Bollinger Banden Neuronales Netz

MetaTrader 5 - Experten Bollinger Band Breite Berechnung mit Neural Network mit - Experte für MetaTrader 5 Ich habe auf der Suche nach einem BB Width Expert Advisor, aber ich konnte es nicht überall finden. Dann beschloss ich, mein eigenes zu schaffen, und als Teil meines Studiums habe ich das gemacht. Diese Expert Advisor folgt Neural Network-Methode. Einlage 10000. Bruttoergebnis von 36000. Zeitspanne 3,5 Monate. Was ist Bollinger Bandbreite Bollinger Bandbreite ist Bandbildung in Bollinger Bändern. In seinem Buch (Bollinger auf Bollinger Bands) bezeichnet John Bollinger die Bollinger Bandbreite als einen von zwei Indikatoren, die von Bollinger Bands abgeleitet werden können. Der andere Indikator ist B. Bandbreite misst die prozentuale Differenz zwischen dem oberen Band und dem unteren Band. Die Bandbreite sinkt, wenn die Bollinger-Bänder enger werden und die Bollinger-Bänder größer werden. Da die Bollinger-Bänder auf der Standardabweichung basieren, spiegelt die fallende Bandbreite die abnehmende Volatilität und die steigende Bandbreite die steigende Volatilität wider. Enge Breite: Enge Bandbreite ist relativ. Bandbreitenwerte sollten im Verhältnis zu früheren Bandbreitenwerten über einen bestimmten Zeitraum gemessen werden. Es ist wichtig, eine gute Rückblickperiode zu erhalten, um Bandbreite für ein bestimmtes Symbol zu definieren. Der Squeeze: Bollinger Bandbreite ist am besten für die Identifizierung der Squeeze bekannt. Dies geschieht, wenn die Volatilität auf ein sehr niedriges Niveau sinkt, was durch die verengten Banden belegt wird. Die oberen und unteren Bänder basieren auf der Standardabweichung, die ein Maß für die Volatilität ist. Die Bänder schmaler als der Preis flacht oder bewegt sich in einem relativ engen Bereich. Die Theorie ist, dass Perioden mit geringer Volatilität von Perioden mit hoher Volatilität gefolgt sind. Die relativ schmale Bandbreite (a. k.a. the Squeeze) kann einen signifikanten Fortschritt oder Abschwung voraussehen. Nach einem Squeeze, ein Preissprung und nachfolgende Bandpause signalisieren den Beginn einer neuen Bewegung. Ein neuer Vorsprung beginnt mit einem Squeeze und anschließendem Break über dem oberen Band. Ein neuer Rückgang beginnt mit einem Squeeze und einem nachfolgenden Break unterhalb des unteren Bandes. Eine Idee kann Ihr Leben verändern -) Ich erhielt die Inspiration, um auf Neuronale Netze nach dem Lesen dieses Artikels zu arbeiten. Der Autor Fyords half mir sehr am Ende der Kodierung. Dieser Expert Advisor nimmt den Wert der letzten 14 Perioden und minimiert sie mit der neuronalen Netzwerk-Methode Formel (lesen Sie bitte den Artikel für die beste Umsetzung des neuronalen Netzes). Breite Berechnung Ich habe die klassische Methode verwendet: (BBupperBand - BBLlowerBand) BBMidleBand. Formel: inputsi2 ((iBandsUpperbufi - iBandsLowerbufi) iBandsBasebufi) - (xminxminn) (d2-d1)) ((xmaxxxmax) - (xminxminn)) d1 Es sieht kompliziert aus, aber in Wirklichkeit ist es genau wie A, B, C, D. Der oben genannte Artikel kann Ihnen helfen, eine Menge. Expert Advisor Testergebnis ist gut, ich habe den Zeitraum von 2013.01.01 bis 2013.04.13 genommen. Balance: Ich habe das komplette Testergebnis in der Zip-Datei angehängt. Ich dont empfehlen, diese Expert Advisor in echten Account verwenden. Im gleichen Code können Sie eine Volumenkombination (CCI, MFI etc.) Verwenden. STOCK MARKET PREDICTION MIT NEURAL NETWORKS von Dr. Valentin Steinhauer Disclai mer: Für die Genauigkeit wird keine Haftung übernommen. Vollständigkeit der Methoden und andere Informationen in diesem Tutorial. Hier werden zwei komplementäre Richtungen betrachtet. Deutsch - Übersetzung - Linguee als Übersetzung von. Die zweite - Bollinger Bands Methode. Warum sind sie ausgewählt. In der ruhigen Zeit die Harmonicas Gesetze herrschen und an diesem Punkt sind gut eine Zeitreihe Vorhersage. Diese Methode (aus verschiedenen Quellen) ermöglicht eine Vorhersage auf und ab in der Börse Werte mit etwa 52 -53 Wahrscheinlichkeit, 50 -50 ist, nicht vergessen. zufällig. Zweite Richtung (Bollinger Bands) ist von ganz anderem Gebiet. Die Börse Nervosität. Wenn die Preise fallen oder wachsen zu viel im Vergleich zu früheren Zeiten. Dann gibt es oft einen Wendepunkt. Die Statistik der positiven Prognosen ist in diesem Fall besser. Aber die Fälle treten nicht so oft auf. Und es wird erforderlich sein, warten. Zeitreihe Vorhersage in der Börse Zeitreihe Vorhersage spielt eine große Rolle in der Volkswirtschaft. Die Börsenkurse sowie der Energieverbrauch können vorausgesagt werden, um Entscheidungen treffen zu können. Dieses Tutorial zeigt einen möglichen Ansatz, wie neuronale Netze für diese Art von Vorhersage verwendet werden können. Es erweitert die Neuroph Tutorial genannt Time Series Prediction quot, die eine gute theoretische Grundlage für die Vorhersage gibt. Für unsere Zwecke verwendet, ist die Zeitfolge beobachtet Variable. Variable beobachtet in diskreten Zeitintervallen. Die Analyse von Zeitreihen umfasst eine Beschreibung des Prozesses oder Phänomens, das eine Sequenz erzeugt. Zur