Neural Nettverk Forex Indikatorer

GLOBAL TRADING SYSTEMS FOREX PRÆSISJON FOREX ROBOT BINARY OPTIONS ROBOT BINARY OPTIONS SIGNALER STOCK TRADING ROBOT STOCK PREDICTION Forex Scalper Profit Progressor Robot EA er sann multi-market condition robot: trending, non-trending, flyktig og ikke-flyktig. Handler alle store valutapar. 50-100 handler per dag. Profitt 250 per måned. Med denne komplekse Forex Robot Scalper EA skal du tjene stabilt solidt fortjeneste. Meget sikkerhet for kontoen. For forex nybegynnere eller avanserte handelsmenn også. Forex Indikator 3D Signaler - Forex Signaler Ny Generasjon Ny avansert premium kvalitet 3D-Forex Signals Indicator. Forex Indikatoren er basert på Neural Networks analyser markedet i 3D-dimensjoner og genererer statistisk pålitelige og nøyaktige valutasignaler i sanntid. Signaler er intuitive, enkle å bruke og har opprettholdt en fremragende vinnende hastighet. 500 pips avg. fortjeneste per måned. 60 sekunders binære opsjonssignalindikator (metatraderbasert). 90 dagers vinnersats. 100 signaler per dag. 100 fortjeneste per 1 time Ikke-omhyggelig Lett å bruke, fungerer med enhver megler, eventuelle eiendeler. Nøyaktighet verifisert med ekte handelskonto. Basert på avanserte Neural Networks Algorithms. Har testet med over 200 binære opsjonsmeglere og viser stabilt høyt fortjeneste. Binary Options Auto Trader 300 fortjeneste per måned 100 Binær Auto Trader for Metarader-baserte meglere som Core Liqudity Markets, NoaFX, GDMFX, GoMarkets, Grandcapital, WForex og andre. Basert på Neural Networks Algorithm. Innebygd kontovern og risikostyringssystem. 300 fortjeneste per måned 100 handler per dag 100 Automatiserte binære alternativer Robot for nettbaserte meglere Handler 60 sekunders og 30 sekunders binære alternativer. Har innebygd innskuddsbeskyttelse, pengestyringssystem. Utfører automatisk handler direkte til din koblede meglerkonto. 1500 FOR 1 ÅRS TILMELDING Leter du etter lønnsomme binære valgsignaler og autotradere Det er usannsynlige binære valgsignaler som fører deg til suksess. Binary Options Signals Indicator (Metatrader 5 basert). 90 dagers vinnersats. 50 signaler per dag. Non-Repainting Fungerer med noen megler. Basert på Neural Networks. 60 sekunders binære valgsignalindikator (NinjaTrader-basert). 90 daglige vinnende, pålitelige, vinnende handelssignaler. 70 signaler per dag. Non-Repainting Super nøyaktig Enkel å bruke, arbeider med noen megler, eventuelle eiendeler. Synkronisert med eventuelle binære alternativer platfrom. Basert på Neural Networks. Binary Options Prediction og Trading Signal Indicator for Metatrader. Genererer 90 nøyaktige, pålitelige, vinnende handelssignaler. Non-Repainting Basert på Neural Networks Algorithm. Fungerer med enhver megler og hvilken som helst tidsramme. Kan sende varsel til mobile enheter, så skjer handelssignal. 10 og 15 minutter Binær opsjon Handel Signaler Indikator for Metatrader (MT4). 83 daglige gevinster 30 handelssignaler om dagen 100 Ikke REPAINTING 100 RELIABLE Binary Options (BO) Signalindikator vil gi deg råd når det oppstår høye handelsmuligheter. Viser stabilt høyt fortjeneste. Slapp av mens IQ Option Trade Copier Plugin handler i stedet for deg. IQ Option Trade Copier kopierer handler fra Metatrader direkte til IQ Options Platform. Automatiserer enhver lønnsom strategi og gjør det mulig å handle på full auto pilot. Kopier handler øyeblikkelig og pålitelig. Binary Options Trade Copier. Kopierer handler fra Metatrader direkte til din binære optionsplattform og implementerer handler på din meglerkonto. Umiddelbar. Pålitelig. Automatiserer enhver lønnsom strategi og gjør det mulig å handle på full auto pilot direkte fra Metatrader. Neural Networks Forex Prediction Indicator for Metatrader. Genererer 90 nøyaktige handelssignaler. Opptil 250 profitt pr. Måned Predicts høy, lav, nær pris, prisbevegelsesretning. 100 Non-Repainting Fungerer med eventuelle valutapar, noen tidsrammer. Det er den beste forex scalping roboten du kan bruke og kan vokse til og med den minste av trading kontoer til store kontoer i svært rask tid uten at du må løfte en finger. Forex Intradag Scalper EA analyserer Forex markedet for å finne den beste oppføringen og utgangspunkter. 250 fortjeneste per måned. Maksimal drawdown 3.5. 100 automatisert handel. Intelligent Forex trading robot (Forex robot eller EA) for Metatrader basert på Neural Networks og genetisk algoritme. Selvlæring og selvoppdatering Robot åpner posisjoner med 90 sannsynlighet for suksess. Metatrader - Interactive Brokers Trader Copier Bridge er en programmerbar utvidelse for Trader Workstation (TWS), som lar deg handle manuelt eller automatisk direkte fra Metatrader (MT4, MT5). Automatiser dine strategier for handel via interaktive meglere. 300 fortjeneste per måned. Maksimal drawdown 7. 90 vellykkede handler. 100 automatisert handel. Intelligent Forex trading robot (Forex robot eller EA) for Metatrader basert på Neural Networks. Forex Robot Scalper viser et stort antall handler per dag, med minimal tapstaking. Dukascopy binære alternativer Robot 50 handler per dag 100 Automatiserte binære alternativer Robot for Dukascopy meglerhandel 60 sekunders og 15 minutters binære alternativer. Har innebygd innskuddsbeskyttelse, risikostyringssystem. 75-90 Win-rate. 1500 FOR 1 ÅRS TILMELDING Metatrader Nadex Trade Copier kopimaskiner fra MT4 direkte til Nadex Trading Platform og implementere handler. Umiddelbar. Pålitelig. Tillater å teste og automatisere enhver handelsstrategi, og handle på full auto pilot direkte fra Metatrader. Fungerer for alle eiendeler. Nadex Trading Robot er en fullautomatisert handelsprogramvare som er spesialdesignet for handel med lønnsomhet med Nadex Binary Options. 100 handler per dag 100 Automatisert Har innebygd innskuddsbeskyttelse, pengestyringssystem. Basert på Neural Networks lavrisikostrategi. 