromfile () ล้มเหลวซึ่งระบุโดยค่าตอบแทนที่เป็นค่าลบเครือข่ายถูกสร้างขึ้นด้วยฟังก์ชัน f2Mcreatestandard () ที่มีอาร์กิวเมนต์ระบุว่าเครือข่ายที่สร้างขึ้นควรมี 4 เลเยอร์ (รวมทั้งอินพุตและเอาต์พุต) อินพุต AnnInput เซลล์ประสาท AnnInput ในเลเยอร์ที่ซ่อนแรก AnnInput21 เซลล์ประสาทในชั้นที่ซ่อนอยู่ที่ 2 และเซลล์ประสาทที่ 1 ในเลเยอร์เอาท์พุท f2Msetactfunctionhidden () ใช้เพื่อกำหนดฟังก์ชันการเปิดใช้งานของเลเยอร์ที่ซ่อนไว้เป็น SIGMOIDSYMMETRICSTEPWISE (โปรดดูเอกสารประกอบการ FANN ของ fannactivationfuncenum) และเหมือนกันสำหรับเลเยอร์เอาท์พุท จากนั้นมีการเรียกร้องให้ f2mrandomizeweights () ซึ่งใช้เพื่อเริ่มต้นการเชื่อมต่อน้ำหนักของ neuron ภายในเครือข่าย ที่นี่ฉันใช้ช่วงของ lt-0.4 0.4gt แต่คุณสามารถใช้อื่น ๆ ขึ้นอยู่กับใบสมัครของคุณ ณ จุดนี้คุณอาจสังเกตเห็นฟังก์ชั่น debug () ที่เคยใช้อยู่สองครั้ง หนึ่งในวิธีที่ง่ายที่สุดในการปรับระดับ verbose ของ EA ร่วมกับมันและพารามิเตอร์อินพุท DebugLevel คุณสามารถปรับแต่งวิธีการที่โค้ดของคุณกำลังผลิตเอาต์พุตการแก้ปัญหา ถ้าอาร์กิวเมนต์แรกของฟังก์ชันการแก้ปัญหา () ฟังก์ชันระดับการแก้ปัญหาสูงกว่า DebugLevel ฟังก์ชันจะไม่สามารถสร้างผลลัพธ์ได้ ถ้ามีการพิมพ์ออกมาให้ต่ำกว่าเท่ากัน ถ้าระดับการแก้ปัญหาคือ 0 สตริง ERROR: จะถูกผนวกเข้ากับช่วงเริ่มต้น ด้วยวิธีนี้คุณสามารถแยกการตรวจแก้จุดบกพร่องที่ผลิตโดยโค้ดของคุณไปยังหลายระดับ ข้อผิดพลาดที่สำคัญที่สุดอาจเป็นข้อผิดพลาดดังนั้นพวกเขาจึงถูกกำหนดให้อยู่ในระดับ 0 พวกเขาจะถูกพิมพ์ออกไปจนกว่าคุณจะลด DebugLevel ให้อยู่ต่ำกว่า 0 (ซึ่งไม่ได้รับคำแนะนำ) ที่ระดับ 1 ข้อมูลที่สำคัญบางอย่างจะถูกพิมพ์เช่นการยืนยันการโหลดหรือการสร้างเครือข่ายที่ประสบความสำเร็จ ในระดับที่ 2 หรือสูงกว่าความสำคัญของข้อมูลที่พิมพ์จะค่อยๆลดลง ก่อนที่จะอธิบายรายละเอียดของฟังก์ชัน start () ซึ่งมีความยาวมากผมต้องแสดงฟังก์ชันเพิ่มเติมเพื่อเตรียมป้อนข้อมูลเครือข่ายและใช้งานเครือข่ายจริง: annprepareinput ฟังก์ชัน () ใช้เพื่อเตรียมชื่ออินพุตสำหรับเครือข่าย (เช่นชื่อ) วัตถุประสงค์ของมันค่อนข้างตรงไปตรงมา แต่นี้เป็นจุดที่ฉันต้องเตือนคุณว่าข้อมูลเข้าจะต้องมีการ normalized อย่างถูกต้อง ไม่มีกรณีที่ซับซ้อนในกรณีนี้ผมใช้ค่าหลักและสัญญาณ MACD ซึ่งไม่เกินช่วงที่ต้องการในข้อมูลที่คิด ในตัวอย่างจริงคุณควรให้ความสำคัญกับปัญหานี้มากขึ้น เนื่องจากคุณอาจสงสัยว่าการเลือกอาร์กิวเมนต์สำหรับป้อนข้อมูลที่เหมาะสมสำหรับการป้อนข้อมูลเครือข่ายการเขียนโค้ดการสลายตัวและการทำให้เป็นมาตรฐานเป็นหนึ่งในปัจจัยที่สำคัญที่สุดในการประมวลผลเครือข่ายประสาท ดังที่ได้กล่าวมาก่อน Fann2MQL มีความสามารถในการขยายการทำงานตามปกติของ MetaTrader นั่นคือการประมวลผลแบบมัลติเธรดของเครือข่ายประสาทเทียมแบบขนาน Parallel อาร์กิวเมนต์สากลควบคุมลักษณะการทำงานนี้ ฟังก์ชัน runanns () รันเครือข่ายที่เตรียมใช้งานทั้งหมดและรับเอาท์พุทของไฟล์เหล่านั้นและจัดเก็บในอาร์เรย์ AnnOutput ฟังก์ชัน annsrunparallel มีหน้าที่ในการจัดการงานในแบบหลายเธรด เรียกอาร์เรย์ f2mrunparallel () ซึ่งใช้เป็นอาร์กิวเมนต์แรกจำนวนเครือข่ายที่จะประมวลผลอาร์กิวเมนต์ที่สองคืออาร์เรย์ที่ประกอบด้วยการจัดการกับเครือข่ายทั้งหมดที่คุณต้องการเรียกใช้โดยให้อินพุตเวกเตอร์เป็นอาร์กิวเมนต์ที่สาม เครือข่ายทั้งหมดต้องทำงานบนข้อมูลอินพุตที่เหมือนกันมาก การรับเอาต์พุตจากเครือข่ายทำได้โดยการเรียกหลาย ๆ ครั้งมาที่ f2mgetoutput () ตอนนี้ให้ดูที่ฟังก์ชัน start (): ฉันจะอธิบายสั้น ๆ เนื่องจากมีความเห็นค่อนข้างดี tradeallowed () ตรวจสอบว่าได้รับอนุญาตให้ทำการค้าหรือไม่ โดยทั่วไปจะตรวจสอบตัวแปร AnnsLoaded ระบุว่า anns ทั้งหมดถูกเริ่มต้นอย่างถูกต้องจากนั้นตรวจสอบระยะเวลากรอบเวลาที่เหมาะสมยอดเงินขั้นต่ำบัญชีและที่ส่วนท้ายสุดช่วยให้การค้าเฉพาะในขีดแรกของแถบใหม่ ถัดไปสองฟังก์ชันที่ใช้เพื่อเตรียมการป้อนข้อมูลเครือข่ายและเรียกใช้การประมวลผลเครือข่ายได้อธิบายเพียงไม่กี่บรรทัดข้างต้น ถัดไปเราคำนวณและใส่ลงในตัวแปรสำหรับการประมวลผลค่า MACD ในภายหลังของสัญญาณและสายหลักสำหรับแถบการสะสมตัวล่าสุดและก่อนหน้านี้ แถบปัจจุบันถูกละเว้นเนื่องจากยังไม่ได้สร้างขึ้นและอาจจะมีการ redrawed SellSignal และ BuySignal คำนวณตามสัญญาณ MACD และการครอสโอเวอร์สายหลัก สัญญาณทั้งสองใช้สำหรับการประมวลผลตำแหน่งแบบยาวและแบบสั้นซึ่งเป็นแบบสมมาตรดังนั้น