MetaTrader 4 - Indicadores Siguiente predictor de precios utilizando Neural Network - indicador para MetaTrader 4 06/26/2009 - añadió un nuevo indicador BPNN Predictor con Smoothing. mq4, en el que los precios se suavizan utilizando EMA antes de las predicciones. 08/20/2009 - corregido el código de cálculo de la función de activación de la neurona para evitar la excepción aritmética actualizada BPNN. cpp y BPNN. dll 08/21/2009 - añadido borrado de memoria al final de la ejecución DLL actualizado BPNN. cpp y BPNN. Dll Breve teoría de las Redes Neuronales: La red neuronal es un modelo ajustable de salidas como funciones de las entradas. Se compone de varias capas: capa de entrada. Que consiste en datos de entrada de capa oculta. Que consiste en procesar nodos llamados neuronas capa de salida. Que consiste en una o varias neuronas, cuyas salidas son las salidas de la red. Todos los nodos de capas adyacentes están interconectados. Estas conexiones se llaman sinapsis. Cada sinapsis tiene un coeficiente de escalado asignado, por el cual se multiplican los datos propagados a través de la sinapsis. Estos coeficientes de escalamiento se denominan pesos (wijk). En una Red Neural Avanzada (FFNN), los datos se propagan desde entradas a las salidas. Aquí se muestra un ejemplo de FFNN con una capa de entrada, una capa de salida y dos capas ocultas: La topología de una FFNN es a menudo abreviada de la siguiente manera: lt de entradas de neuronas en la primera capa oculta de neuronas en la segunda capa oculta Layergt - lt de productosgt. La red anterior se puede denominar una red 4-3-3-1. Los datos son procesados por las neuronas en dos pasos, mostrados correspondientemente dentro del círculo por un signo de la suma y un signo del paso: Todas las entradas son multiplicadas por los pesos asociados y sumadas Las sumas resultantes son procesadas por la función de la activación de las neuronas. Cuya salida es la salida de la neurona. Es la función de activación de las neuronas que da la no linealidad al modelo de red neuronal. Sin ella, no hay razón para tener capas ocultas, y la red neural se convierte en un modelo lineal autorregresivo (AR). Los archivos de biblioteca incluidos para las funciones NN permiten la selección entre tres funciones de activación: El umbral de activación de estas funciones es x0. Este umbral se puede mover a lo largo del eje x gracias a una entrada adicional de cada neurona, llamada entrada de polarización. Que también tiene un peso asignado a ella. El número de entradas, salidas, capas ocultas, neuronas en estas capas y los valores de los pesos de sinapsis describen completamente un FFNN, es decir, el modelo no lineal que crea. Para encontrar pesos, la red debe ser entrenada. Durante un entrenamiento supervisado. Varios conjuntos de entradas pasadas y los correspondientes resultados esperados son alimentados a la red. Los pesos se optimizan para conseguir el menor error entre las salidas de la red y las salidas esperadas. El método más simple de optimización de peso es la propagación de los errores, que es un método de descenso gradiente. La función de entrenamiento incluida Train () utiliza una variante de este método, denominada Improved Resilient back-Propagation Plus (iRProp). Este método se describe aquí La principal desventaja de los métodos de optimización basados en el gradiente es que a menudo encuentran un mínimo local. Para series caóticas como una serie de precios, la superficie de error de entrenamiento tiene una forma muy compleja con muchos mínimos locales. Para tales series, un algoritmo genético es un método de entrenamiento preferido. BPNN. dll - archivo de biblioteca BPNN. zip - archivo de todos los archivos necesarios para compilar BPNN. dll en C BPNN Predictor. mq4 - indicador que predice futuros precios abiertos BPNN Predictor con Smoothing. mq4 - indicador que predice los precios abiertos suavizados El archivo BPNN. cpp tiene dos Funciones: Tren () Prueba (). Train () se utiliza para entrenar la red basada en los datos de entrada y salida esperados suministrados. Test () se utiliza para calcular las