1500 FOR 1 ÅRS TILMELDING Nadex Signaler og Prediksjonsindikator er spesialdesignet for handel med lønnsomhet med Nadex Binær Options. 90 ITM Nadex Signaler. 50 signaler per dag. Gjør konsekvent fortjeneste med den beste og mest pålitelige Nadex Signal Indicator. 90 nøyaktig Bitcoin Prediction Indicator for Metatrader basert på Neural Networks Algorith. Genererer streaming sanntidsspådommer og handelssignaler. Indikatoren er ikke-males. Predicts pris, pris bevegelsesretning, oppdager reverseringspunkter. IQ Alternativ Robot handler Binær alternativer 100 automatisert. 75-90 daglige vinnende hastighet 50-100 handler per dag. Basert på Neural Networks Aalgorithm. Intelligent IQ Option Robot genererer automatisk signaler, oppsett mye størrelse, har konto beskyttelse system. Kopier handler instanly og pålitelig mellom forskjellige datamaskiner via internett over hele verden og mellom forskjellige MT4-terminaler som kjører på samme datamaskin. Kompatibel på alle MT4-plattformer med hvilken som helst Forex megler. Kopier alle typer Markedsordrer. Gold Trading Robot er utviklet for GOLD 1H og SILVER 1H. 360 fortjeneste per måned. Maksimal drawdown 10. 90 vinnende handler. 100 automatisert handel. Langsiktig strategi. Hver ordre er beskyttet av Stop Loss og Take Profit. Fullt optimaliserte innstillinger. 90 nøyaktig. Genererer sanntids streaming handelssignaler. Har installert streaming live data feed for alle tidsrammer. Predicts pris, kursbevegelsesretning, trend, genererer handelssignaler. Du trenger ikke å installere. Nye signaler leveres dynamisk til sanntidsskjemaet. 260 FOR 1 Måned Meldinger 90 Nøyaktig Forex Streaming Realtid Prisforutsigelse og Handelssignal Programvare. 300 pips garanterer hver måned. Dekker ikke Dased på Neural Networks Algorith. Fullautomatisert nettbasert Online Forex Predictor for stasjonære og mobile enheter. 260 FOR 1 Måned Meldinger 95 nøyaktig. Prognoser pris, pris bevegelsesretning, trend, genererer buysell signaler. Non-repainting Genererer real-time streaming trading signaler. Har installert streaming live data feed. Nettbasert grensesnitt. For stasjonære og mobile enheter. 260 FOR 1 Måned Meldinger Loss Recovery Trader Robot (EA) 100 vil automatisk reparere forex-kontoen din og gjenopprette tapte posisjoner, og du vil redusere og til og med eliminere dine tapende handler. Bare plasser handelen din, og vår Loss Recovery Trader Robot vil gjøre resten for deg. Binary Options Trade Copier Bridge Kopier vinnende handler, binære alternativer signaler mellom binær opsjonsplattform. Instant Pålitelig 100 Automatisert Støtter statisk masse størrelse, dynamisk masse størrelse, martingale. Kopier handler fra en lønnsom strategi for profesjonell handelsmann og tjene penger. 75-80 daglige gevinster 200 signaler per dag. Real-time streaming trading signaler. Eventuelt valutapar, enhver utløpsdato. Basert på Neural Networks. Nettbasert grensesnitt. Du trenger ikke å installere. Nye signaler leveres dynamisk til sanntidsskjemaet. 260 FOR 1 Måned Meldinger Forex Multi Valuta Scalper EA er 100 automatisert trading robot kan velge de beste mulige handler ut av 28 symboler. Basert på lavrisikostrategi. Sikrer at trades er oppgitt på best mulig tid. Utfører kjøp av handler til lavere pris og selger handler til høyere pris. Kopier lønnsomme handelssignaler fra det største sosialt nettverk for handelsfolk. Bli med i det globale fellesskapet av handelsfolk, finn ideer du liker og kopier beste ideer og signaler direkte til din handelskonto og få fortjeneste med vårt Tradingview-signaler kopimaskinverktøy. Beskrivelse: To Forex - ved hjelp av indikator-neuron direkte distribusjonsnettverk (feedforward neaural network), som Lærer seg ved tilbakeføring av feil (backpropagation). Nettverket lastes gjennom en DLL-fil, C-kildekoden som er vedlagt. Neuron-nettverket er ikke noe mer enn en ikke-lineær modellutgang som en funksjon av innganger. Ved inngangene serveres brukerdata, for eksempel prøve tidsseriene. Betydningen av utgangen er også satt av brukeren, for eksempel signaler 1 kjøpe 0 selge. Strukturen av nettverket, igjen satt av brukeren. Nettverket består av en direkte distribusjon - Inndata laget (inngangslag), hvis elementer er innganger, Skjulte lag (skjulte lag), som består av beregningsnoder kalt neuron s og Utgangslaget (utgangslag), som består av en eller flere neuron s, utbytter er utbyttet over nettverket. Alle knuter i nabolagene er koblet sammen. Disse forbindelsene kalles synapser. Hver synaps har en vekt (vekt w i, j, k), som multipliseres med dataene som overføres av synapsene. Databevegelser fra venstre til høyre er innganger fra nettverket til utgangene. Dermed navnet direkte distribusjonsnettverk. Den totale prøven av dette nettverket er avbildet i bildet under. Dataene behandles neuron s i to trinn: 1. 1. Alle inngangene multiplisert med riktig vekt, du legges til 2. 2. Deretter blir den resulterende mengdehåndterte aktiveringen funksjon nevron (aktiverings - eller avfyringsfunksjon) og (aktiverings - eller avfyringsfunksjon) og sendt til den eneste utgangen. Betydningen av aktiveringsfunksjonen neuron som er modelleringsarbeidet neuron og hjernen: neuron utløses først etter at informasjonen har nådd en viss terskel. I de matematiske aspektene gir det bare ikke-lineærnettverket. Uten det ville nerveutslipp være en lineær autoregressiv modell (lineær prediksjonsmodell). Den vanligste aktiveringsfunksjonen neuron er en sigmoidfunksjon f (x) 1 (1exp (-x)) f (x) 1 (1 exp (-x)) Terskelen for aktivering av denne funksjonen er 0. Denne terskelen kan forskyves på den horisontale aksen på bekostning av en ytterligere inngangsnoron (biasinngang), og kalt inngangsforspenningen (biasinngang), som tildeles en bestemt vekt på samme måte som andre innganger nevron. Dermed er antall innganger, lag, nevroner i hvert lag og vektene av innganger nevron s hele nevronnett, dvs. ikke-lineær modell, som den skaper. For å bruke denne