Ill จะอธิบายเฉพาะกรณีของ longs เท่านั้น ตัวแปร LongTicket มีจำนวนตั๋วที่เปิดอยู่ในปัจจุบัน หากไม่มีการเปิดตำแหน่งเท่ากับ -1 ตำแหน่งดังนั้นหาก BuySignal ถูกตั้งค่าไว้ซึ่งอาจแสดงโอกาสที่ดีในการเปิดตำแหน่งที่ยาว หากไม่ได้ตั้งค่าตัวแปร NeuroFilter ไว้ตำแหน่งที่ยาวจะเปิดขึ้นและนั่นคือกรณีที่ไม่มีการกรองสัญญาณของระบบประสาท - ใบสั่งจะถูกส่งไปซื้อ ณ จุดนี้ตัวแปร LongInput หมายถึงการจำ InputVector เตรียมโดย annprepareinput () เพื่อใช้ในภายหลัง ถ้าตัวแปร LongTicekt มีหมายเลขบัตรที่ถูกต้อง EA จะตรวจสอบว่ามีการเปิดหรือปิดโดย StopLoss หรือ TakeProfit หรือไม่ ถ้าคำสั่งไม่ปิดไม่มีอะไรเกิดขึ้นอย่างไรก็ตามหากใบสั่งปิดเวกเตอร์ trainoutput ซึ่งมีเพียง otput เดียวจะถูกคำนวณเพื่อถือมูลค่า -1 ถ้าคำสั่งถูกปิดด้วยขาดทุนหรือ 1 ถ้าคำสั่งถูกปิดด้วยกำไร . ค่าดังกล่าวจะถูกส่งผ่านไปยังฟังก์ชัน anntrain () และเครือข่ายทั้งหมดที่รับผิดชอบในการจัดการตำแหน่งยาวจะได้รับการฝึกอบรมด้วย เป็นอินพุทเวกเตอร์ตัวแปร LongInput ใช้ซึ่งถือ InputVector ในขณะที่เปิดตำแหน่ง วิธีนี้เครือข่ายจะสอนว่าสัญญาณจะนำกำไรและที่หนึ่งไม่ได้ เมื่อคุณมีเครือข่ายที่ผ่านการฝึกอบรมแล้ว NeuroFilter จะทำการกรองเครือข่ายอย่างแท้จริง annwiselong () ใช้เครือข่ายประสาทที่ฉลาดคำนวณเป็นค่าเฉลี่ยของค่าที่ส่งกลับโดยเครือข่ายทั้งหมดที่หมายถึงการจัดการกับตำแหน่งที่ยาว พารามิเตอร์ Delta ถูกใช้เป็นค่า threshold แสดงว่าสัญญาณที่กรองถูกต้องหรือไม่ เป็นค่าอื่น ๆ อีกมากมายที่ได้รับผ่านขั้นตอนการเพิ่มประสิทธิภาพ ตอนนี้เมื่อเรารู้วิธีการทำงานฉันจะแสดงวิธีที่จะสามารถใช้ คู่ทดสอบเป็นหลักสูตร EURUSD ฉันใช้ข้อมูลจาก Alpari แปลงเป็นกรอบเวลา M5 ฉันใช้ระยะเวลาตั้งแต่ 2007.12.31 ถึง 2009.01.01 สำหรับการฝึกอบรมการเพิ่มประสิทธิภาพและ 2009.01.01-2009.03.22 เพื่อการทดสอบ ในระยะแรกฉันพยายามหาค่าที่ทำกำไรได้มากที่สุดสำหรับ StopLoss, TakeProfit, SlowMA, FastMA และ SignalMA อาร์กิวเมนต์ที่ฉันเขียนลงในไฟล์ NeuroMACD. mq4 NeuroFIlter ถูกปิดใช้งานรวมทั้ง SaveAnn AnnsNumber ถูกตั้งค่าเป็น 0 เพื่อหลีกเลี่ยงการประมวลผลประสาท