salidas de red usando pesos optimizados, encontrados por Train (). Aquí se muestra la lista de parámetros de salida de entrada (verde) de Train (): doble inpTrain - Datos de entrenamiento de entrada (matriz 1D que transporta datos 2D, antiguo primero) double outTarget - Salida de datos de destino para entrenamiento (datos 2D como matriz 1D, Más antiguo 1) doble outTrain - Salida 1D array para mantener las salidas netas de la formación int ntr - de los conjuntos de entrenamiento int UEW - Use Ext. Entradas de matriz 1D para sostener la matriz 3D de pesos iniciales externos doble trainingWt - La matriz de salida 1D para mantener la matriz 3D de pesos entrenados int numLayers - de capas incluyendo la entrada, oculto y de salida int lSz - de neuronas en capas. LSz0 es de entradas netas int AFT - Tipo de función de activación de neuronas (0: sigm, 1: tanh, 2: x / (1x)) int OAF - 1 activa la función de activación para la capa de salida 0 deshabilita int nep - MaxMSE - El entrenamiento de Max MSE se detiene una vez que se alcanza maxMSE. Aquí se muestra la lista de los parámetros de salida de entrada (verde) de Test (): doble inpTest - Datos de prueba de entrada (datos 2D como array 1D, el más antiguo primero) double outTest - Output 1D array para mantener los resultados netos del entrenamiento ) Int ntt - de conjuntos de prueba doble extInitWt - matriz de entrada 1D para mantener la matriz 3D de pesos iniciales externos int numLayers - de capas incluyendo la entrada, ocultos y salida int lSz - de las neuronas en capas. (0: sigm, 1: tanh, 2: x / (1x)) int OAF - 1 activa la función de activación para la capa de salida 0 deshabilita Si se usa la función de activación en la La capa de salida o no (valor de parámetro OAF) depende de la naturaleza de las salidas. Si las salidas son binarias, lo que suele ocurrir en los problemas de clasificación, se debe utilizar la función de activación en la capa de salida (OAF1). Por favor, preste atención que la función de activación 0 (sigmoide) tiene 0 y 1 niveles saturados, mientras que las funciones de activación 1 y 2 tienen niveles -1 y 1. Si las salidas de red son una predicción de precios, entonces no se necesita ninguna función de activación en la capa de salida (OAF0). Ejemplos de uso de la biblioteca NN: BPNN Predictor. mq4 - predice futuros precios abiertos. Las entradas de la red son cambios de precios relativos: donde delayi se calcula como un número de Fibonacci (1,2,3,5,8,13,21 ..). La salida de la red es el cambio relativo predicho del siguiente precio. La función de activación está desactivada en la capa de salida (OAF0). Extern int lastBar - Última barra en el pasado data externa int futBars - de futuras barras para predecir extern int numLayer - de capas incluyendo entrada, salida de amplificador oculta (2..6) extern int numInputs - de entradas extern int numNeurons1 - de neuronas in La primera capa oculta o de salida extern int numNeurons2 - de las neuronas en la segunda capa oculta o externa extern numNeurons3 - de las neuronas en la tercera capa oculta o externa extern numNeurons4 - de las neuronas en la capa oculta o externa external int numNeurons5 - de Neuronas en la quinta capa ocultada o de salida extern int ntr - de los conjuntos de entrenamiento externo int nep - Max de epochs extern int maxMSEpwr - conjuntos maxMSE10maxMSEpwr entrenamiento detiene lt maxMSE externo int AFT - Tipo de activ. El indicador traza tres curvas en el gráfico: color rojo - predicciones de los precios futuros color negro - los precios de apertura de la formación pasada, que se utilizaron como resultados esperados para el Red de color azul - salidas de la red para los insumos de entrenamiento BPNN Predictor. mq4 - predice futuros precios suavizados de apertura. Utiliza el suavizado EMA con el período smoothPer. Copiar incluido BPNN. DLL a C: Program FilesMetaTrader 4expertslibraries En metatrader: Herramientas - Opciones - Asesores expertos - Permitir importaciones DLL También puede compilar su propio archivo DLL utilizando códigos fuente en BPNN. zip. Una red con tres capas (numLayers3: una entrada, una