modellen må du vite vekten. Vektene beregnes ved å trene nettverket på tidligere data, dvs. med tidligere inngangsdata var kjente verdier av utgangssignalet. Nettvektene er optimalisert for å matche utgangen med testløsningen. Vanligvis arkiverte innganger til nettverket flere sett med inngang og tilsvarende utdata og beregnet gjennomsnittlig feilavvik for utdata fra nettverksprøven. Opplæringsnettverket er å redusere dette problemet ved å optimalisere vektene. Det finnes flere optimaliseringsmetoder, blant annet den viktigste måten å forplante seg feil (ALO) og metoden for genetisk forbedring. Vedlagte filer: Train () Test (). Bibliotek BPNN. cpp-filen inneholder to funksjoner: Train () og Test (). Train () er designet for å trene nettverket for å gi inn - og utdata. Test () er beregnet for beregning av utdata basert på vikter oppnådd etter kjøring av tog (). Input (grønn farge) og utgang (blå) parametere for funksjonen Train () er: double inpTrain - input (eldre først) double outTarget - Imprint (eldste først) double outTrain - avslutter nettverket etter trening int ntr - antall trening sett av input-output int UEW - Administrere nøkkel eksterne verdier for å initialisere vektene (1 bruk extInitWt, 0 bruk tilfeldige tall) ekstInitWt - opprinnelige verdier doblet opplærtWt - verdiene av vekt etter trening int numLayers - antall lag i nettverket inkludert input, skjult og utdata int lSz - array size numLayers, som holdt antall neuron s i hvert lag. lSz0 lSz 0 angir antall nettverksinnganger int OAF - en nøkkelfunksjon ved aktivering av utgangssignaler s (1 funksjon aktivert, 0 nei) dobbelt LR-hastighetsopplæring dobbelt MF - øyeblikket for læringsfrekvens int nep - maksimum antall trening trinn (epoker). Epok består av å sjekke alle treningssettene. dobbelt maxMSE - gjennomsnittlig feil, der læringen stopper. Input (grønn) og utgang (blå) parametere for funksjonen Test () er: dobbelt inpTest - inngangsdata (eldre først) dobbelt utTest - Innholdsfortegnelse int ntt - sett med inngangs - og utdata data dobbelt eksternt - originalverdier av vekter numLayers - nummer av lag i nettverket, inkludert inndata, skjulte og output int lSz - array size numLayers, som holdt antall neuron s i hvert lag. l lSz 0 angir antall nettverksinnganger int OAF - en nøkkelfunksjon ved aktivering av utgangssignaler s (1 funksjon aktivert, 0 nei) Ved å aktivere utgangssignalet, er det avhengig av utgangens art. Hvis utgangssignalene til nettverket er binomial (0 1), må du bruke aktiveringsfunksjonen (OAF 1). Hvis utgangen er en prediksjon av pris, er aktiveringsfunksjonen i utgangslaget ikke nødvendig (OAF 0). Eksempler på indikatorer brukt neuron Nettverk: BPNN Predictor. mq4 - forutsi fremtidige priser. Nettverksinngangsparametere er de relative prisintervallene: x i Åpne testbar Åpne testbarforsinkelse i -1,0 hvor forsinkelse jeg har tatt fra Fibonacci-serien. Nettverksproduksjonen forutsettes en relativ økning i fremtidige priser. Aktiveringsfunksjonen i utgangslaget er deaktivert. Inngangsparametere er en indikator Ekstern Int LastBar - Nummer på den siste linjen Eksterne int FutBars - Antall fremtidige predicted bars Eksterne int NumLayers - Antall lag i nettverket inkludert inntasting, Skjult og Utgang ekstern Int NumInputs - Antall nettverksinnganger eksternt int numNeurons1 - antall neuron s i et lag nummer 1 ekstern int numNeurons2 - antall neuron s i lag nummer 2 ekstern int numNeurons3 ekstern int numNeurons4 ekstern int numNeurons5 ekstern int ntr - antall treningssett av inngangsutgang ekstern dobbelt LR - hastigheten på læring nettverk ekstern dobbel MF - koeffisient av tid læring nettverk ekstern int nep - det maksimale antall trenings trinn (epoker) ekstern int maxMSEpwr - eksponent brukes til å beregne maksimal tillatelse gjennomsnittlig kvadrat feil læring maxMSE 10 maxMSEpwr Kjøp-selg Classificator. mq4 - buysell. Buy-Sell Classificator. mq4 - predictive indicator kjøpe selgesignaler. Som i det forrige eksempelet, ble inntastingsnettverket servert xiOpentestbarOpentestbardelayi-1.0 x i Åpne testbar Åpne testbarforsinkelse i -1,0 for barer, som tidligere mottok signal for å kjøpe eller selge. Disse siste signalene er ideelle som inngangssignaler for å oppnå et gitt overskudd. Nettverksutgangssignal er 1 eller 0 kjøpssalg. Utgangslagsaktiveringsfunksjonen. ekstern int lastBar - nummer for siste stang ekstern int minProfit - minimumsresultatet for å finne det ideelle inngangspunktet i den tidligere eksterne dobbelte grensen - terskelen for å gjenkjenne utgangssignalene som 0 eller 1 ekstern int numLayers - antall lag i nettverket inkludert inntasting, skjult og utdata ekstern int numInput - antall nettverksinnganger ekstern int numNeurons1 - antall neuron s i et lag nummer 1 ekstern int numNeurons2 - antall neuron s i lag nummer 2 ekstern int numNeurons3 ekstern int numNeurons3 ekstern int numNeurons4 ekstern int numNeurons4 ekstern int numNeurons5 ekstern int ntr - antall treningssett av inngangsutgang (avhenger av antall kjøpssalgssignaler i det siste, 0 velger alle gyldige signaler) ekstern dobbel LR - læringshastigheten nettverk eksternt dobbelt MF - koeffisient av tid læring nettverk ekstern int nep - det maksimale antall trening trinn (epoker) ekstern int maxMSEpwr - eksponent brukes til å beregne det maksimale alt owable mean-square feil læring maxMSE 10 maxMSEpwr Pil til høyre for de vertikale grønne linjene indikerer kjøp selgesignaler generert av nettverket for å teste fremtidige barer. Pilene til venstre viser det optimale inngangspunktet i det siste. Installasjon av filer: Kopier vedlagt DLL-fil i C: Programfiler MetaTrader 4 ekspertbiblioteker Aktiverer bruk av DLL i metatrader: Verktøy - Valg - Ekspertrådgivere - Tillat DLL-import Hvis DLL-filen ikke fungerer, kompilere selv. Alle nødvendige filer er inkludert i BPNN. zip. SnowCron Neural Networks for Forex Trading I denne artikkelen: et eksempel på bruk av vår Neural Networks Software for å opprette et komplett system for neuralt nettverk. Dette eksemplet bruker Cortex innebygd skriptspråk. så vær så snill å lese skriptspråkveiledningen først. Bruk av Neural Networks for å skape Forex Trading Strategy I denne gratis online opplæringen finner du hele syklusen for å bruke neurale nettverk (Cortex Neural Networks Software) til Forex trading (eller aksjemarkedshandel. Ideen er den samme). Du vil lære hvordan du velger innganger for kunstige nevrale nettverk. og hvordan du bestemmer deg for hva du skal bruke som utgang. Du finner et eksempel på et brukervennlig script som gjør det mulig å utføre nevrale nettverk optimalisering av både strukturen av Neural Network (antall neuroner) og Forex trading system (stop loss etc.) Endelig (den delen som ikke er tilstede i de fleste opplæringsprogrammer), vil du lære hva du skal gjøre neste. Tross alt, Cortex Neural Networks Software kan ikke gjøre sanntidshandel, du må bruke noe som Trade Station, MetaQuotes eller MetaTrader. Hvordan porte Forex trading system fra Cortex til din favoritt trading plattform Er du nødt til å håndtere DLLs, ActiveX kontroller og lavt nivå programmering Svaret er NEI. Cortex Neural Networks Software kommer med den brukervennlige funksjonen som lar deg enkelt portere det resulterende (opplærte) Neural Network til skriptspråket til handelsplattformen. Ingen DLL, DDE, ActiveX eller andre lavnivåløsninger - alt er enkelt og enkelt. Viktig merknad: Dette er IKKE en handel handledning. I stedet forteller det deg hvordan du bruker Cortex Neural Networks Software. men du må fortsatt oppfinne ditt eget handelssystem. Den vi bruker her er knapt et utgangspunkt, og bør ikke brukes som en forex trading strategi som det er. Tanken med denne teksten er å lære deg å skape NN-baserte handelssystemer og sende dem til handelsplattformen etter eget valg. Eksemplet er imidlertid ovesimplified, og kan bare brukes som illustrasjon av handelsprinsipper. På samme måte kan MACD-handelssystemet, som finnes i mange opplæringsprogrammer, ikke fungere bra lenger (ettersom markeder har endret seg), men fortsatt et godt eksempel på bruk av indikatorer for mekanisk handel. I to ord: Gjør din egen analyse. Et annet viktig notat: opplæringen bruker eksempler, mange av dem. For å gjøre livet ditt lettere, har jeg tatt med dem alle, ikke bare fragmenter. Men det gjør teksten mye lenger. Også, jeg går fra det aller første, klumpete, forex trading system. til mer avansert, hver gang forklare hva som hadde blitt forbedret og hvorfor. Vær tålmodig, eller hopp direkte til delen du trenger. Endelig viktig merknad: Koden er ikke noe skåret i stein, det kan endres mens denne teksten ble skrevet. De endelige versjonene av skriptfiler er inkludert i Cortex-arkivet. Fallgruver av FOREX BUY SELL Signaler: Hva er galt med enkle eksempler I Cortex Neural Networks Software brukerhåndboken brukte vi et enkelt eksempel på et avanserte Neural Network. forutsi prisen på GENZ lager. For å finne ut hva som er galt med denne tilnærmingen, gjør det samme enkle eksempelet, ved hjelp av MSFT. TXT, i stedet for GENZ. TXT (bruk 800 poster i læringssettet, da MSFT. TXT er litt kortere enn GENZ. TEKST). Det ville bare ikke virke Hvorfor Årsaken vil bli tydelig, hvis du spør deg selv: Hva er grunnen til at nevralnettprognoser om fremtidige verdier kan gjøres på første sted Svaret er: Det lærer å gjøre det som kalles nevrale nettverk mønstergenkjenning. å gjenkjenne mønstre, og hvis det er en skjult logikk i disse mønstrene, så vil et nytt mønster (med samme logikk) bli gjenkjent. Det er et triks - med samme logikk. Det er ikke engang en, men tre problemer her. Først av alt, hvis du ser på Microsofts aksjekurs, vil du legge merke til at det gikk ned i læringsdelen av dataene våre og sidelengs - i testdelen. Så det er mulig at logikken har endret seg. For det andre, og enda viktigere - HVA ER PATTERNET Du ser, hvis vi lærte det neurale nettverket i området 10-100, og presenterte det med noe i 1 til 3-serien - de er forskjellige mønstre 10, 20, 30 og 1, 2, 3 ligner på det menneskelige fordi - fordi - vi har denne evnen til å dele med ti, når de presenteres med tall som slutter med null. Det er det som kalles en forbehandling av dataene, og NN kan som standard ikke gjøre det. Kan vi lære det selvfølgelig. Hva er det nøyaktig vi trenger å lære det Dette er den tredje og den viktigste. Vi trenger ikke prisforutsetningen Vi bryr oss ikke Det vi trenger er FOREX kjøpe selgesignaler. Nå, vent et øyeblikk Vi trenger a) å ha vår innsats (både læring og testing) i samme område, og vi trenger b) å kunne gjøre handelsbeslutninger basert på det. Er det ikke det vi kaller en indikator. Bingo Så det er det hva vi skal gjøre - vi vil bygge en indikator, for å mate den til NN som en inngang, og vi vil prøve å få en forutsigelse av indikatorverdien, ikke den verdiløse aksjekursen. I vårt første eksempel vil vi laste opp lager sitater fra disken, åpne Neural Network-filen og start læring - alt i en automatisert modus. Opprett en ny skriptfil (eller åpne den som fulgte med Cortex Neural Networks Software arkiv) og ring det stocksnn. tsc. Først og fremst må vi laste ned prisverdiene fra MSFT. TXT-filen. Vi skal bruke CLV-indikatoren (se nedenfor), men for å beregne det, trenger vi splittjusterte verdier for høy og lav, ikke bare for nært. Slik får du dem. stocksnn. tsc, del 1 Den første linjen tilordner banen til strStockPath-variabelen, selvfølgelig må du redigere den hvis datafilen er plassert i den forskjellige katalogen. I den andre linjen angir vi at denne banen ikke er relativ (forhold til plasseringen av Cortex. exe-filen). TABLELOADER mottar banen, den tomme strengen for startlinjen, 1 - for å hoppe over den første linjen (kolonnenavn), en del av filens bunntekstlinje (den siste linjen i MSFT. TXT inneholder ikke data), det er også