ฉันใช้ขั้นตอนวิธีเชิงพันธุกรรมสำหรับกระบวนการเพิ่มประสิทธิภาพ เมื่อได้รับค่ารายงานผลดูดังนี้รายงานเกี่ยวกับข้อมูลการฝึกอบรมหลังจากการเพิ่มประสิทธิภาพพารามิเตอร์ขั้นพื้นฐาน อย่างที่คุณเห็นฉันได้ใช้ EA นี้ในบัญชีมินิที่มีขนาด Lot 0.01 และยอดคงเหลือเริ่มต้นที่ 200 อย่างไรก็ตามคุณสามารถปรับพารามิเตอร์เหล่านี้ตามการตั้งค่าบัญชีหรือการกำหนดลักษณะของคุณได้ ณ จุดนี้เรามีธุรกิจการค้าที่ทำกำไรได้มากพอสมควรและเราสามารถเปิด SaveAnn และตั้ง AnnsNumber เป็น 30 ได้เมื่อทำเสร็จแล้วฉันจะเรียกใช้ผู้ทดสอบอีกครั้ง ผลที่ได้คือเหมือนกันยกเว้นข้อเท็จจริงที่ว่ากระบวนการนี้ช้ากว่ามาก (จากการประมวลผลด้วยระบบประสาท) และโฟลเดอร์ C: ANN ได้รับการฝึกอบรมจากเครือข่ายที่ได้รับการฝึกอบรมตามภาพด้านล่าง ตรวจสอบให้แน่ใจว่าโฟลเดอร์ C: ANN มีอยู่ก่อนหน้านี้โฟลเดอร์ C: ANN เมื่อเราได้รับการฝึกฝนเครือข่ายแล้วก็จะทดสอบว่ามันทำงานอย่างไร ลองใช้ข้อมูลการฝึกอบรมก่อน เปลี่ยน NeuroFilter เป็น true และ SaveAnn เป็น false และเริ่มต้นการทดสอบ ผลที่ฉันได้รับจะแสดงอยู่ด้านล่าง โปรดทราบว่าอาจมีความแตกต่างกันไปเล็กน้อยเนื่องจากกรณีที่มีการสุ่มตัวอย่างภายในเครือข่ายในน้ำหนักการเชื่อมต่อของเซลล์ประสาทที่มีอยู่ในกระบวนการเริ่มต้นของเครือข่าย (ในตัวอย่างนี้ฉันใช้การเรียกอย่างชัดเจนใน f2Mrandomizeweights () ภายใน annload ()) ผลลัพธ์ที่ได้จากข้อมูลการฝึกอบรมที่มีการเปิดใช้งานการกรองสัญญาณประสาท กำไรสุทธิมีน้อยกว่ามาก (20.03 เทียบกับ 16.92) แต่ปัจจัยด้านกำไรนั้นสูงกว่ามาก (1.25 เทียบกับ 1.1) จำนวนธุรกิจการค้าน้อยลง (83 vs 1188) และจำนวนขาดทุนต่อเนื่องเฉลี่ยจะลดลงจาก 7 เป็น 2 แต่จะแสดงเฉพาะว่าการกรองสัญญาณประสาททำงานได้ แต่กล่าวว่าไม่มีอะไรเกี่ยวกับวิธีดำเนินการกับข้อมูลที่ไม่ได้ใช้สำหรับ ระหว่างการฝึกอบรม ผลลัพธ์ที่ได้จากช่วงทดสอบ (2009.01.01 - 2009.30.28) แสดงด้านล่าง: ผลลัพธ์ที่ได้จากการทดสอบข้อมูลด้วยการเปิดใช้การกรองด้วยระบบประสาท จำนวนงานการค้าที่ดำเนินการอยู่ค่อนข้างต่ำและยากที่จะบอกถึงคุณภาพของกลยุทธ์นี้ แต่ฉันไม่ได้แสดงให้เห็นว่าจะเขียน EA ที่ทำกำไรได้ดีเพียงใด แต่ต้องอธิบายวิธีใช้เครือข่ายประสาทเทียมในรหัส MQL4 ของคุณ ผลที่แท้จริงของการใช้เครือข่ายประสาทเทียมในกรณีนี้สามารถเห็นได้เฉพาะเมื่อเปรียบเทียบผลของ EA กับข้อมูลการทดสอบด้วย NeuroFilter เปิดและปิด ด้านล่างนี้เป็นผลลัพธ์ที่ได้จากการทดสอบช่วงเวลาข้อมูลโดยไม่มีการกรองสัญญาณประสาท: ผลลัพธ์จากการทดสอบข้อมูลโดยไม่มีการกรองประสาท ความแตกต่างค่อนข้างชัดเจน ที่คุณสามารถเห็นการกรองสัญญาณประสาทเปลี่ยน EA เสียเป็นผลกำไรหนึ่งข้อสรุปฉันหวังว่าคุณจะได้เรียนรู้จากบทความนี้ว่าจะใช้เครือข่ายประสาทเทียมใน MetaTrader อย่างไร ด้วยความช่วยเหลือของแพ็คเกจ Fann2MQL แบบฟรีและโอเพ่นซอร์สคุณสามารถเพิ่มเลเยอร์เครือข่ายประสาทเทียมลงในที่ปรึกษาผู้เชี่ยวชาญอย่างแท้จริงหรือเริ่มต้นเขียนงานของคุณเองซึ่งเป็นระบบเครือข่ายประสาทหรือบางส่วน ความสามารถในการรับแบบมัลติเธรดที่ไม่ซ้ำกันสามารถเพิ่มความเร็วในการประมวลผลได้หลายครั้งขึ้นอยู่กับจำนวนแกน CPU ของคุณโดยเฉพาะเมื่อเพิ่มพารามิเตอร์บางอย่าง ในหนึ่งกรณีมันลดการเพิ่มประสิทธิภาพของการเรียนรู้การเสริมสร้างสมรรถนะของฉันตามการประมวลผลอีเอจากประมาณ 4 วันถึงเพียง 28 ชั่วโมงใน 4 แกน Intel CPU ในระหว่างการเขียนบทความนี้ฉันได้ตัดสินใจที่จะใส่ Fann2MQL ในเว็บไซต์ของตัวเอง: fann2mql. wordpress คุณสามารถหารุ่นล่าสุดของ Fann2MQL และอาจเป็นเวอร์ชันอนาคตรวมทั้งเอกสารประกอบของฟังก์ชันทั้งหมด ฉันสัญญาว่าจะให้ซอฟต์แวร์นี้อยู่ภายใต้ใบอนุญาต GPL สำหรับทุกรุ่นดังนั้นถ้าคุณส่งความเห็นใด ๆ คำขอคุณลักษณะหรือแพทช์ที่ฉันจะหาที่น่าสนใจให้แน่ใจว่าได้พบกับรุ่นถัดไป โปรดทราบว่าบทความนี้แสดงเฉพาะการใช้พื้นฐานของ Fann2MQL เท่านั้น เนื่องจากแพคเกจนี้ไม่ได้มีมากกว่า FANN คุณสามารถใช้เครื่องมือทั้งหมดที่ออกแบบมาสำหรับการจัดการเครือข่าย FANN เช่น: และอื่น ๆ อีกมากมายเกี่ยวกับ FANN บนหน้าแรกของไลบรารีเครือข่ายประสาทเทียมขั้นสูง: leenissen. dkfann Post Scriptage หลังจากอ่านบทความนี้แล้ว ข้อผิดพลาดเล็กน้อยใน NeuroMACD. mq4 ฟังก์ชั่น OrderClose () สำหรับตำแหน่งสั้น ๆ ถูกป้อนด้วยหมายเลขตั๋วระยะยาว ส่งผลให้เกิดกลยุทธ์ที่บิดเบี้ยวซึ่งน่าจะถือเป็นกางเกงขาสั้นและกางเกงขายาวที่ใกล้เคียง: ในเวอร์ชันที่ถูกต้องของสคริปต์ฉันได้แก้ไขข้อผิดพลาดนี้และนำกลยุทธ์ OrderClose () ออกทั้งหมด นี้ไม่ได้เปลี่ยนภาพรวมของอิทธิพลของการกรองประสาทใน EA แต่รูปร่างโค้งสมดุลแตกต่างกันมาก คุณสามารถหา EA ทั้งสองเวอร์ชันที่แนบมาในบทความนี้ได้ฟรีการซื้อขายเครือข่ายประสาทเทียมสำหรับ MT4 - Metaneural EA Weve ได้ใช้เครือข่ายประสาทเทียมและนำไปใช้กับการซื้อขาย Forex ในอดีตและตัดสินใจที่จะแปลงวิธีการดังกล่าวลงในระบบ Metatrader เป็นที่ทราบกันดีว่า บริษัท การค้าที่ใหญ่ที่สุดและกองทุนป้องกันความเสี่ยงใช้ปัญญาประดิษฐ์ที่ซับซ้อนและระบบเครือข่ายที่น่าสนใจเพื่อสร้างผลกำไรจากตลาดการเงินที่มีความแม่นยำที่น่าทึ่ง ฉันจึงหยุดพักจากกิจกรรมอื่น ๆ ทั้งหมดของฉันและทำงานอย่างหนักกับ Metaneural เพื่อพัฒนาระบบนี้ซึ่งฉันเชื่อว่าเป็นเครือข่ายประสาทเทียมที่แท้จริงเพียงแห่งเดียวของ EA ในความเป็นจริงมันไม่จำเป็นต้องเป็นอีเอรหัสสามารถเขียนใน C ทำงานเหมือนกันใน tradestation, esignal, neuroshell หรือแพลตฟอร์มใด ๆ ที่ช่วยให้ DLL นำเข้าและรวบรวมข้อมูลเนื่องจากการสร้างเครือข่ายประสาทเกิดขึ้น NeuroSolutions ขั้นตอนแรกในการสร้างสมองเครือข่ายประสาทเทียมคือการรวบรวมข้อมูลเกี่ยวกับโครงสร้างของสมองที่จะเกิดขึ้น เนื่องจากเรากำลังพยายามสร้างสมองที่จะรู้วิธีการค้าขายตลาดเราต้องรวบรวมข้อมูลการตลาด อย่างไรก็ตามเราไม่สามารถรวบรวมข้อมูลจำนวนมหาศาลและถ่ายโอนข้อมูลไปยังเครื่องยนต์ประสาทของเราเพื่อสร้างโครงสร้างสมองของเรา เราต้องรวบรวมข้อมูลในรูปแบบที่เราต้องการให้สมองประมวลผลข้อมูลเหล่านั้นและในที่สุดก็มีรูปแบบเดียวกันที่เราต้องการให้สร้างเอาท์พุทในคำอื่น ๆ ไม่เพียง แต่บอกสมองของเราว่าจะให้อะไรโดยให้ข้อมูลดิบ แต่เราต้องบอกวิธีการคิดโดยการกำหนดข้อมูลดิบที่เป็นค่าที่สามารถเข้าใจได้ ในกรณีนี้การกำหนดค่าที่เข้าใจได้ของเราคือรูปแบบ เรารวบรวมข้อมูลในกลุ่มแต่ละส่วนประกอบด้วยแถบจำนวนที่กำหนดโดยผู้ประกอบการค้าในตัวบ่งชี้คอลเลกชันที่เป็นกรรมสิทธิ์ของเราซึ่งมาพร้อมกับแพ็กเกจทั้งหมดของเรา การจัดกลุ่มของแท่งดังกล่าวจะถูกเก็บรวบรวมในส่วนที่เกี่ยวข้องกับแถบถัดไปซึ่งมาหลังจากการจัดกลุ่ม - เราจะเรียกแถบนี้ว่าอนาคต เมื่อมีการรวบรวมข้อมูลตลาดแถบในอนาคตเป็นที่รู้จักเนื่องจากเป็นข้อมูลทางประวัติศาสตร์ทั้งหมดเป็นแถบถัดจากการจัดกลุ่ม