oculta y una salida) es suficiente para la gran mayoría de los casos. De acuerdo con el teorema de Cybenko (1989), una red con una capa oculta es capaz de aproximar cualquier función continua multivariable a cualquier grado de precisión deseado, una red con dos capas ocultas es capaz de aproximar cualquier función discontinua y multivariable: El número óptimo de Las neuronas en la capa oculta se pueden encontrar a través de ensayo y error. Las siguientes quotrulas de pulgar pueden encontrarse en la literatura: de neuronas ocultas (de entradas de salidas) / 2, o SQRT (de entradas de salidas). Lleve un registro del error de entrenamiento, reportado por el indicador en la ventana de expertos de metatrader. Para la generalización, el número de conjuntos de entrenamiento (ntr) debe ser 2-5 veces el número total de pesos en la red. Por ejemplo, por defecto, BPNN Predictor. mq4 utiliza una red 12-5-1. El número total de pesos es (121) 5671. Por lo tanto, el número de conjuntos de entrenamiento (ntr) debe ser al menos 142. El concepto de generalización y memorización (sobre-ajuste) se explica en el gráfico siguiente. Los datos de entrada a la red deben ser transformados en estacionarios. Los precios de la divisa no son estacionarios. También se recomienda normalizar las entradas al rango -1..1. El gráfico siguiente muestra una función lineal ybx (entrada x, salida y) cuyas salidas están dañadas por ruido. Este ruido adicional hace que la función de salidas medidas (puntos negros) se desvíe de una línea recta. La función yf (x) puede ser modelada por una red neuronal de alimentación directa. La red con un gran número de pesos se puede ajustar a los datos medidos con error cero. Su comportamiento se muestra como la curva roja que pasa por todos los puntos negros. Sin embargo, esta curva roja no tiene nada que ver con la función lineal original ybx (verde). Cuando esta red sobre-ajustada se utiliza para predecir valores futuros de la función y (x), dará lugar a errores grandes debido a la aleatoriedad del ruido agregado. A cambio de compartir estos códigos, el autor tiene un pequeño favor que preguntar. Si usted fue capaz de hacer un sistema de comercio rentable basado en estos códigos, por favor comparta su idea conmigo enviando correo electrónico directamente a vlad1004yahoo.4 Tipos de indicadores Comerciantes FX debe saber Muchos comerciantes de divisas pasan su tiempo buscando ese momento perfecto para entrar en el Mercados o una señal reveladora de que los gritos compran o venden. Y mientras la búsqueda puede ser fascinante, el resultado es siempre el mismo. La verdad es que no hay una manera de negociar los mercados de divisas. Como resultado, los comerciantes exitosos deben aprender que hay una variedad de indicadores que pueden ayudar a determinar el mejor momento para comprar o vender una tasa cruzada forex. Aquí hay cuatro diferentes indicadores de mercado que la mayoría de los comerciantes exitosos de divisas se basan. Indicador No.1: Una Herramienta de Seguimiento de Tendencias Es posible ganar dinero utilizando un enfoque de tendencia inversa a la negociación. Sin embargo, para la mayoría de los comerciantes el enfoque más fácil es reconocer la dirección de la tendencia principal y tratar de beneficiarse por el comercio en la dirección de las tendencias. Aquí es donde las herramientas que siguen las tendencias entran en juego. Muchas personas no entienden el propósito de las herramientas que siguen las tendencias y tratan de usarlas como sistemas de comercio independientes. Si bien esto es posible, el verdadero propósito de una herramienta de seguimiento de tendencias es sugerir si usted debe estar buscando para entrar en una posición larga o una posición corta. Así que vamos a considerar uno de los métodos más simples de seguir las tendencias de la media móvil crossover. Una media móvil simple representa el precio de cierre promedio sobre el número de días en cuestión. Para elaborar, veamos dos ejemplos simples: un término más largo, un plazo más corto. (Para obtener información relacionada sobre las medias móviles, consulte