instruert å laste kolonne nummer 0 (og kalle det arrDate), 2 (arrHigh), 3 (arrLow), 4 (arrC) og 6 (arrClose). For en fullstendig beskrivelse av TABLELOADER, se SLANG referanseguide. Da beregner vi delt, ved å dividere Justert Lukk ved Lukk, og bruk denne verdien til å justere Lav og Høy. MSFT. TXT-filen inneholder nyeste data FIRST, mens vi vil ha dem LAST. Deretter må vi opprette en indikator. La oss si det kommer til å være en nær lokasjonsverdiindikator, men i det virkelige liv vil jeg trolig bruke mer enn en indikator som NN-inngang. Indikatoren Lukk plasseringsverdi beregnes som CLV (Lukk - Lav) - (Høy - Lukk)) (Høy - Lav), der Lukk, Lav og Høy er for intervallet, ikke nødvendigvis for en enkelt linje. Merk at vi vil ha det i 0-1-området, for å gjøre det lettere å normalisere til NNs-serien (som igjen er 0-1). stocksnn. tsc, del 3 Deretter må vi opprette en lagringsfil. Lar oss bruke lags lik 1, 2. 9 (For detaljer om filfunksjoner, se SLANG referanseguide). Merk at Cortexs NN-dialogboksen kan produsere enkle lag automatisk (du kan bruke en Generate lag-knapp). Men senere i denne teksten skal vi jobbe med komplekse lags (som betyr at de ikke er 1, 2, 3. men 1, 3, 64. uansett), så vi må lage koden som kan håndtere denne oppgaven i en mer fleksibel måte. stocksnn. tsc, del 4 Med lagfilen, er vi klare til å lage vårt første nevrale nettverk. Denne funksjonen tar mange parametere, så vær forsiktig. Koden er imidlertid veldig enkel. Forresten, det meste av denne koden kan fjernes, hvis du tror du kan håndtere tall, i stedet for meningsfulle navn i koden din, ville det imidlertid være en veldig dårlig kodingspraksis. stocksnn. tsc, del 5 Nå, etter at vi har et neuralt nettverk og den forsinkede filen med data, må vi lære nettverket. Lagfilen (msftind. lgg) har 1074 poster, så det er rimelig å bruke 800 som læringssett, og de resterende 274 som testsett. Du kan selvfølgelig åpne en nettverksfil og klikke på Kjør-knappen på læringsfanen. Men da dette er en introduksjon til avansert Cortex Neural Networks Software programmering, kan vi bruke SLANG innebygd skriptspråk i stedet. Følgende kode bringer opp modal dialog med ann NN innstillinger. Merk at hvis du vil ha et privilegium å klikke på Run-knappen, må du endre stocksnn. tsc, del 6. BStartLearning kan være 0, i så fall vil dialogboksen vente på innspillingen, eller 1, deretter læringen vil begynne aytomatically. BResumeScript, hvis lik 1, vil gjenoppta skriptet, hvis du lukker dialogboksen ved å klikke på OK-knappen. BReset brukes til å tilbakestille nettverket før læringen begynner. Kjør skriptet, og vent på epoken telleren for å overstige 1000, og klikk deretter Stopp. Gå til kategorien Bruk, og klikk på Bruk. Dette vil kjøre hele datasettet (både læring og testing) gjennom NN, og opprett. APL-filen, som inneholder både originalinngang og NN-generert prediksjon, slik at du enkelt kan plotte dem og kompatere mot hverandre . Gå til Utdata-kategorien, velg msftind. apl-filen, klikk Bla gjennom fil, velg felt, velg deretter Nei i venstre liste-boksen, og (ved å holde nede CTRL-tasten mens du velger med musen) Clv og NN: Clv i høyre liste boks. Klikk på diagram for å se hvor god vår prediksjon er. Vi vil. Det er mer eller mindre bra, fra det vi kan si ved å se på det. Fortsatt ikke noe ekstraordinært. Dette var bare et eksempel på hva du kan gjøre med SLANG-skripting, og hvordan du automatiserer Cortexs rutinemessige oppgaver. Men til nå gjorde vi ingenting du ikke kunne gjøre for hånd. Vi vil. nesten ingenting, fordi hvis du vil lage en egendefinert lagringsfil med, for eksempel Clv-100, Clv-50, Clv-25. kolonner, da må du bruke SLANG (eller Excel.), fordi du ikke kan gjøre det i Cortex uten skripting. Forex Trading Strategy: Hva skal optimalisere Her er vårt neste problem. Trenger vi en god forutsigelse, eller trenger vi den vi kan bruke til å handle med fortjeneste Spørsmålet virker rart, men bare tenk på det for et øyeblikk. La oss si at vi har en veldig god 1 timers prediksjon. 95 nøyaktig. Fortsatt, hvor langt kan prisen gå om en time. Ikke for langt, er jeg redd. Sammenlign det med situasjonen, når du har en ganske unøyaktig 10 timers prediksjon. Vil det være bedre For å svare på dette spørsmålet, må vi faktisk handle, en enkel sammenligning av de gjennomsnittlige feilene som produseres av de to NNene, vil ikke hjelpe. Den andre delen (med det samme problemet) er i måten vi definerer en god prediksjon. La oss si at vi har et nettverk, som produserer prediksjonen, som er 75 nøyaktig. Sammenlign det med NN, som produserer 100 nøyaktig prediksjon. Den siste er bedre. Nå, DIVIDE utgangen (prediksjon) av 100 nøyaktige NN med 10. Vi vil ha et svært unøyaktig nettverk, da signalet ikke er nær signalet vi brukte som ønsket utgang. Og likevel kan den brukes på samme måte som vi brukte 100 nøyaktige NN, alt vi trenger å gjøre er å formere den til 10 Se, NN er opprettet, ved å justere den gjennomsnittlige kvadratiske feilen, og ikke korrelasjonen, så, i hvert fall i teori, en bedre NN kan vise dårlige resultater, når det brukes til den faktiske aksjemarkedet Forex trading. For å løse dette problemet må vi teste våre NNs ved å bruke handel, og å bruke resultater fra denne trading (profit og drawdowns) for å bestemme om denne NN er bedre enn den andre. La oss gjøre det. Lar skape et program som kan brukes til å finjustere NN, og denne gangen, ved finjustering, vil vi bety handelsresultater. Neural Network Trading: Få korte notater Først og fremst, i vårt eksempel over, vil den automatiske læring aldri stoppe, fordi vi ikke har angitt noen stoppkriterier. I dialogboksen, eller i CREATENN-funksjonen, kan du gi min. feil (når NN når den stopper den, og hvis bResumeScript er satt til 1, lukkes dialogboksen og skriptet vil fortsette). Også du kan gi maksimalt antall epoker, eller begge deler. Jeg bruker det ikke i eksemplet under, i hvert fall ikke alltid, fordi