Vorhersage der Zeitreihen. Ist es notwendig, das Verhalten des Prozesses in Form eines mathematischen Modells darzustellen, das in Zukunft erweitert werden kann. Um dies zu tun. Das Modell ist eine gute Darstellung der Beobachtungen in jedem lokalen Segment der Zeit in der Nähe der Gegenwart. Normalerweise besteht keine Notwendigkeit, ein Modell zu haben, das eine sehr alte Beobachtung darstellen würde. Da sie wahrscheinlich nicht den Augenblick charakterisieren werden. Auch gibt es keine Notwendigkeit, Beobachtungen in der fernen Zukunft einzureichen, je nach einem Zeitintervall, das größer ist als der Horizont. Sobald das richtige Modell erstellt wird, um die zeitliche Abfolge zu behandeln, können wir geeignete Vorhersagemethoden entwickeln. Um zu zeigen, wie es funktioniert, haben wir das Netzwerk mit dem DAX-Index (Deutscher Aktienindex) für einen Monat (03.2009: von 02.30 Uhr) aus geschult, um den Wert am 31.03.2009 vorherzusagen. Als Strategie nehmen wir die Sequenzen von 4 Tagen, um jeden 5. Tag vorherzusagen. Im Trainingsset ist der 5. Tag der überwachte Wert. Der Daten-DAX kann von der folgenden URL heruntergeladen werden (eine der Möglichkeiten): download. finance. yahoodquotes. csvsGDAXIampfsl1d1t1c1ohgvampe. cs TrainingSetGetter steht zum Download als Teil des NetBeans-Projekts zur Verfügung, es sind jedoch nur die hartcodierten Beispieldaten mit Normalisierung. Auch der erste Schritt ist die Normalisierung der Trainingsdaten im Bereich (0-1). Die folgende Formel bietet sie wie folgt an: Normwert 0.8 (Wert v1) (v2 v1) 0.1 Hierbei handelt es sich um 0.8 und 0.1 um die Werte aus den Grenzen 0 und 1 zu korrigieren, v2 ist der Maximalwert Expander und v1 Minimum Valueexpander. Die Normalisierung spielt eine wichtige Rolle bei der Vorbereitung der Daten für das Netzwerktraining. Dieser Expanderkoeffizient wird zur Kompression oder Streckung bei Normalisierung eingegeben. In jedem Fall einer Vorhersage ist es wünschenswert, diesen Koeffizienten aus Kontrollpunkten auszuwählen. Anschließend wird die Netzwerktopologie definiert. Welche Art von Netzwerk, wie viele Schichten und wie viele Neuronen pro Schicht verwendet werden. Eigentlich gibt es keine Regel dafür, und in der Regel ist es experimentell bestimmt. Jedoch ist der gemeinsame Typ des Netzwerkes, der für die Vorhersage verwendet wird, ein Mehrschichtperceptron. Eine Empfehlung besteht darin, 2n1 Knoten für hidden-layer zu haben, wobei n die Zahl der Eingangsknoten ist. Die Ausgabeschicht hat dabei nur einen Knoten. Die guten Ergebnisse wurden mit folgender Topologie und Parametersatz erreicht: maxIteration10000, maxerror0.0001 und das Trainingsset ist wie folgt organisiert: public DataSet getTrainingSet (int n, int m) trainingSet new DataSet (n, m) trainingSet. addRow (in , Out) und dem entsprechenden Netzwerk: int maxIterationen 10000 NeuralNetwork neuralNet new MultiLayerPerceptron (4, 9, 1) ((LMS) neuralNet. getLearningRule ()) setMaxError (0.0001) ((LMS) neuralNet. getLearningRule ()) setMaxIterations ( MaxIterations) An diesem Punkt sind wir bereit, das Netzwerk zu schulen und zu testen. Zum Testen verwenden wir einen vorbereiteten Datensatz, in dem die DAX-Daten aus den 27, 28,29 und 30.03.09 zur Vorhersage des Wertes am 31.03.09 doppeltes networkOutput angegeben werden neuralNet. getOutput () double predictedNormalized networkOutput0 Da das Netzwerk mit random initialisiert wird Werden die Testergebnisse von einer Berechnung zur Berechnung unterschiedlich sein. Nach fünf Tests kam es mit den folgenden Vorhersage - Ergebnisse für 03.31.2009: 4084.61 4081.28 4073.08 4075.22 4087.42. Die Dauer war 3 Sekunden (2 CPU, 3,3 Ghz, 2GB RAM, WinXP). Das ist so genannte Komitee - eine Sammlung von verschiedenen neuronalen Netzwerken, die zusammen das Beispiel, mit Expander 1.30D. Es gibt ein viel besseres Ergebnis im Vergleich zu anderen neuronalen Netzwerken Verfahren. Der an diesem Tag angekündigte Wert ist 4084,76. Daher wird in Richtung der Erzielung besserer quantitativer Ergebnisse die Reihenfolge der Berechnungen verändert, die wir im vorigen Beispiel durchgeführt haben. Wir können gleichzeitige Berechnungen verwenden, um das Komitee zu schaffen. Das Komitee neigt nicht nur zu einer Stabilität, sondern erlaubt auch eine effektive relative Kontrolle der Trainingsbedingungen. Die relative Streuung der Ergebnisse des Komitees ist in diesem Fall das Verdienst. Um die Parallelität zu erstellen, verwendeten wir das jetlang Paket. Das Komitee umfasst die folgenden Module im Beispiel: Actor, Channels, Message und wird vom Main-Modul aus gesteuert. Die periodischen Signale herrschen in diesem Modell (Postulat) vor. Welches periodische Signal ist wichtig Wo ist das unter passende oder Überanbringen von perceptron Ist es möglich, automatisch in diesem Modell vorzustellen, zeigen wir einen Algorithmus mit Autokorrektur an, der einige grundlegende Entwicklungsideen (quota größtes harmonisches wavequot) demonstriert: 1. Wir haben mehr Als eine Folge von Berechnungen (siehe quotcommitteequot) 2. Der Hauptkreis gibt die Variation der Anzahl der Punkte (N) im Fenster der Zeitvorhersage. Eine Kopfperiode wird durch N in jeder Variation von der Quotengrössten harmonischen Wellenwelle bestimmt. Die Anzahl der versteckten Layer ist 2N1 automatisch. Als Leistungsmerkmal wird die R 8721F obs - F calc 8721 F obs verwendet. So genannte R-Faktor durch Vollzeit-Serien-Daten. 