Exploración de la media móvil ponderada exponencialmente). La Figura 1 muestra el crossover del promedio móvil de 50 días / 200 días para la cruz euro / yen. La teoría aquí es que la tendencia es favorable cuando la media móvil de 50 días está por encima del promedio de 200 días y desfavorable cuando el 50 días está por debajo de los 200 días. Como muestra el gráfico, esta combinación hace un buen trabajo de identificación de la tendencia principal del mercado - al menos la mayor parte del tiempo. Sin embargo, no importa qué combinación de media móvil que elija utilizar, habrá whipsaws. Gráfico 1: El euro / yen con promedios móviles de 50 días y 200 días La Figura 2 muestra una combinación diferente de crossover de 10 días / 30 días. La ventaja de esta combinación es que reaccionará más rápidamente a los cambios en las tendencias de precios que el par anterior. La desventaja es que también será más susceptible a los whipsaws que el crossover a largo plazo de 50 días / 200 días. Negociación de ABC con poderosos indicadores AUTO ABC Método de negociación PERFECT ABC COMPRAR CONFIGURACIÓN Regla general: Nunca negociar Contra el indicador MAJOR TREND RIDER. Comercio sólo primera ruptura de MA de Red Bars a Green / Blue Bars. (B) punto debe estar por encima de MA en Bold Green / Blue Bar (C) punto debe ser quotnearquot encima / debajo de MA en Bold Green / Blue Bar Punto de entrada por encima de (B) punto O primera señal de compra después de que el punto (C) esté ajustado Min. Pérdida de parada por debajo (C), máx. SL por debajo (A) punto. Imagen adjunta (haga clic para ampliar) CONFIGURACIÓN PERFECTA DE LA VENTA ABC Regla general: Nunca negocie contra el indicador MAJOR TREND RIDER. Comercio sólo primera ruptura MA de Green / Blue Bars a Red Bars. (B) el punto debe estar por debajo de MA en la barra roja en negrita (C) el punto debe estar por encima o por debajo de MA en la barra roja en negrita Punto de entrada por debajo de (B) punto o primera La señal de la venta después del punto (C) se fija Min. Stop Pérdida por encima del punto (C), máx. SL por encima (A) punto. Imagen adjunta (haga clic para ampliar) Paquete completo Incluido: MT4 preinstalado con todos los indicadores, plantillas y manuales. Puede MT directamente en la Carpeta 2.0xxlMetaTrader y haga clic en el terminal. exe Para copiar a su propio Mt4 necesita copiar: 1. EA de la carpeta de Expers 2. Todos los Indicadores (ALL) 3. De las bibliotecas de carpetas: stdliba. dll y stdliba. Ex4 4. De plantillas de carpetas: abctradetoday. tpl Intente MT4 preinstalado, primero. Echa un vistazo a algunos ejemplos comerciales en facebook Ejemplos de ABC Trading. Commercial Member Se unió a ene 2008 61 mensajes Sí, con Trio puedes usar Elliott Waves o cualquier otra estrategia si lo dominas. Trio es una gran herramienta que también ayudará a los comerciantes experimentados. 1.Desactivar el conjunto a quotfalsequot Trio señales en las entradas del indicador. Tomemos un ejemplo de la estrategia de Elliott Wave en combinación con Trio. Puede notar que cada inicio de la tendencia MTF - MTRider es una opción para formar la nueva tendencia. - Usted necesita encontrar el primer patrón, la onda 1 y 2. - La tendencia actual está aumentando, MTF tendencia está subiendo y rompiendo el canal superior. Puede comprobarlo con la herramienta Fibo si ésta es la onda mínima, típica o extendida 3. - Un retroceso en la onda (4) también indica la tendencia actual del oso. Sabes que mientras la onda 4 esté por encima de la onda 2, esta configuración sigue siendo válida. - La ruptura de la onda correctiva 4 indica también un cambio de la tendencia del oso a la tendencia alcista. Mira el MTF sigue siendo UP. - La onda 5 está nuevamente por encima del canal y la abc correctiva se indica con la tendencia actual del oso. MTF tendencia sigue en pie, pero el histograma está cayendo. Puede ver la divergencia negativa de la onda 3 a la onda 5 comparando la tendencia MTF. Es increíble cómo puede convertir esta herramienta para trabajar para usted Imagen adjunta (haga clic para ampliar)
No comments:
Post a Comment