แนวคิดก็คือสมองเครือข่ายประสาทจะหารูปแบบที่ซับซ้อนในการจัดกลุ่มบาร์และใช้ข้อมูลที่รวบรวมรวมถึงแถบถัดไปหลังจากการจัดกลุ่มเพื่อกำหนดรูปแบบที่ซับซ้อนก่อนผลของแถบถัดไป ในระหว่างการซื้อขายจริงผลที่จะเป็นแถบในอนาคตซึ่งมีผลทำให้สามารถทราบได้ว่ามีความแม่นยำสูงในทิศทางของตลาดก่อนที่จะเกิดขึ้น ข้อมูลที่รวบรวมจะถูกแยกออกเป็นสเปรดชีตซึ่งแสดงข้อมูลราคาเป็นราคาเปิดสูงต่ำปิด (OHLC) OHLC ของแต่ละบาร์ถูกเก็บแยกจากกันและวางไว้ในคอลัมน์ของตัวเอง ในตัวอย่างข้างต้นแต่ละแถวแสดงถึง 3 บาร์ ดังนั้นคอลัมน์แสดงถึงร้อยหรือหลายพันบาร์ที่เก็บรวบรวมไว้ได้ย้อนกลับไปสู่ประวัตินอกจาก OHLC คุณยังสามารถเก็บค่าจากเกือบทุกตัวบ่งชี้ที่คุณเลือกซึ่งโดยพื้นฐานแล้วจะเป็นตัวบ่งชี้ความสามารถในการคิดขึ้นอยู่กับการเปลี่ยนแปลงสภาวะตลาดและการคาดการณ์ ค่าถัดไป การสร้างและการฝึกอบรมเครือข่ายประสาทเทียมตอนนี้เรามีข้อมูลที่เก็บรวบรวมของเราซึ่งแยกออกเป็นไฟล์สเปรดชีตในการกำหนดค่าที่เข้าใจได้เราสามารถโหลดลงในเครื่องมือเครือข่ายประสาทของเราซึ่งจะสร้างโครงสร้างของสมองเทียมฝึกและทดสอบความถูกต้องก่อน ประหยัดโครงสร้าง เมื่อข้อมูลที่เก็บรวบรวมถูกนำเข้าไปในโปรแกรมการสร้างเครือข่ายคุณจะได้รับเลือกให้เลือกบิตข้อมูลที่คุณต้องการใช้เพื่อสร้างสมองของคุณ นี่เป็นคุณลักษณะที่สำคัญเพราะช่วยให้ผู้ใช้สามารถสร้างกลยุทธ์ที่หลากหลายขึ้นอยู่กับว่าข้อมูลใดที่ถือว่าเป็นสิ่งที่จำเป็น สิ่งที่สำคัญที่สุดคือทำในขั้นตอนนี้คือการกำหนดว่าเครื่องยนต์จะใช้เพื่อสร้างรูปแบบที่ซับซ้อนที่กล่าวถึงก่อนหน้านี้ซึ่งในที่สุดจะตัดสินใจความสามารถในการฉายของเครือข่ายประสาทเทียม EA ตัวอย่างเช่นสมมติว่าคุณต้องการบอกให้เครือข่ายประสาทเทียมดูเฉพาะรูปแบบในราคาเปิดของแถบที่สัมพันธ์กับค่าตัวบ่งชี้จากตัวบ่งชี้ที่คุณโปรดปราน จากนั้นคุณจะเลือกตัวบ่งชี้ของคุณในตัวเก็บรวบรวมและเลือกเฉพาะอินพุตที่เปิดอยู่และข้อมูลในซอฟต์แวร์อาคารที่อธิบายด้านบน นอกจากนี้คุณยังสามารถเลือกอินพุททั้งหมดยกเว้นคอลัมน์เอาต์พุต 1 ซึ่งหมายถึงมูลค่าเอาท์พุทของคุณการเลือกอินพุตทั้งหมดจะสร้างรูปแบบการเรียนรู้ที่ซับซ้อนมากที่สุดเท่าที่จะทำได้และทำให้สมองของคุณสามารถตอบสนองต่อสถานการณ์ต่างๆได้ เมื่อปัจจัยการผลิตและผลการค้นหาที่ต้องการจะถูกเลือกซอฟต์แวร์จะสร้างโครงสร้างของสมองเครือข่ายประสาทของคุณและคุณสามารถเริ่มต้นการฝึกอบรมได้ ข้อมูลบางส่วนที่เก็บรวบรวมจะถูกกันและใช้ในการฝึกอบรมและทดสอบความถูกต้องของสมองเทียมของคุณคุณจะเห็นผลลัพธ์ที่ต้องการเริ่มต้นเพื่อให้สอดคล้องกับข้อมูลการทดสอบตามที่ได้เรียนรู้ เมื่อขั้นตอนนี้เสร็จสมบูรณ์แล้วคุณจะสามารถส่งออกสมองเทียมที่มีโครงสร้างเป็นรูปแบบ DLL ซึ่งจะใช้โดย MetaNeural EA เมื่อสมองได้รับการฝึกฝนทดสอบและส่งออกเป็น DLL คุณสามารถเริ่มต้นการซื้อขายด้วยสมองเครือข่ายประสาทอัตโนมัติที่จะเห็นรูปแบบที่ซับซ้อนซึ่งเป็นไปไม่ได้ที่มนุษย์จะสามารถทำได้ Ive แนบ EA เพื่อโพสต์นี้เพื่อใช้ทั้งหมดที่คุณต้องทำคือการลงทะเบียนสำหรับบัญชี FinFX โดยใช้การเชื่อมโยงในส่วนการกำหนดราคาของเว็บไซต์ของเรากองทุนบัญชีด้วยจำนวนเงินที่คุณต้องการใด ๆ และใช้เครื่องถ่ายเอกสารการค้าของเราซึ่งจะ สะท้อนการค้าที่ชนะเลิศของเรา หลังจากแลก 50 lot แล้วเราจะส่งอีเอ คุณได้รับเพื่อให้ได้เงินและได้รับเทคโนโลยีใหม่ที่น่าตื่นเต้น Pioneer - เครือข่ายประสาทเทียม แนบไฟล์ดังกล่าวกับแผนภูมิใดก็ได้ขอแนะนำให้คุณใช้คู่สกุลเงินที่คุณชื่นชอบ 15 นาที ทำงานได้กับทุกขีดของข้อมูล ทำงานในระยะเวลาหนึ่งของข้อมูลแผนภูมิที่คุณแนบไป ถ้าคุณใช้มันบนมากกว่าหนึ่งแผนภูมิในแต่ละครั้งโปรดเปลี่ยน MagicNumber เพื่อสิ่งที่ไม่ซ้ำกัน มีเพียงสิ่งเดียวที่ฉันแนะนำให้เปลี่ยน - เกณฑ์สำหรับการเปิดคำสั่งซื้อใหม่: 0.680, 0.780, 1.000 (ก่อนที่คุณจะเริ่มปรับค่าใช้จ่ายโปรดลองตั้งค่าหุ้นเป็น 0.680 ครั้งแรก) การตั้งค่ามาตรฐานคือ 0.680 ฉันไม่แนะนำให้ไปที่ใด ต่ำกว่าการเปิดคำสั่งซื้อใหม่ ตัวเลขที่สูงขึ้นสำหรับธุรกิจการค้าที่แข็งแกร่ง แต่จะค้าขายได้น้อยลง คุณสามารถดู NN ในที่ทำงานเพื่อคำนวณเกณฑ์สำหรับคุณได้เนื่องจากฉันได้รวมข้อมูลสรุปเล็ก ๆ ไว้ในแผงข้อมูล ฉันได้เพิ่มภาพที่ฉันออกแบบ NN ฉันไม่ได้ใช้โปรแกรมคอมพิวเตอร์หรือตัวช่วยสร้างหรืออะไรเช่นนี้ ฉันใช้กระดาษพิมพ์เปล่าและดินสอ ปิดท้ายด้วย 29 pip หลังจากมีกำไรกระจายไปในขณะที่ฉันกำลังพยายามสร้างหน้าจอให้กับพวกคุณว่า heh อย่างไรก็ตามสนุก