jeg planlegger å se læringen og å klikke STOP når jeg tror NN er klar. Hvis du vil gjøre det i fullautomatisk modus, må du være oppmerksom på disse parametrene. Sekund. En av måtene å gjøre et nettverk mindre, raskere og mer nøyaktig, er å begynne med det lille nettverket, og øke størrelsen, neuron av nevron. Obviously er antallet av inngangsnekronene bestemt av antall inngangsdata-kolonner (men vi kan variere dem også), og antall utgangssignaler bør være lik antall utdatatolkkolonner (vanligvis en, men ikke nødvendigvis ). Dette betyr at vi må optimalisere antall neuroner i de skjulte lagene. Også, som jeg har nevnt, vet vi egentlig ikke hvilke data som skal brukes. Vil Clv-15 (15 dager forsinket) øke nøyaktigheten av vår prediksjon Trenger vi Clv-256 Vil det være bedre å bruke dem begge i samme NN, eller vil legge til Clv-256 ødelegge vår ytelse Bruke nestede sykluser for å prøve forskjellige inngangsparametre, kan du: Lag NN, på samme måte som vi gjorde det for akseldataene (la meg gjenta, for NN, det er ingen forskjell mellom aksjer og FOREX, det skjedde bare at jeg har par datafiler av høy kvalitet for FOREX som jeg vil behandle, mens du skriver denne teksten). Prøv forskjellige kombinasjoner av lags. Prøv forskjellig antall neuroner i det skjulte laget. . og forskjellige kombinasjoner av forskjellige indikatorer. . og så videre. Men hvis du prøver alle mulige kombinasjoner av alle mulige parametere, får du ALDRI dine resultater, uansett hvor raskt datamaskinen er. Nedenfor vil vi bruke par triks for å redusere beregningene til et minimum. Forresten, det kan virke som om du starter fra en skjult nevron, øker du den til 2, 3 og så videre, og på et tidspunkt feilen (forutsigelsens kvalitet) eller fortjenesten (hvis du tester NN av trading bruker det) vil begynne å gå ned, så har du din vinner. Dessverre kan jeg ikke bevise at etter den første prestasjonstoppen kan det ikke være andre. Det betyr at feilen kan gå som 100, 30, 20, 40, 50 (det var bare på sitt minimum, høyre) og deretter 30, 20, 10, 15. (det andre minimumet). Vi må bare teste alle fornuftige tall. Tredje. Optimalisering er et tokantet sverd. Hvis du overoptimerer koden din, kan den kanskje ikke fungere utenfor dataene du brukte til å finjustere den. Jeg vil gjøre mitt beste for å unngå denne fallgruva. Hvis du vil gjøre ytterligere optimaliseringer til koden din eller NN, anbefaler jeg deg å gjøre en undersøkelse på Internett for å lære mer om skjulte problemer med denne tilnærmingen. Også, jeg skal legge litt oppmerksomhet på glattheten i profittkurven. Resultatet som ser ut som 0, -500, 1000, -100, 10000 kan være bra, men fortjenesten 0, 100, 200, 300, 400. er bedre, da det er mindre risikabelt. Vi kan snakke om det senere. Til slutt, for dette eksempelet skal vi bruke FOREX, i stedet for aksjekurser. Fra NNs synspunkt er det ingen forskjell, og fra mitt punkt - Forex er mye morsommere å handle. Hvis du foretrekker lager, kan koden enkelt endres. En Forex Trading Strategy å spille med Først av alt, kan vi lage en prototype av vår kode, en som lett kan optimaliseres i fremtiden. Det kommer til å være et handelssystem, som bruker et neuralt nettverk til å handle og produserer et diagram (fortjeneste mot handelsnummer). Det vil også beregne drawdown, som et mål for robusthet i vårt handelssystem. forexnn01.tsc, del 1 Hovedforskjellen her er at vi bruker funksjoner, i stedet for å plassere all koden i hovedblokken av programmet. På denne måten er det mye enklere å administrere. For det andre har vi en TestNet-funksjon. Jeg bruker en veldig enkel algoritme for handel. CLV-indikatoren er begrenset til 0-1-intervall (vår versjon av CLV er), så når indikatoren krysser opp dBuyLevel (se koden ovenfor), kjøper jeg, når den krysser ned dSellLevel, selger jeg. Åpenbart er det ikke den beste handelsstrategien, men det vil gjøre for vårt formål (bare for nå). Hvis du vil forbedre det, er det noen tips. Først vil du kanskje ha et system, det er ikke alltid i markedet. For det andre kan det være lurt å bruke mer enn én indikator som innganger, og kanskje mer enn ett NN, slik at handelsbeslutningen utgjøres av få forventede indikatorer. Vi vil legge til noen forbedringer i handelsalgoritmen senere. Vi bruker noen standardforutsetninger for Forex trading: spread er 5 poeng, leverade er 100, min. mye er 100 (mini-forex). Lar oss se på vårt handelssystem. Igjen er det en forenklet en. Et viktig notat: TestNn () kalles sist, og det har tilgang til alle variabler som ble opprettet til det punktet. Så hvis du ser en variabel som jeg bruker uten å initialisere den, betyr det sannsynligvis at den ble initialisert i NewNn (), TeachNn () eller en annen funksjon som ble kalt før TestNn (). For å gjøre det enklere, legges kommentarer i koden. forexnn01.tsc, del 2 Få ord om drawdownen. Det er få måter å beregne det på, og vi bruker det jeg anser mest ærlige. Uttrekkingen er et mål på ustabilitet i vårt system. Hva er en sjanse for at det vil miste penger? La oss si at innledende beløp er 1000. Hvis fortjenesten går 100, 200, 300, 400. uttellingen er 0. Hvis det går 100, 200, 100. så er nedtellingen 0,1 10), da vi nettopp har mistet et beløp tilsvarende 110 av det første innskuddet (fra 1200 til 1100). Jeg vil sterkt råd mot å bruke handelssystemer med store drawdowns. Også her bruker jeg en drawdown, som skal brukes med variabel masse størrelse. Men i de faktiske prøvene, som følger med eBoken, vil du se en annen versjon: Som du kan se, bruker vi alltid 1000 (innledende beløp) for å beregne drawdownen. Årsaken er enkel: Vi bruker alltid samme masse størrelse (ingen penger ledelse ennå), så det er ingen forskjell, hvor mye penger vi allerede har samlet på vår konto, en gjennomsnittlig fortjeneste bør være konstant. Det verste mulige scenariet ser i dette tilfellet ut: fra begynnelsen (1000 på konto) mister vi penger. Hvis vi bruker 1000 for å