3. Für jedes N wird die Vielfalt der Trainingseinheiten sein: Die Elemente werden nacheinander entfernt, um das Minimum an R-Faktor zu erreichen und um die optimale Beziehung zwischen der Unterarmatur und der Überbefestigung zu erzielen. 4. Der Mittelwert durch Ausschuss ist das Ergebnis dieses einfachen automatischen Flusses. Wie gut ist dieses Modell Quota größte Harmonicas wavequot für Ihre Aufgaben, sollten Sie selbst entscheiden. Die einfachen DAX-Tests zeigten gute mathematische Ergebnisse. Diese Filterung des Modells ähnelt dem menschlichen Schlaf: trainings m odels werden maximal reduziert. Aber wenn die Erkennung verbessert ist. Durch die Zeitreihenvorhersage wurden die besten Ergebnisse bei der Analyse des Wachstums und des Sturzes der Lagerwerte 82038203 erzielt, nicht für eine Prognose der Werte 8203 selbst. Bollinger Bands an der Börse mit Neuroph Bollinger Bands wird von John Bolliger erfunden. Bollinger-Bänder zeigen eine Veränderung des Preises eines Finanzinstruments im Laufe der Zeit an. Der Ausgang für Ränder von Bändern führt mit hoher Wahrscheinlichkeit zu Bändern zurück. Und die Hauptschwierigkeit ist zu finden: wann kommt die Rückkehr zur Voraussage dieser Rückkehr wir Neuroph. Bollinger Bands spiegeln den Grad der Nervosität und sind gut geeignet für nicht stabile Börse. Sie können mehr über die Bollinger Bands in anderen Dokumenten Wiki. beispielsweise. Wir werden uns auf die Anwendung von Neuroph konzentrieren. Die Hauptparameter für Bollinger-Bänder sind ein Periodenbewegungsdurchschnitt und ein oberes Band über dem gleitenden Durchschnitt ein unteres Band der gleitende Durchschnitt. Da die Testdaten DAX verwendet werden. Betrachten Sie die Trainingsarbeit dieser Methode als Beispiel. In einer vorbereiteten Datei. Die die Werte 82038203 von Dax für einen Tag mit einem 5-Minuten-Intervall enthält, wird nach einer Situation suchen, die über den Wert des Durchschnitts hinausgeht. Im Durchschnitt wird die Zahl der 21 letzten Werte experimentell ermittelt. Der Ausgangswert ist 1, wenn der aktuelle Wert von Dax größer als 2 Sigma-Mittelwert oder kleiner als 2 Sigma vom Mittelwert ist und in den 15 Minuten das Verhalten korrekt ist, in anderen Fällen ist er 0. Korrekt bedeutet, dass der Wert zum Band zurückkehrt. Das Sigma ist die Standardabweichung und wird in der Methode standardAbweichung dynamisch berechnet. Der Algorithmus ist im Programm BollingerAnalyze im Anhang (Projektpaket) implementiert. Die Normalisierung ist ähnlich der oben gezeigten. Siehe die Normalize-Methode in der BollingerAnalyze. java. Im Trainingsprogramm wird (zur Kontrolle) die Häufigkeit des korrekten Betriebs der Methode geschätzt: Wie viele Fälle sind von allen Fällen richtig. Sie können versuchen, andere Parameter für Ihre Kohlen. Die Verwendung des trainierten Netzwerks wird in der Methode getRecommendation angezeigt. Die Methode gibt 1 oder -1, wenn Sie Bollinger Bands Situation (oben oder unten) haben und in 15 Minuten wird DAX zurück in das Band. In einem schlechten Fall ist es 0 oder der Wert kann nicht vorhergesagt werden. Natürlich ist es ein großes Problem, die Werte 82038203 in Echtzeit zu erhalten. Dies ist jedoch ein organisatorisches Problem und kann mit der dynamischen Neuroph-Wert-Erkennung aus Bildern in Echtzeit realisiert werden. Die Nachricht nach dem Training und Test ist wie folgt: extremes Zahl 4707 bollingers extremes Zahl. 1006 volle Punktzahl 21136 Defekte 1. In dem Fall bedeutet Defekte, wie viele Bollinger-Situationen nicht korrekt vorhergesagt wurden. Schlussfolgerung Schlussendlich zwei wichtige Faktoren bei der Vorhersage von Problemen - Möglichkeiten und Interessen von Menschen, die Vorhersage machen und verwenden. Im Idealfall. Werden die historischen Informationen automatisch analysiert und die Prognose ist ein Manager für eine mögliche Änderung. Die Einführung eines Experten in den Prognoseprozess ist wichtig, erfordert aber die Zusammenarbeit von erfahrenen Managern. Nächste Prognose an Manager gesendet, die es nutzen, um Entscheidungen zu treffen. Und selbst wenn sie sagen, das Wetter ist nur reden, können sie echte Vorteile aus ihrer Verwendung. Download der NetBeans-Projekte mit der Quelle Wenn Sie spezielle Aufträge haben oder Sie einfach (PayPal) unterstützen wollen, verwenden Sie bitte: tec. de (at) t-online. deBollinger Bänder sind ein weit verbreiteter technischer Indikator zur Messung und Anzeige der Volatilität Wertpapieren. Die Banden erreichen dies, indem sie zeigen, ob die Preise hoch sind mit der Verwendung eines oberen Bandes, und ob sie niedrig sind mit der Verwendung eines unteren Bandes. Die Banden basieren auf der Volatilität (Standardabweichung) der vergangenen Kursdaten. Dieser Indikator kann eine strenge Mustererkennung unterstützen und ist nützlich, um die aktuelle Preisaktion mit möglichen Kauf - und Verkaufssignalen zu vergleichen und so zu einer in sich geschlossenen systematischen Handelsentscheidung zu gelangen. Aufgrund seiner inhärenten Eigenschaften kann der Indikator jedoch falsche Signale während des Handels in einigen Trendmärkten liefern. Die Forschung in dieser Arbeit entwickelt zwei modifizierte Modelle, eine Kombination neuronaler Netze mit dem technischen Indikator Bollinger Bands, und ein weiteres integriert ein GARCH-in-Mittel-Modell mit dem Bollinger Bands technischen Indikator für die Vorhersage und den Handel auf den Sicherheits-Trend. Die Annahme des kombinierten Systems besteht darin, dass das neuronale Netzwerk oder das GARCH-Modell dazu beitragen wird, die nachlaufenden Aspekte des Bollinger-Bands-Indikators zu überwinden, indem es eine Prognose des nächsten Tages liefert, so dass der Händler die richtigen Entscheidungen treffen kann. Die Rentabilität des Modells wird mit 10 amerikanischen Aktien und Indizes getestet - Abstract, Blatt iii. Abteilung (en) Engineering Management und Systems Engineering Name M. S. In Engineering Management Universität von Missouri - Rolla Publikationsdatum Paginierung Anmerkung zur Bibliographie Beinhaltet bibliographische Hinweise (Seite 39). 2005 Yanqiong Dong, Alle Rechte vorbehalten. Dokumenttyp Bibliothek des Kongresses Schlagwort Schlagzeilen Investitionsanalyse Aktien - Preise - Mathematische Modelle Aktienkursvorhersage Neuronale Netze (Informatik) Thesis Number Drucken OCLC Link zum Katalog Datensatz Volltext nicht verfügbar: Diese Publikation direkt aus Missouri ST-Bibliothek oder Kontakt anfordern Ihre lokale Bibliothek. Empfohlene Citation Dong, Yanqiong, Die Verwendung von neuronalen Netzwerken, GARCH-Modelle und die Bollinger Bands technischen Indikator für Aktienhandel Entscheidungsfindung (2005). Diplomarbeiten. 5847. scholarsmine. mst. edumasterstheses5847Hybrid Neuronales Netzwerk Stopp-und-Reverse-Strategien für Forex von Michael R. Bryant Neuronale Netze werden seit vielen Jahren in Handelssystemen mit unterschiedlichem Erfolg eingesetzt. Ihre primäre Attraktion ist, dass ihre nichtlineare Struktur ist besser in der Lage, die Komplexität der Preisbewegung als Standard, Indikator-basierte Handelsregeln zu erfassen. Eine der Kritik ist, dass neuronale Netzwerk-basierte Trading-Strategien tendenziell über-fit und daher nicht gut auf neue Daten. Eine mögliche Lösung für dieses Problem besteht darin, neuronale Netze mit einer regelbasierten Strategie-Logik zu kombinieren, um eine hybride Strategie zu schaffen. Dieser Artikel zeigt, wie dies mit Adaptrade Builder durchgeführt werden kann. Insbesondere wird in diesem Artikel Folgendes veranschaulicht: Kombinieren von neuronalen Netzwerken und regelbasierter Logik für Handelseinträge Es wird ein Drei-Segment-Datenansatz verwendet, wobei das dritte Segment verwendet wird, um die endgültigen Strategien zu validieren. Der resultierende Strategiecode für MetaTrader 4 und TradeStation wird gezeigt und es wird gezeigt, dass die Validierungsergebnisse für jede Plattform positiv sind. Neuronale Netze als Handelseintragsfilter Mathematisch ist ein neuronales Netz eine nichtlineare Kombination eines oder mehrerer gewichteter Eingänge, die einen oder mehrere Ausgangswerte erzeugt. Für den Handel wird ein neuronales Netz generell auf eine von zwei Arten verwendet: (1) als Vorhersage der zukünftigen Preisbewegung oder (2) als Indikator oder Filter für den Handel. Hier wird die Verwendung als Indikator oder Handelsfilter berücksichtigt. Als Indikator fungiert ein neuronales Netzwerk als zusätzliche Bedingung oder Filter, die erfüllt sein müssen, bevor ein Trade eingegeben werden kann. Die Eingaben in das Netzwerk sind typischerweise andere technische Indikatoren wie Impuls, Stochastik, ADX, gleitende Durchschnittswerte und so weiter sowie Preise und Kombinationen der vorhergehenden. Die Eingaben werden skaliert, und das neuronale Netzwerk ist so ausgelegt, dass das Ausgangssignal ein Wert zwischen -1 und 1 ist. Ein Ansatz besteht darin, eine lange Eingabe zu ermöglichen, wenn die Ausgabe größer als oder gleich einem Schwellenwert wie 0,5 und a ist Kurze Eingabe, wenn die Ausgabe kleiner oder gleich dem negativen Wert der Schwelle ist -0,5. Diese Bedingung wäre zusätzlich zu bestehenden Eintrittsbedingungen. Wenn es zum Beispiel eine lange Eingangsbedingung gab, müsste es wahr sein und die neuronale Netzwerkausgabe müsste mindestens dem Schwellenwert für eine lange Eingabe entsprechen. Bei der Einrichtung eines neuronalen Netzes wäre typischerweise ein Händler für die Auswahl der Eingaben und der Netzwerktopologie und für die gleichzeitige Durchführung des Netzes verantwortlich, das die optimalen Gewichtswerte bestimmt. Wie im Folgenden gezeigt, führt Adaptrade Builder diese Schritte automatisch als Teil des evolutionären Buildprozesses durch, auf dem die Software basiert. Die Verwendung des neuronalen Netzes als Handelsfilter erlaubt es, leicht mit anderen Regeln kombiniert zu werden, um eine hybride Handelsstrategie