beregne drawdownen, vil vi få den verre drawdownen. Dette vil hjelpe oss til ikke å lure oss selv. For eksempel, vi handlet for en stund, og vi har 10.000 på vår konto. Da mister vi litt penger, og vi har nå 8000. Da har vi kommet seg tilbake, og fikk 12.000. Godt trading system Sannsynligvis ikke. La oss gjenta logikken igjen, da det er veldig viktig (og det blir enda viktigere når vi begynner å gjøre penger). Vi handler med faste størrelser. Så statistisk er det ingen garanti for at det maksimale tapet ikke vil skje helt fra begynnelsen, når vi bare har 1000. Og hvis det skjer, vil vi ha -1000 (10.000 - 8000), så handelssystemet er trolig også risikabelt. Når vi snakker om pengestyringen (sannsynligvis ikke i denne teksten), må vi bruke annen tilnærming til beregning av drawdown. Merk at i dette handelssystemet bruker jeg det verste mulige scenariet: Jeg kjøper ved å bruke High og selger, ved å bruke Low. Mange testere følger ikke disse reglene, og oppretter handelssystemer som fungerer bra på historiske data. Men i det virkelige liv har disse handelssystemene svært dårlig ytelse. Hvorfor Ta en titt på prisfeltet. Den har Open, High, Low and Close. Vet du hvordan prisen flyttet inne i baren? Så, la oss si, ditt handelssystem genererte et kjøpesignal nederst i prisfeltet (hvis dLow Merk at jeg bruker dLotSize like 0,1 lot (100). Selvfølgelig, i den virkelige handelen, vil du ha stor fordel, hvis størrelsen er beregnet avhengig av pengene du har, noe som helst: forexnn01.tsc, del 3 Vi gjør imidlertid testing her, ikke trading. Og for testing, vi trenger blant annet å se hvor glatt profittkurven er. Dette er mye lettere å gjøre hvis størrelsen er den samme (i ideell situasjon, for dLotSize 100 vil vi få en rett linje med litt positiv helling mens du er i I tilfelle av den justerbare størrelsesstørrelsen vil vi få en eksponent, det er mye vanskeligere å analysere.) Senere i denne teksten, vil vi søke om pengestyringsregler til vårt handelssystem, men ikke ennå. Etter at vi er ferdige med den siste delen av vår testfunksjon, kan vi gå gjennom resten av koden. Følgende funksjon skaper en CLV-indikator. Det tar det e intervall som en parameter, noe som betyr at vi kan ringe det mange ganger, under optimaliseringen, ved å passere forskjellige tall. Merk at jeg bruker NN som fungerer i 0-1-intervallet. Dataene kan normaliseres, selvfølgelig, men jeg valgte å dele indikatoren med 2 og legge til 0,5, slik at den er i 0 - 1 rekkevidde. forexnn01.tsc, del 4 For å lage lagfil, kan vi bruke CREATELAGFILE-funksjonen. Alternativt kan vi gjøre det ved å eksplisitt gi all nødvendig kode. I dette tilfellet har vi mer kontroll, og vi kommer til å trenge det, hvis vi starter varierende antall forsinkede kolonner og så videre. forexnn01.tsc, del 5 Parameteret nRemoveFirst er viktig. Mange funksjoner, som indikatorer, glidende gjennomsnitt, laggeneratorer, for det saks skyld, fungerer ikke bra innenfor de første regnskogene i datasettet. La oss si at vi har MA (14) - hva vil det plassere i postene 1 - 13 Så vi velger å bare fjerne de første (upålitelige) postene. For NewNn, så vel som for alle funksjoner i dette programmet, må vi bare passere som parametere som kan endres under optimaliseringsprosessen. For eksempel er det ikke nødvendig å sende et skip før parameter, da det alltid er det samme. forexnn01.tsc, del 6 TeachNn-funksjonen bringer bare opp NN-dialogen. forexnn01.tsc, del 7 Endelig trenger vi en kartingsfunksjon. Det er ikke obligatorisk, men det er alltid en god ide å se hva vår overskuddslinje ser ut. Følgende kode bruker XML til å lage et diagram, så det er en god ide å lese opplæringen. Alternativt kan du tegne diagrammet, heller enn å lagre det i en fil. For å gjøre det, bruk en av prøvene, som er i samplesscript-katalogen. Endelig kan du endre koden, for å produsere HTML, snarere enn XML. HTML er lettere å lære, men selve koden vil være litt mindre lesbar. forexnn01.tsc, del 8 Kompilere og Kjør skriptet. Vi vil. Som forventet ga 7 timer som et intervall for CLV svært gode resultater: Forex Trading Strategies og Optimalisering Grunnen til de dårlige resultatene er ganske åpenbart: Vi brukte Intervall, Stop Loss, kjøp og salg av nivåer og andre parametere, som var rent tilfeldig - vi valgte akkurat det første som kom i tankene Hva om vi prøver noen kombinasjoner Forex Trading Signals: Hva skal optimalisere Først og fremst ved å overoptimere kjøps - og salgsnivåene, kan vi ødelegge vår fremtidige ytelse. However we still can tune them, especially, if the performance is close for close values of buy and sell limits. For example, if we have -10 profit at buy limit equal 0.3, and 1000 profit when it equals 0.35, then there is probably a lucky coincidence, and we should not use 0.35 for our trading system, as in future it will probably not happen again. If, instead, we have -10 and 10 (instead of 1000), it may be safer to use. Generally, our trading system should be built for WORSE possible scenario, as if during the real trading the performance will be better, then during the test, we will survive, but not the other way around. We can vary the value for the indicator interval, provided we have enough trades, so that we can be confident, in terms of statistics, in the performance of a system. We certainly can vary the number of neurons, I dont think it can be overoptimized easily. We can vary number of inputs and lags for inputs. It is possible to overoptimize this, but it is not very likely to happen. And, of course, we can try different indicators. Accurate FOREX Signals: How to optimize As have already been mentioned, if we start trying all possible combinations, it will take forever. So we are going to cheat. We will create pre-defined sets of parameters, that we think are reasonable, and pass them to the program. To make as few calculations as possible, note, that Clv-1 and Clv-2 are, probably, important, but