zu schaffen, die die besten Eigenschaften traditioneller, regelbasierter Ansätze mit den Vorteilen neuronaler Netze kombiniert. Als ein einfaches Beispiel könnte Builder eine gleitende durchschnittliche Übergangsregel mit einem neuronalen Netzwerk kombinieren, so dass eine lange Position genommen wird, wenn der schnell bewegte Durchschnitt über dem langsamen gleitenden Durchschnitt kreuzt und die neuronale Netzwerkausgabe an oder über seinem Schwellenwert liegt. Stop-and-Reverse Trading-Strategien Eine Stop-and-Reverse-Trading-Strategie ist eine, die immer auf dem Markt, entweder lang oder kurz. Streng genommen bedeutet quotstop-und-reversequot, dass Sie den Handel umkehren, wenn Ihr Stop-Auftrag getroffen wird. Allerdings benutze ich es als Short-Hand für jede Handelsstrategie, die von langem zu kurzem zu lange und so weiter umkehrt, so dass Sie immer auf dem Markt. Durch diese Definition ist es nicht notwendig, dass die Aufträge Aufträge beenden. Sie könnten eingeben und rückgängig mit Markt-oder Limit Orders sowie. Es ist auch nicht notwendig, dass jede Seite die gleiche Logik oder sogar die gleiche Auftragsart verwenden. Beispielsweise können Sie bei einem Stoppauftrag long (und exit short) eingeben und bei einer Market Order unter Verwendung verschiedener Regeln und Konditionen für jedes entryexit short (und exit long) eingeben. Dies wäre ein Beispiel für eine asymmetrische Stop-and-Reverse-Strategie. Der primäre Vorteil einer Stop-and-Reverse-Strategie ist, dass durch immer auf dem Markt, verpassen Sie nie alle großen bewegt. Ein weiterer Vorteil ist die Einfachheit. Wenn es separate Regeln und Bedingungen für das Betreten und Beenden von Trades gibt es mehr Komplexität und mehr, die schief gehen kann. Die Kombination von Ein - und Ausgängen bedeutet, dass weniger Timing-Entscheidungen getroffen werden müssen, was weniger Fehler bedeutet. Andererseits kann man argumentieren, dass die besten Bedingungen für den Austritt eines Handels selten die gleichen sind wie für die Eintragung in die entgegengesetzte Richtung, dass eintretende und austretende Geschäfte von sich aus getrennte Entscheidungen sind, die daher separate Regeln und Logiken anwenden müssen. Ein weiterer potenzieller Nachteil der immer auf dem Markt ist, dass die Strategie wird durch jede Öffnung Lücke Handel. Ein großer Öffnungsspalt gegen die Position kann einen großen Verlust bedeuten, bevor die Strategie rückgängig gemacht werden kann. Strategien, die selektiv eintreten und diesen verlassen oder diesen bis zum Ende des Tages verlassen, können die Auswirkungen von Öffnungslücken minimieren. Da es sich um eine Forex-Strategie handelt, ist MetaTrader 4 (MT4) eine offensichtliche Wahl für die Handelsplattform, da MetaTrader 4 primär für Forex entwickelt und für den Handel mit diesen Märkten weit verbreitet ist (siehe zB MetaTrader vs. TradeStation) : Ein Sprachvergleich). Doch in den letzten Jahren hat TradeStation die Devisenmärkte viel aggressiver ausgerichtet. Abhängig von Ihrem Handelsvolumen und Account-Ebene, ist es möglich, den Handel mit den Forex-Märkten durch TradeStation ohne irgendwelche Plattform Gebühren oder die Zahlung von Provisionen. Spreads sind Berichten zufolge eng mit guter Liquidität auf die wichtigsten Forex-Paare. Aus diesen Gründen waren beide Plattformen für dieses Projekt gezielt. Bei mehreren Plattformen gleichzeitig treten mehrere Probleme auf. Erstens können die Daten auf verschiedenen Plattformen unterschiedlich sein, wobei Unterschiede in Zeitzonen, Preisangaben für einige Balken, Volumen und verfügbare Datumsbereiche vorhanden sind. Um diese Unterschiede zu glätten, wurden Daten von beiden Plattformen erhalten, und die Strategien wurden über beide Datenreihen gleichzeitig aufgebaut. Die besten Strategien waren daher diejenigen, die bei beiden Datenreihen trotz unterschiedlicher Daten gut funktionierten. Die im Builder verwendeten Dateneinstellungen sind in Abb. 1. Wie aus der Tabelle "Marktdaten" hervorgeht, wurde der Eurodollar-Devisenmarkt mit einer Bargröße von 4 Stunden (240 Minuten) angestrebt (EURUSD). Andere Stangengrößen oder Märkte würden ebenso gedient haben. Ich war nur in der Lage, so viele Daten über meine MT4-Plattform zu erhalten, wie durch den in Fig. 1 (Datenreihe 2), so dass der gleiche Zeitraum für den Erhalt der äquivalenten Datenreihe von TradeStation (Datenreihe 1) verwendet wurde. 80 der Daten wurden für das Bauwesen (kombinierte Stichprobe und Stichprobenquot) verwendet, wobei 20 (62014 bis 21015) für die Validierung reserviert wurden. 80 des Originals 80 wurde dann auf einen Stichprobenquot mit 20 gesetzt, der auf "outout of-sample" gesetzt wurde, wie in Fig. 1. Der Bidask-Spread wurde auf 5 Pips gesetzt, und die Handelskosten von 6 Pips oder 60 pro Full-Size-Los (100.000 Aktien) wurden pro Round-Turn angenommen. Beide Datenreihen wurden in den Build aufgenommen, wie die Häkchen in der linken Spalte der Tabelle Market Data anzeigen. Abbildung 1. Marktdateneinstellungen für den Aufbau einer Forex-Strategie für MetaTrader 4 und TradeStation. Ein weiteres potenzielles Problem beim Targeting auf mehrere Plattformen besteht darin, dass Builder so konzipiert ist, dass die Art und Weise, wie jede unterstützte Plattform ihre Indikatoren berechnet, so dupliziert wird, dass die Indikatorwerte je nach ausgewählter Plattform unterschiedlich sein können. Um diese mögliche Diskrepanz zu vermeiden, sollten alle Indikatoren, die in MetaTrader 4 anders als in TradeStation ausgewertet werden, aus dem Build entfernt werden, was bedeutet, dass folgende Indikatoren vermieden werden sollten: Alle anderen Indikatoren, die für beide Plattformen verfügbar sind, werden in gleicher Weise berechnet Beide Plattformen. TradeStation umfasst alle Indikatoren, die im Builder verfügbar sind, während MetaTrader 4 nicht. Daher sollte die MetaTrader 4-Plattform als Codetyp im Builder ausgewählt werden, um nur Indikatoren zu enthalten, die auf beiden Plattformen verfügbar sind. Damit werden automatisch alle Indikatoren aus dem Build-Set entfernt, die für MT4 nicht verfügbar sind, wodurch die Indikatoren, die auf beiden Plattformen verfügbar sind, hinterlassen werden. Außerdem habe ich, da ich Unterschiede in den Volumendaten, die von jeder Plattform erhalten wurden, bemerkte, alle volumenabhängigen Indikatoren aus dem Build-Set entfernt. Schließlich wurde die Uhrzeitanzeige wegen der Unterschiede in den Zeitzonen zwischen den Datendateien entfernt. In Fig. 2, unten, wird die Liste der Indikatoren, die in dem Build-Set verwendet werden, sortiert nach der Anzahl der Indikatoren angezeigt, die vom Buildprozess berücksichtigt wurden (Spalte "Coonsiderquot"). Die aus den Erwägungen aus den oben dargelegten Gründen entfernten Indikatoren sind oben in der Liste aufgeführt. Die restlichen Indikatoren, beginnend mit "Simple Mov Avequot", waren alle Teil des Build-Sets. Abbildung 2. Indikatorauswahlen im Builder, die die aus dem Build-Set entfernten Indikatoren zeigen. Die Auswertungsoptionen, die in dem Erstellungsprozess verwendet werden, sind in 4 gezeigt. 3. Wie diskutiert, wurde MetaTrader 4 als Codeausgangsauswahl ausgewählt. Nachdem Strategien im Builder erstellt wurden, können beliebige Optionen auf der Registerkarte Evaluierungsoptionen einschließlich des Codetyps geändert und die Strategien neu ausgewertet werden, wodurch auch der Code in der ausgewählten Sprache umgeschrieben wird. Diese Funktion wurde verwendet, um den TradeStation-Code für die endgültige Strategie zu erhalten, nachdem die Strategien für MetaTrader 4 erstellt wurden. Abbildung 3. Evaluierungsoptionen im Builder für die EURUSD forex-Strategie. Um Stop-and-Reverse-Strategien zu erstellen, wurden alle Exit-Typen aus dem Build-Set entfernt. 4. Alle drei Arten von Eintragsaufträgen - Markt, Stop und Limit - wurden als quotconsiderquot hinterlassen, was bedeutet, dass der Buildprozess während des Buildprozesses einen beliebigen davon berücksichtigen könnte. Abbildung 4. In Builder selektierte Auftragstypen, um eine Stop-and-Reverse-Strategie zu erstellen. Die Builder-Software generiert automatisch regelbasierte logische Bedingungen für den Ein - und Ausgang. Um der Strategie ein neuronales Netzwerk hinzuzufügen, ist es nur nötig, die Option "Neuronales Netz einschließen" auf der Registerkarte "Strategieoptionen" auf die Registerkarte "Strategieoptionen" zu setzen. 5. Die Einstellungen des neuronalen Netzwerks blieben bei den Vorgaben. Als Teil der Stop-and-Reverse-Logik wurde die Option "Marktseiten" auf LongShort festgelegt, und die Option "Warten auf Beenden", bevor der neue Tradequot eingegeben wurde, wurde nicht aktiviert. Letzteres ist notwendig, um es der Eintragsreihenfolge zu ermöglichen, die aktuelle Position bei einer Umkehr zu verlassen. Alle anderen Einstellungen wurden mit den Voreinstellungen belassen. Abbildung 5. In Builder ausgewählte Strategieoptionen, um eine hybride Strategie zu erstellen, die sowohl regelbasierte als auch neuronale Netzwerkbedingungen verwendet. Die evolutionäre Natur des Build-Prozesses in Builder wird von der Fitness geleitet. Die aus den Zielen und Bedingungen berechnet wird, die auf der Registerkarte Metriken definiert sind, wie unten in Abb. 6. Die Bauziele wurden einfach gehalten: Maximierung des Reingewinns bei gleichzeitiger Minimierung der Komplexität, die im Vergleich zum Reingewinn ein geringes Gewicht hatte. Besonderer Wert wurde auf die Baubedingungen gelegt, die den Korrelationskoeffizienten und die Bedeutung für die allgemeine Strategiequalität sowie die durchschnittlichen Handelsströme und die Anzahl der Trades beinhalteten. Zunächst wurden nur die durchschnittlichen Balken in Trades als Build-Zustand aufgenommen. Allerdings wurde in einigen der frühen Builds der Nettogewinn über die Handelslänge begünstigt, so dass die Anzahl der Trades Metrik hinzugefügt wurde. Der angegebene Bereich für die Anzahl der Trades (zwischen 209 und 418) entspricht durchschnittlichen Handelslängen zwischen 15 und 30 Bar basierend auf der Anzahl der Balken in der Bauzeit. Als Ergebnis dieses Hinzufügens dieser Metrik legte mehr Gewicht auf das Ziel der Handelslänge, die in mehr Mitglieder der Bevölkerung mit dem gewünschten Umfang der Handelslängen führte. Abbildung 6. Die auf der Registerkarte Metriken festgelegten Ziele und Bedingungen bestimmen, wie die Fitness berechnet wird. Die Bedingungen für die Auswahl von Top Strategiesquot duplizieren die Build-Bedingungen, außer dass die Top-Strategien Bedingungen über den gesamten Bereich der Daten ausgewertet werden (nicht einschließlich der Validierung Segment, das ist separat), anstatt nur über die Bauzeit, wie es der Fall ist Bedingungen. Die obersten Strategien Bedingungen werden durch das Programm verwendet, um alle Strategien, die alle Bedingungen in einer separaten Bevölkerung. Die endgültigen Einstellungen werden auf der Registerkarte "Erstellungsoptionen" vorgenommen (siehe unten). 7. Die wichtigsten Optionen hierbei sind die Bevölkerungsgröße, die Anzahl der Generationen und die Option, basierend auf der Quoteout-of-samplequot-Performance zurückzusetzen. Die Bevölkerungsgröße wurde so gewählt, dass sie groß genug ist, um eine gute Vielfalt in der Bevölkerung zu erhalten, während sie noch klein genug ist, um in einer angemessenen Zeitspanne zu bauen. Die Anzahl der Generationen basierte darauf, wie lange es gedauert hat, bis einige Konjunkturerfolge aufgetreten sind. Abbildung 7. Die Buildoptionen umfassen die Populationsgröße, die Anzahl der Generationen und Optionen für das Zurücksetzen der Population anhand der Quoteout-of-samplequot-Leistung. Die Option zur Rücksetzung auf Out-of-Sample (OOS) Performancequot startet den Buildvorgang über die angegebene Anzahl von Generationen, wenn die angegebene Bedingung in diesem Fall erfüllt ist, wird die Population zurückgesetzt, wenn der Quotout-of-samplequot Nettogewinn liegt Weniger als 20.000. Dieser Wert wurde auf der Grundlage von Vorversuchen ausgewählt, um einen ausreichend hohen Wert zu erreichen, den er wahrscheinlich nicht erreichen würde. Als Ergebnis wurde der Herstellungsprozess alle 30 Generationen wiederholt, bis manuell gestoppt wurde. Dies ist ein Weg, um das Programm zu identifizieren Strategien auf der Grundlage der Top Strategies Bedingungen über einen längeren Zeitraum. In regelmäßigen Abständen kann die Top-Strategien-Population überprüft und der Buildprozess abgebrochen werden, wenn geeignete Strategien gefunden werden. Beachten Sie, dass ich quotout-of-samplequot in Anführungszeichen setzen. Wenn die Quotientarbeitszeitperiode verwendet wird, um die Population auf diese Weise zurückzusetzen, ist die Quotientenperiode nicht mehr wirklich out-of-sample. Seit dieser Zeit wird nun verwendet, um den Build-Prozess, seine effektive Teil der In-Sample-Periode zu führen. Deshalb ist es ratsam, ein drittes Segment zur Validierung aufzuheben, wie oben diskutiert wurde. Nach mehreren Stunden der Verarbeitung und einer Reihe von automatischen Rebuilds, eine geeignete Strategie wurde in der Top-Strategien Bevölkerung gefunden. Seine geschlossene Eigenkapitalkurve ist unten in Figur 1 gezeigt. 8. Die Eigenkapitalkurve zeigt eine konsistente Performance über beide Datensegmente hinweg mit einer ausreichenden Anzahl von Trades und im Wesentlichen die gleichen Ergebnisse über beide Datenreihen. Abbildung 8. Eigenkapitalkurve für die EURUSD-Stop-and-Reverse-Strategie. Um die Strategie über den Validierungszeitraum zu prüfen, wurden die Datumskontrollen auf der Registerkarte Märkte (siehe Abb. 1) auf das Enddatum der Daten (2112015) geändert und die Strategie durch Auswählen des Befehls Auswerten aus der Strategie neu ausgewertet Menü im Builder. Die Ergebnisse sind unten in Fig. 1 gezeigt. 9. Die Validierungsergebnisse in dem roten Feld zeigen, dass die Strategie auf Daten, die während des Erstellungsprozesses nicht verwendet werden, gehalten wird. Abbildung 9. Geschlossene Eigenkapitalkurve für die EURUSD-Stop-and-Reverse-Strategie einschließlich des Validierungszeitraums. Die endgültige Überprüfung ist zu sehen, wie die Strategie auf jeder Datenreihe durchgeführt separat mit der Code-Ausgabe-Option für diese Plattform. Dies ist notwendig, da es, wie oben erläutert, Unterschiede in den Ergebnissen gibt, die von (1) dem Codetyp und (2) der Datenreihe abhängen. Wir müssen überprüfen, dass die gewählten Einstellungen diese Unterschiede minimieren, wie beabsichtigt. Um die Strategie für MetaTrader 4 zu testen, wurde die Datenreihe von TradeStation auf der Registerkarte Märkte deaktiviert und die Strategie neu ausgewertet. Die Ergebnisse sind unten in Fig. 1 gezeigt. 10, die die untere Kurve in Fig. 10 dupliziert. 9. Abbildung 10. Geschlossene Eigenkapitalkurve für die EURUSD-Stop-and-Reverse-Strategie einschließlich des Validierungszeitraums für MetaTrader 4. Um die Strategie für TradeStation zu testen, wurden die Datenreihen von TradeStation und die Serie für MetaTrader ausgewählt 4 auf der Registerkarte Markets deaktiviert wurde, wurde die Codeausgabe in quotTradeStation geändert, und die Strategie wurde neu ausgewertet. Die Ergebnisse sind unten in Fig. 1 gezeigt. 