what about Clv-128 And - if we already have Clv-128, do we need Clv-129 Probably, not. So we are going to have something like Clv-1, Clv-2, Clv-4, Clv-8. Clv-128 with just few variations, which will make our calculation time thousands times shorter. FOREX Professional System Trading: Can it work at all What is it exactly we want to predict Until this point we have used 1 hour chart for EURUSD, and we were predicting the next bars CLV. Will the CLV2 be better What about CLV3 Also, especially considering the poor performance of our first trading system, it would be nice to know, that - at least in the ideal world, the goal (profitable trading) can be achieved. To answer these questions, lets create a simple testing program. We assume, that our prediction is 100 accurate, and, based on this assumption, we will use CLVN, not the NN predicted one. Thats right - we are going to take data from the future, and to use them instead of the NN prediction. This approach wouldnt work in the real life, of course, but at leats, it will give us some ideas of what to expect. When looking at the results, please keep in mind, that we are not using any advanced money management, our lot size is set to a minimum 100. If you use variable lot sizes, results will be dramatically different. But even at a lot size set to 0.1 we can see (below) that getting the information from the future is an ultimate traders holly graal. forexnn02.tsc, part 1 You are already familiar with this code, it was used in FOREXNN01.TSC. It handles data loading. The only difference is in the part that obtains the list of files in the images directory and deletes all files with the. PNG extention. The reason for this code is simple: during our tests we are going to create many - may be, thousands - image files. We dont want them to hung around after we are done. So at the beginning of the script we are deleting images, created by other scripts. forexnn02.tsc, part 2 Just a few comments. We do not want to try all possible values for, for example, CLV interval. Instead, we can create an array, that contains only values we want to test. Then (see below) we will walk through this array. Stop losses are important part of any trading strategy, so I have decided to vary them as well. It is a dangerous idea, however, as it is easy to overoptimize the system. I am planning to test different values for buy and sell levels, but it will be done in cycle, without using arrays. Unlike in our previous example, we want to have a large XML file, containing many images. To do it, I have moved the code, that is forming the XML header and footer outside of the Chart function. Read one of the online XML tutorials for details. Note, that I am using 0 as the first lag, which means, that first I am testing the indicator (CLV) that was not shifted from the future. Just to get an idea, how good out trading system would be without NN (horrible, is the right word. It is loosing all the money). Cortex uses the Internet Explorer control to display XML pages. When pages grow large, it takes a lot of memory. If your computer cannot handle it, consider creating multiple XML or HTML pages, instead. In the case of forexnn02, it should not be a problem, as the page is relatively short. 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. forexnn02.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 ARRAYREMOVE 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. forexnn02.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. forexnn02.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 APPLYNN 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, MetaTraders 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 inse rt this code in the MetaTraders 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 APPLYNN 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 forexnn05a 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 doesnt 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 dont call it MetaTrader I have asked for clarification at the companys forum, and they have told me, that they dont 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. Warning 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. MetaTraders 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 dont 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 MetaTraders optimizer. We have just plugged our MTS (mechanical trading system) in, and it worked as expected. Det er det. You can now create Cortex Neural Network, optimize it to do trading, and to port it to the trading platform of your choice. Last ned Cortex Order Cortex Se prisliste Siktbarhet er svært viktig for dette nettstedet. If you like it please link to this URL2 - Forex Strategies - Forex Resources - Forex Trading-free forex trading signals and FX Forecast Neural Networks Indicator for Metatrader Neural Networks Indicator free download Free download Indicators Neural Networks indicator for Metatrader 4. All Indicators on Forex Strategies Resources are free. Here there is a list of download Neural Networks mq4 indicators for Metatrader 4. It easy by attach to the chart for all Metatrader users. Download an indicator. Extract from the file rar or zip. Copy Neural Networks Indicator mq4 to Metatrader Directory experts indicators Copy Neural Networks Indicator mq4 to Metatrader Directory experts indicators Start or restart your Metatrader Client Select chart and Timeframe where you want to test your indicator Search Custom Indicators in your Navigator mostly left in your Metatrader Client Right click on Neural Networks indicator mq4 Attach to a chart Modify settings or press ok Indicator Neural Networks mq4 is available on the chart For remove Neural NetWorks mq4 from Metatrader chart: select the chart where is the Indicator running in Metatrader Client, Right click into the chart Select the Indicator and delete