11 und scheinen sehr ähnlich zu der mittleren Kurve in Fig. 9, wie erwartet. Abbildung 11. Geschlossene Eigenkapitalkurve für die EURUSD-Stop-and-Reverse-Strategie einschließlich des Validierungszeitraums für die TradeStation. Der Code für beide Plattformen ist unten in Fig. 12. Klicken Sie auf das Bild, um die Code-Datei für die entsprechende Plattform zu öffnen. Die Prüfung des Codes zeigt, dass der regelbasierte Teil der Strategie unterschiedliche volatilitätsbedingte Bedingungen für die langen und kurzen Seiten verwendet. Die neuronalen Netzeingaben bestehen aus einer Vielzahl von Indikatoren, darunter Tag-of-Week, Trend (ZLTrend), Intraday High, Oszillatoren (InvFisherCycle, InvFisherRSI), Bollinger-Bänder und Standardabweichung. Der Hybrid-Charakter der Strategie kann direkt in der Code-Anweisung (aus dem TradeStation-Code) eingesehen werden: Wenn EntCondL und NNOutput gt 0,5 dann beginnen Buy (quotEnMark-Lquot) NShares Aktien nächste Bar am Markt Die Variable quotEntCondLquot repräsentiert den regelbasierten Eintrag Bedingungen und NNOuputquot ist die Ausgabe des neuronalen Netzwerks. Beide Bedingungen müssen wahr sein, um die lange Eintrittsreihenfolge zu platzieren. Die kurze Eingangsbedingung funktioniert auf die gleiche Weise. Abbildung 12. Handelsstrategie-Code für die EURUSD-Stop-and-Reverse-Strategie (links, MetaTrader 4 rechts, TradeStation). Klicken Sie auf die Figur, um die entsprechende Codedatei zu öffnen. Laden Sie eine Builder-Projektdatei (.gpstrat) mit den in diesem Artikel beschriebenen Einstellungen herunter. Dieser Artikel untersuchte den Prozess des Aufbaus einer hybriden regelbasierten Netzstrategie für den EURUSD mit einem Stop-and-Reverse-Ansatz (immer im Markt) mit Adaptrade Builder. Es wurde gezeigt, wie der Strategiecode für mehrere Plattformen generiert werden kann, indem eine gemeinsame Teilmenge der Indikatoren ausgewählt wird, die in jeder Plattform gleich arbeiten. Die notwendigen Einstellungen zur Erzeugung von Strategien, die von Long auf Short und Back umkehren, wurden beschrieben, und es wurde gezeigt, dass die resultierende Strategie positiv auf einem separaten Validierungssegment von Daten durchgeführt wurde. Es wurde auch überprüft, dass die Strategie ähnliche Ergebnisse mit der Daten-und Code-Option für jede Plattform. Wie oben diskutiert, hat der Stop-and-Reverse-Ansatz mehrere Nachteile und kann nicht jedem gefallen. Allerdings kann ein immer-in-der-Markt-Ansatz attraktiver mit Forex-Daten, weil die Forex-Märkte rund um die Uhr Handel. As a result, there are no session-opening gaps, and the trading orders are always active and available to reverse the trade when the market changes. The use of intraday data (4-hour bars) provided more bars of data for use in the build process but was otherwise fairly arbitrary in that the always-in-the-market nature of the strategy means that trades are carried overnight. The build process was allowed to evolve different conditions for entering long and short, resulting in an asymmetric stop-and-reverse strategy. Despite the name, the resulting strategy enters both long and short trades on market orders, although market, stop, and limit orders were all considered by the build process independently for each side. In practice, reversing from long to short would mean selling short twice the number of shares at the market as the strategy was currently long e. g. if the current long position was 100,000 shares, you would sell short 200,000 shares at market. Likewise, if the current short position was 100,000 shares, you would buy 200,000 shares at market to reverse from short to long. A shorter price history was used than would be ideal. Nonetheless, the results were positive on the validation segment, suggesting the strategy was not over-fit. This supports the idea that a neural network can be used in a trading strategy without necessarily over-fitting the strategy to the market. The strategy presented here is not intended for actual trading and was not tested in real-time tracking or trading. However, this article can be used as a template for developing similar strategies for the EURUSD or other markets. As always, any trading strategy you develop should be tested thoroughly in real-time tracking or on separate data to validate the results and to familiarize yourself with the trading characteristics of the strategy prior to live trading. This article appeared in the February 2015 issue of the Adaptrade Software newsletter. HYPOTHETICAL OR SIMULATED PERFORMANCE RESULTS HAVE CERTAIN INHERENT LIMITATIONS. EINE AKTUELLE LEISTUNGSAUFNAHME, SIMULATIVE ERGEBNISSE NICHT VERTRETEN. ALSO, SINCE THE TRADES HAVE NOT ACTUALLY BEEN EXECUTED, THE RESULTS MAY HAVE UNDER - OR OVER-COMPENSATED FOR THE IMPACT, IF ANY, OF CERTAIN MARKET FACTORS, SUCH AS LACK OF LIQUIDITY. SIMULATED HANDELSPROGRAMME IM ALLGEMEINEN SIND AUCH AUF DIE TATSACHE, DIE SIE MIT DEM VORTEIL VON HINDSIGHT ENTWERFEN. KEINE REPRÄSENTATION IST GEMACHT, DASS JEDE KONTO ODER GELTEND ZU ERWERBENDE GEWINNE ODER VERLUSTE VERÄNDERT WIRD. Wenn Sie über Neuentwicklungen, Neuigkeiten und Angebote von Adaptrade Software informiert werden möchten, können Sie sich gerne an unsere E-Mail-Liste wenden. Vielen Dank.